开发一个预测性维护系统，以降低泵设备成本和停机时间
使用MATLAB来分析近一个TB的数据，并创建发生之前，可以预测机器故障神经网络
“MATLAB给了我们先前无法读取的数据转换成可用的格式的能力;自动化滤波，频谱分析，并变换为多个卡车和区域的步骤;最终，实时预测理想的时间来进行维护应用机器学习技术“。
高尔杉辛格，贝克休斯
卡车正排量泵。
在需求高峰时期，贝克休斯的工作人员夜以继日地开采石油和天然气。在一个井场，可能会有多达20辆卡车同时作业，用正排量泵在高压下向已钻井深处注入水和沙子的混合物。这些泵及其内部部件，包括阀门、阀座、密封件和柱塞，成本很高，在这辆卡车150万美元的总成本中约占10万美元。
要监视潜在的灾难性磨损的泵和发生前预测故障，贝克休斯分析用MATLAB泵的传感器数据®并应用MATLAB的机器学习算法。
“我们使用MATLAB来开发我们的泵健康监控系统看到三大优势，”高尔杉辛格，可靠性本金和在贝克休斯钻井服务团队负责人如是说。“首先是速度;在C或任何其他语言的发展将采取更长的时间。第二个是自动化;MATLAB使我们能够实现自动化的大型数据集的处理。第三是各种各样的技术，MATLAB提供了用于处理数据，包括基本统计分析，光谱分析，过滤，并使用人工神经网络预测模型“。
使用正排量泵井场。
如果在活动现场卡车有一个泵失效，贝克休斯必须立即更换卡车确保工作的连续性。送备用车到每个站点的成本公司数千万美元的收入，如果他们在其他网站积极利用这些卡车可以产生。由于无法准确预测何时阀门和泵需要维护巩固其他费用。过于频繁的维修废物的努力和在部分结果时，它们仍然可以被取代，而太罕见维修损坏的风险无法修复泵。
贝克休斯公司的工程师希望开发能确定何时机即将失效，需要维护的系统。为了开发这种系统中，需要处理的团队和分析多达每秒50000个采样从安装在卡车10在该领域工作的传感器收集的数据的TB的。从这个大的数据集，他们需要确定在预测失误是有用的参数。
贝克休斯公司的工程师们使用MATLAB开发泵健康监控软件，用于预测性维护应用数据分析。
他们将现场收集的温度、压力、振动和其他传感器的数据输入到MATLAB中。该团队与MathWorks支持工程师一起开发了一个自定义脚本，用于万博1manbetx读取和解析以专有格式存储在二进制文件中的传感器数据。
贝克休斯团队使用MATLAB对输入的数据进行分析，以确定数据中哪些信号对设备磨损的影响最大。这一步包括进行傅里叶变换和频谱分析，以及过滤掉卡车、泵和流体的大的运动，以更好地检测阀门和阀座的小振动。
要自动几乎一兆兆字节收集的数据的处理，团队写道MATLAB的脚本，它们执行过夜。
工程师发现从压力，振动捕获的数据，和定时传感器是最相关的，用于预测机器故障。
团队与MathWorks支持工程师合作，使用统计数据和万博1manbetx机器学习工具箱™和深度学习工具箱™评估了几种机器学习技术。最初的评估表明，神经网络能产生最准确的结果。该小组创建并训练了一个神经网络，利用传感器数据来预测泵的故障。他们使用来自未用于构建模型的字段的额外数据来验证该模型。
现场试验证实了泵健康监控系统的预测泵故障的能力。
贝克休斯的预测性维护报警系统，基于MATLAB。
