예측 유지관리를 위한 MATLAB 및 Simulink
Engineers use MATLAB®, Simulink®, and Predictive Maintenance Toolbox™ to develop and deploy condition monitoring and predictive maintenance software to enterprise IT and OT systems.
- Access streaming and archived data using built-in interfaces to cloud storage, relational and nonrelational databases, and protocols such as REST, MQTT, and OPC UA.
- Preprocess data and extract features to monitor equipment health using apps for signal processing and statistical techniques.
- Develop machine learning models to isolate root cause of failures and predict time-to-failure and remaining useful life (RUL).
- Deploy algorithms and models to your choice of in-operation systems such as embedded systems, edge devices, and the cloud by automatically generating C/C++, Python, HDL, PLC, GPU , .NET, or Java® based software components.
Reduce Downtime and Operational Costs: Achieve Results Faster with MathWorks Consulting
무료 eBook
MATLAB을 사용한 예측 정비
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.