预测维护工具箱
设计和测试状态监控和预测维护算法
预测性维护工具箱™让您管理传感器数据，设计条件指标，并估计机器的剩余使用寿命(RUL)。
这个工具箱提供了一些函数和一个交互式应用程序，可以使用基于数据和基于模型的技术(包括统计、光谱和时间序列分析)来探索、提取和排序特性。通过使用频率和时频方法从振动数据中提取特征，可以监视旋转机器的健康状况。为了估计机器的故障时间，可以使用生存、相似性和基于趋势的模型来预测RUL。
您可以组织和分析从本地文件，云存储和分布式文件系统导入的传感器数据。您可以标记从Simulink生成的模拟故障数据万博1manbetx®楷模。工具箱包括电机，齿轮箱，电池和其他机器的参考示例，可以重复使用用于开发自定义预测性维护和状态监测算法。
要操作算法，您可以生成C / C ++代码以部署到边沿或创建用于部署到云的生产应用程序。
开始：
荷重软化评估模型
估计机器的RUL，以帮助您预测它是故障并优化维护计划的时间。这类型的RUL估计算法使用取决于从数据中提取的条件指示，以及可用的数据。
相似、退化和幸存RUL模型。
使用分类模型进行故障诊断
通过使用支持向量机、k-means聚类和其他机器学习技术训练分类和聚类模型，分离出故障的根本原因。万博1manbetx
使用分类学习程序诊断故障。
使用基于数据的模型进行故障检测。
诊断功能设计器应用程序
提取、可视化和排序特征，以设计监视机器运行状况的状态指示器。从应用程序生成MATLAB代码，以自动化整个过程。
ieee条件指标
利用雨流程计数，光谱峰值检测，光谱峰值等时间，频率和时频域技术提取原始或预处理传感器数据的特征。使用Live Editor任务以交互式执行相位空间重建并提取非线性信号功能。
基于时间频率的条件指示灯。
自动评级模型的条件指示灯。
风力涡轮机轴承的RUL估计。
泵，电机和电池
开发算法来检测泵中的泄漏和堵塞，跟踪电机摩擦的变化，并估计电池随时间的退化。
Triplex泵中的故障分类。
数据导入和组织
从本地文件、Amazon S3™、Windows Azure导入数据®Blob Storage和Hadoop®分布式文件系统。
使用数据集合管理多个文件。
从Simulink和Simscape生成故障数据万博1manbetx
使用您机器的Simulink和Simscape™模型模拟和标记故障数据。万博1manbetx修改参数值，注入故障，并更改模型动力学。
使用模拟数据集成管理数据。
将预测维护算法部署到PLC
云部署
采用Matlab Compiler™和MATLAB编译器SDK™将预测性维护算法部署为C/ c++共享库、web应用、Docker容器、Microsoft®.NET装配，Java®Python类,®包裹。部署生成的库MATLAB生产服务器™在微软®Azure.®, AWS®，或专用的可在不重新编码或创建自定义基础架构的上限服务器。
部署预测维护系统的组件
产品资源：
预见性维护视频系列
观看本系列中的视频以了解预测性维护。
