开始使用预测性维护工具箱

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^®模型。工具箱包括电机、变速箱、电池和其他机器的参考示例，可用于开发定制的预测性维护和状态监控算法。

要对算法进行操作，可以生成C/ c++代码部署到边缘，或者创建生产应用程序部署到云。

教程

这个由三部分组成的教程向您展示了如何在诊断功能设计器中使用集成数据并提取和排序功能。

预见性维护第1部分:引言
了解不同的维护策略和预测性维护工作流。预见性维护使您可以通过估计故障发生的时间来找到最佳的时间安排维护。

预测维护第2部分:识别条件指标的特征提取
了解如何从数据中提取条件指示器。状态指示器帮助您区分机器的正常状态和故障状态。

预测性维护第3部分:剩余使用寿命估计
预测性维护允许您估计机器的剩余使用寿命(RUL)。探讨评估RUL的三个常见模型:相似性、生存和退化

预测性维护第4部分：如何使用诊断特征设计器进行特征提取
了解如何使用诊断功能设计器提取时域和频谱特征，以开发预测维护算法。