예측 유지관리를 위한 MATLAB 및 Simulink
엔지니어들은 MATLAB®, Simulink® 및 Predictive Maintenance Toolbox™를 사용하여 상태 모니터링과 예측 유지관리 소프트웨어를 개발하고 엔터프라이즈 IT 및 OT 시스템에 개발하고 배포합니다.
- 내장 인터페이스와 REST, MQTT, OPC UA 등의 프로토콜을 이용하여 클라우드 저장소, 관계형 데이터베이스, 비관계형 데이터베이스에 있는 스트리밍 데이터와 아카이브 데이터에 액세스할 수 있습니다.
- 신호처리 앱과 통계 기법을 활용하여 데이터에 전처리 작업을 수행하고 특징을 추출함으로써 장비 상태를 모니터링할 수 있습니다.
- 머신러닝 모델을 구축하여 고장의 근본 원인을 구분하고 고장 시간과 잔여 수명(RUL)을 예측할 수 있습니다.
- C/C++, Python, HDL, PLC, GPU, .NET 또는 Java® 기반 소프트웨어 구성요소를 자동으로 생성하여, 임베디드 시스템, 에지 디바이스, 클라우드 등 현재 운영 중인 시스템에 알고리즘과 모델을 배포할 수 있습니다.
Using MATLAB and Simulink for Predictive Maintenance
어디에 있는 데이터라도 액세스 가능
장비에서 나온 데이터는 구조화되어 있거나 그렇지 않을 수 있고, 로컬 파일이나 AWS® S3, Azure® Blob과 같은 클라우드, 데이터베이스, 데이터 기록 등 다수의 소스에 있을 수 있습니다. 데이터가 어디에 있더라도 MATLAB을 이용하면 얻을 수 있습니다. 고장 데이터가 충분하지 않다면, 보유하고 있는 기계 장비의 Simulink 모델에서 시스템 고장 데이터를 입력하고 시스템 고장 동특성을 모델링하여 생성할 수 있습니다.
정리와 탐색을 통한 데이터 단순화
수집된 데이터는 대부분 비정형 데이터입니다. MATLAB을 이용하면 데이터에 전처리 작업을 수행하고 차원을 축소하고 특징을 추출할 수 있습니다.
- 다양한 속도로 샘플링된 데이터를 정렬하고 누락된 값이나 이상값을 탐색할 수 있습니다.
- 고급 신호처리 기법을 활용하여 잡음을 제거하고 데이터를 필터링하며, 과도 신호나 변화하는 신호를 분석할 수 있습니다.
- 특징 추출 및 선택에 동적 통계적 기법을 활용하여 데이터세트를 단순화하고 예측 모델의 오버피팅을 줄일 수 있습니다.
머신러닝을 이용한 고장 탐지 및 예측
분류, 회귀, 시계열 모델링 기법을 활용하여, 고장의 근본 원인을 식별하고 고장 주기를 예측할 수 있습니다.
- 잔여 수명(RUL) 추정 또는 고장 상태 분류에 가장 중요한 변수를 대화형 방식으로 살펴보고 선택할 수 있습니다.
- 내장 함수를 이용하여 다수의 예측 모델을 훈련, 비교, 검증할 수 있습니다.
- 신뢰구간을 계산하고 시각화하여 예측의 불확실성을 정량화할 수 있습니다
프로덕션 시스템에 알고리즘 배포
임베디드 디바이스와 기업용 IT/OT 시스템에서 MATLAB 알고리즘을 구현하여 응답 시간을 단축하고 데이터 송신량을 줄이며, 현장 작업자가 즉시 활용할 수 있는 결과를 산출할 수 있습니다.
무료 평가판 받기
30일 동안 사용해 보십시오.
