|
推出用于設計并測試狀態監測和預測性維護算法的新工具箱 MathWorks 今日宣布推出新的 MATLAB 產品 Predictive Maintenance Toolbox，幫助工程師設計并測試狀態監測和預測性維護算法。Predictive Maintenance Toolbox 為算法工程師提供了一系列功能和參考范例，用來組織數據、設計狀態指標、監測機器運行狀況和預估剩余使用壽命 (RUL)，從而避免設備故障。 借助 Predictive Maintenance Toolbox，工程師能分析和標注從存儲于本地或云端的文件中導入的傳感器數據。他們還能標注從 Simulink 模型生成的仿真故障數據以表征設備故障。利用在頻譜分析和時序分析等技術所構建的信號處理和動態建模方法，工程師能夠預處理數據并提取可用來監測機器狀態的特征。使用生存分析、相似性分析和基于趨勢的模型來預測 RUL，可幫助工程師預估機器發生故障的時間。該工具箱包括發動機、變速箱、電池和其他機器的參考范例，可以復用以開發自定義的預測性維護和狀態監測算法。 現在，工程師開發和驗證必要的算法，通過監測傳感器數據，以預測設備何時可能發生故障，或檢測任何潛在的異常現象。這些算法可以通過訪問存儲在本地文件系統、云存儲系統（如 Amazon S3 和 Windows Azure Blob 存儲）或 Hadoop 分布式文件系統上的歷史數據，得以開發。另一個數據源是來自包含故障動態的設備物理模型的仿真數據。工程師可以從此數據中提取和選擇最合適的特征，然后借助交互式應用程序，用這些特征訓練機器學習模型，以預測或檢測設備故障。 “預測性維護是工業物聯網的一個重要應用。它對于減少不必要的維護成本和消除計劃外停機十分關鍵。那些通常沒有機器學習或信號處理背景的工程師會發現，設計預測性維護的算法特別具有挑戰性。” MathWorks 公司技術市場經理 Paul Pilotte 說，“現在，通過使用 Predictive Maintenance Toolbox 學習如何設計和測試這些算法作為起點，這些團隊能夠快速上手并提高。” Predictive Maintenance Toolbox 已在全球上市。如需更多信息，請訪問 mathworks.com/products/predictive-maintenance。 有關工程師團隊如何使用 MATLAB，通過預測故障來減少設備停機時間、自動確定故障的根本原因和避免不必要維護成本的詳細信息，請訪問 mathworks.com/discovery/predictive-maintenance.html。 
圖示：Predictive Maintenance Toolbox 能幫助訓練預測模型來預估剩余使用壽命 (RUL) 并提供與預測相關聯的置信區間。 |
