预测维护工具箱
设计和测试条件监控和预测维护算法
预测维护工具箱™可让您管理传感器数据，设计条件指示灯，并估计机器的剩余使用寿命（RUL）。
工具箱提供了使用基于数据和基于模型的技术的探索，提取和排序功能的功能和交互式应用程序，包括统计，光谱和时序分析。您可以通过使用频率和时频方法从振动数据中提取特征来监测旋转机器的健康。为了估算机器的失败时间，您可以使用生存，相似性和基于趋势的模型来预测rul。
您可以对从本地文件、云存储和分布式文件系统导入的传感器数据进行组织和分析。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。
开始:
故障和异常检测
跟踪系统的变化，以确定使用ChangePoint检测，Kalman筛选器和控制图表的异常和故障的存在。
使用基于数据的模型进行故障检测。
RUL估计模型
估计机器的RUL，以帮助您预测其故障时间并优化维护计划。的RUL估计算法的类型使用情况取决于从数据中提取的条件指标，以及有多少数据可用。
相似性，降解和生存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集群和其他机器学习技术训练分类和聚类模型来隔离故障的根本原因。万博1manbetx
使用分类学习者应用诊断故障。
诊断功能设计应用
提取，可视化和等级功能以设计监控机器健康的条件指示灯。从应用程序生成MATLAB代码以自动化整个过程。
基于信号的条件指示灯
使用雨流计数、谱峰检测、谱峰度和其他时间、频率、时频域技术从原始或预处理的传感器数据中提取特征。使用Live Editor Tasks交互式地执行相空间重构和提取非线性信号特征。
Time-frequency-based条件指标。
基于自回归模型的条件指标。
在PLC上部署预测性维护算法。
云部署
使用MATLAB编译器™和MATLAB编译器SDK™将预测维护算法部署为C / C ++共享库，Web应用程序，Docker容器，Microsoft®net程序集,Java®课程和python®包。将生成的库部署到MATLAB生产服务器™关于微软®Azure®，AWS.®，或专用的prem服务器，而无需重新编码或创建自定义基础架构。
部署的预测性维护系统的组成部分。
风力发电机轴承的RUL估计。
泵，马达和电池
开发用于检测泵中泄漏和堵塞的算法，跟踪电机摩擦的变化，以及随时间估算电池劣化。
三缸泵的故障分类。
数据导入与组织
从本地文件导入数据，Amazon S3™，Windows Azure®Blob Storage和Hadoop®分布式文件系统。
通过使用数据集成管理多个文件。
Simulink和Simscape的失败数据生成万博1manbetx
使用机器的Simulink和Simscape™型号模拟和标记故障数据。万博1manbetx修改参数值，注入故障和更改模型动态。
使用模拟数据集合管理数据。
