预测维修工具箱
设计和测试状态监测和预测性维护算法
预测性维护工具箱™ 用于管理传感器数据、设计条件指示器和估计机器的剩余使用寿命（RUL）。
工具箱提供了一些函数和一个交互式应用程序，用于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）探索、提取和排列特征。通过使用频率和时频方法从振动数据中提取特征，可以监控旋转机器的健康状况。要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:
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、退化和生存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-均值聚类和其他机器学习技术训练分类和聚类模型，找出故障的根本原因。万博1manbetx
使用分类学习器应用程序诊断故障。
诊断功能设计应用
提取、可视化和排列特征，以设计用于监控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。
基于信号的状态指示器
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™将预测性维护算法部署为C/C++共享库、web应用程序、Docker容器、Microsoft®net程序集,Java®类和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
开发算法，用于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。
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™, WindowsAzure®Blob存储和Hadoop®分布式文件系统。
通过使用数据集成管理多个文件。
从Simulink和Simscape生成故障数据万博1manbetx
使用Simulink和Simscape模拟和标记故障数据™ 你机器的型号。修万博1manbetx改参数值、注入故障和更改模型动力学。
使用仿真数据集成管理数据。
产品资源:
预测性维护视频系列
观看本系列视频了解预测性维护。
