Aachen/München, 6. Juni 2018
Bild : Die Predictive Maintenance Toolbox kann beim Training von
Vorhersagemodellen helfen, die die wirtschaftliche Restlebensdauer
schätzen und Konfidenzintervalle für die Vorhersage bereitstellen können
Die neue Predictive Maintenance Toolbox
MathWorks stellt heute die Predictive Maintenance Toolbox vor, ein neues MATLAB-Produkt, mit dem Entwickler Algorithmen für die Zustandsüberwachung und für Predictive Maintenance (vorausschauende Wartung) entwerfen und testen können.
Funktionalität
Die Predictive Maintenance Toolbox bietet Funktionen und Referenzbeispiele für Entwickler, die Algorithmen entwerfen, um Daten zu strukturieren, Zustandsindikatoren zu erstellen, Maschinenzustände zu überwachen und die wirtschaftliche Restlebensdauer zu schätzen und so Geräteausfälle zu vermeiden.
Mit der Predictive Maintenance Toolbox können Entwickler Sensordaten analysieren und labeln, die sie aus lokal oder in der Cloud gespeicherten Dateien importieren.
Außerdem können sie simulierte Ausfalldaten labeln, die sie aus Simulink-Modellen erzeugen, um Geräteausfälle darzustellen. Mit Methoden der Signalverarbeitung und der dynamischen Modellierung, die auf Techniken wie der Spektralanalyse und der Zeitreihenanalyse aufbauen, können Entwickler Daten vorverarbeiten und Merkmale extrahieren, mit denen der Zustand einer Maschine überwacht werden kann.
Vorhersagemodelle
Mit Survival-, Ähnlichkeits- und Trend-basierten Modellen für die Vorhersage der wirtschaftlichen Restlebensdauer können Entwickler die Zeit bis zum Ausfall einer Maschine schätzen.
Die Toolbox umfasst Referenzbeispiele für Motoren, Getriebe, Batterien und andere Maschinenteile, die wiederverwendet werden können, um selbst Algorithmen für Predictive Maintenance und für die Zustandsüberwachung zu entwickeln.
Damit können jetzt die Algorithmen entwickelt und validiert werden, die benötigt werden, um vorherzusagen, wann möglicherweise ein Geräteausfall auftritt, oder um durch Überwachung von Sensordaten die zugrunde liegenden Abweichungen zu erkennen. Bei der Entwicklung dieser Algorithmen wird auf historische Daten zugegriffen, die in lokalen Dateien, in Cloud-Speichersystemen wie Amazon S3 und Windows Azure Blob Storage oder in einem Hadoop Distributed File System gespeichert sind.
Eine weitere Datenquelle sind Simulationsdaten aus physikalischen Modellen der Geräte, die unter anderem ihre Ausfalldynamik darstellen. Entwickler können aus diesen Daten die am besten geeigneten Merkmale extrahieren und auswählen und dann interaktive Apps verwenden, um Machine-Learning-Modelle anhand dieser Merkmale zu trainieren und so Geräteausfälle vorherzusagen oder zu erkennen.
Industrial Internet of Things (IIoT)
„Predictive Maintenance ist eine wichtige Anwendung des Industrial Internet of Things. Sie ist unverzichtbar, um unnötige Wartungskosten und ungeplante Ausfallzeiten zu vermeiden. Ingenieure verfügen im Allgemeinen nicht über einen Hintergrund in Machine Learning oder in der Signalverarbeitung.
Daher stellt die Entwicklung von Algorithmen für Predictive Maintenance sie vor besondere Herausforderungen“, erklärt Paul Pilotte, Technical Marketing Manager, MathWorks. „Jetzt können diese Teams schnell einsteigen, indem sie mithilfe der Predictive Maintenance Toolbox erlernen, wie sie diese Algorithmen entwerfen und testen können.“
Die Predictive Maintenance Toolbox ist weltweit erhältlich.
Weitere Informationen finden Sie unter mathworks.com/products/predictive-maintenance.
Weitere Informationen dazu, wie Entwicklungsteams MATLAB verwenden können, um Stillstandszeiten von Maschinen und Anlagen durch Ausfallvorhersagen zu reduzieren, die Ausfallursache automatisch zu ermitteln und unnötige Wartungskosten zu vermeiden, finden Sie unter mathworks.com/discovery/predictive-maintenance.html.
|
