Predictive Maintenance Toolbox

상태 모니터링 알고리즘 및 예측 정비 알고리즘을 설계하고 테스트할 수 있습니다.

Predictive Maintenance Toolbox™를 사용하여 센서 데이터 및 설계 상태 지표를 관리하고 기계의 RUL(잔여 수명)을 추정할 수 있습니다.

이 툴박스는 통계, 스펙트럼 및 시계열 분석 등의 데이터 기반 및 모델 기반 기법을 사용하여 특징을 탐색, 추출하고 순위를 지정하기 위한 함수와 대화형 방식의 앱을 제공합니다. 주파수 및 시간-주파수 방법을 사용하여 진동 데이터에서 특징을 추출함으로써 회전 기계의 건전성을 모니터링할 수 있습니다. 기계의 고장 수명을 추정하기 위해 생존 모델, 유사성 모델 및 추세 기반 모델을 사용하여 RUL을 예측할 수 있습니다.

로컬 파일, 클라우드 저장소 및 분산 파일 시스템에서 가져온 센서 데이터를 정리하고 분석할 수 있습니다. Simulink® 모델에서 생성된 시뮬레이션된 고장 데이터에 레이블을 지정할 수 있습니다. 이 툴박스에는 모터, 기어박스, 배터리 및 기타 기계에 대한 참조 예제가 있으며, 사용자는 이런 예제를 사용자 지정 예측 정비 및 상태 모니터링 알고리즘 개발에 재사용할 수 있습니다.

알고리즘을 운용하려면 에지 기기에 배포할 수 있는 C/C++ 코드를 생성하거나 클라우드에 배포할 수 있는 프로덕션 응용 프로그램을 만들 수 있습니다.

시작하기:

결함 검출 및 RUL(잔여 수명) 추정

머신러닝 및 시계열 모델을 사용하여 이상을 감지하고 결함의 근본 원인을 진단하고 RUL을 추정할 수 있습니다.

RUL 추정 모델

기계의 RUL을 추정하여 고장 수명을 예측하고 정비 일정을 최적화할 수 있습니다. 사용할 수 있는 RUL 추정 알고리즘의 유형은 데이터에서 추출되는 상태 지표와 사용 가능한 데이터의 양에 따라 정해집니다.

유사성, 열화 및 생존 RUL 모델.

분류 모델을 사용한 결함 진단

서포트 벡터 머신, k-평균 군집화 및 기타 머신러닝 기법을 사용하여 분류 및 군집화 모델을 훈련함으로써 결함의 근본 원인을 분리할 수 있습니다.

분류 학습기 앱을 사용하여 결함 진단하기.

결함 검출 및 이상 감지

시스템의 변화를 추적하여 변화 지점 감지, 칼만 필터 및 관리도를 사용하여 이상 및 결함 유무를 확인할 수 있습니다.

데이터 기반 모델을 사용한 결함 검출.

상태 지표 설계

신호 기반 및 모델 기반 접근법을 사용하여 센서 데이터에서 특징을 추출할 수 있습니다. 추출된 특징은 진단 및 머신러닝 알고리즘의 입력값으로 사용할 수 있습니다.

진단 특징 디자이너 앱

특징을 추출, 시각화하고 순위를 지정하여 기계 상태 모니터링을 위한 상태 지표를 설계할 수 있습니다. 앱에서 MATLAB 코드를 생성하여 전체 공정을 자동화할 수 있습니다.

신호 기반 상태 지표

레인플로 집계법, 스펙트럼 피크 검출, 스펙트럼 첨도, 그리고 그 외의 시간, 주파수 및 시간-주파수 영역 기법을 사용하여 원시 또는 전처리된 센서 데이터에서 특징을 추출할 수 있습니다. 라이브 편집기 작업을 사용하여 대화형 방식으로 위상 공간 재구성을 수행하고 비선형 신호 특징을 추출할 수 있습니다.

시간-주파수 기반 상태 지표.

모델 기반 상태 지표

선형 및 비선형 시계열 모델, 상태공간 모델 및 전달 함수 모델을 센서 데이터에 피팅할 수 있습니다. 이러한 피팅된 모델의 속성과 특성을 상태 지표로 사용할 수 있습니다.

자기회귀 모델 기반 상태 지표.

알고리즘 개발을 위한 참조 예제

배터리, 기어박스, 펌프 및 기타 기계를 위한 상태 모니터링 및 예측 정비 알고리즘을 개발할 수 있습니다.

베어링 및 기어박스

내륜 및 외륜 결함을 분류하고 기어 톱니 결함을 검출하고 RUL을 추정하기 위한 알고리즘을 개발할 수 있습니다.

풍력 터빈 베어링의 RUL 추정.

펌프, 모터 및 배터리

펌프의 누수 및 막힘을 감지하고 모터 마찰의 변화를 추적하고 시간 경과에 따른 배터리 열화를 추정하기 위한 알고리즘을 개발할 수 있습니다.

3중 펌프의 결함 분류.

데이터 관리

어디에 있는 데이터라도 액세스할 수 있습니다. 실제 센서 데이터가 없어도 Simulink 모델에서 시뮬레이션 데이터를 생성하여 기계 고장을 나타낼 수 있습니다.

데이터 가져오기 및 정리

로컬 파일, Amazon S3™, Windows Azure® Blob Storage 및 Hadoop® Distributed File System에서 데이터를 가져올 수 있습니다.

데이터 앙상블을 사용하여 여러 파일 관리하기.

Simulink 및 Simscape에서 고장 데이터 생성

기계의 Simulink 및 Simscape™ 모델을 사용하여 고장 데이터를 시뮬레이션하고 레이블을 지정할 수 있습니다. 파라미터 값을 수정하고 결함을 주입하고 모델 동역학을 변경할 수 있습니다.

시뮬레이션 데이터 앙상블을 사용하여 데이터 관리하기.

에지 및 클라우드로의 배포

상태 모니터링 및 예측 정비 알고리즘을 에지 기기 또는 클라우드의 프로덕션 응용 프로그램에 배포할 수 있습니다.

에지 배포

MATLAB Coder™를 사용하여 RUL 모델 및 특징 계산을 위한 C/C++ 코드를 생성할 수 있습니다.

PLC에 예측 정비 알고리즘 배포하기

클라우드 배포

MATLAB Compiler™MATLAB Compiler SDK™를 사용하여 예측 정비 알고리즘을 C/C++ 공유 라이브러리, 웹 앱, Docker 컨테이너, Microsoft® .NET 어셈블리, Java® 클래스 및 Python® 패키지로 배포할 수 있습니다. 다시 코딩하거나 사용자 지정 인프라를 만들지 않고도 생성된 라이브러리를 Microsoft® Azure®, AWS®MATLAB Production Server™ 또는 전용 온프레미스 서버에 배포할 수 있습니다.

배포된 예측 정비 시스템의 구성요소

예측 정비 비디오 시리즈

이 비디오 시리즈를 통해 예측 정비에 대해 알아볼 수 있습니다.