利用MATLAB® & Simulink®進行預測性維護

工程師可利用MATLAB、Simulink、以及預測性維護工具箱(Predictive Maintenance Toolbox™)來開發及佈署狀態監控、預測性維護軟體至企業IT和OT系統。

  • 利用內建介面,從雲端儲存空間、相關及非相關資料庫,以及REST、MQTT、OPC UA等協定取得流動或封存的資料。
  • 透過支援訊號處理和統計技術的app,進行資料前處理與特徵擷取,以監控設備健康狀態。
  • 開發機器學習模型來找出故障的根本原因,並且預測即將發生故障的時間點和機器/零件的剩餘使用壽命(remaining useful life,RUL)。
  • 依你的選擇,從演算法或模型自動產生C/C++、Python、HDL、PLC、GPU、.NET、或Java®為基礎的軟體元件,佈署到運行中的系統上,例如嵌入式系統、邊緣裝置、或雲端。

使用MATLAB與Simulink進行預測性維護

MATLAB與無線通訊

從任何地方取得資料

從設備收集來的資料可能是經過組織,或者尚未組織過的,而且可能歸屬於多種資料來源,像是本地的資料、雲端(比如:AWSR S3、AzureR Blob)、資料庫、以及歷史資料等等。不論你的資料屬於哪一種,都可以透過MATLAB來取得。當故障資料量還不夠多,你可以透過加入故障資料、建立系統故障動態模型等方式,從機器設備的Simulink模型產生資料。

透過清理和探索來簡化資料

有了MATLAB,你可以對雜亂的資料進行前處理,減少資料維度和工程特徵。

  • 整理以不同頻率取樣的資料,並考慮到缺漏值及異常值。
  • 利用先進的訊號處理技巧移除雜訊、過濾資料、以及分析短暫或訊號的變換。
  • 利用統計和動態方法簡化資料庫和減少預測模型的過度擬合,以進行特徵的擷取和選擇。

利用機器學習偵測和預測故障

利用分類、迴歸及時間序列模型等技巧找出故障的根本原因並預測故障發生的時間點。

  • 互動式地探索和選擇最重要的變數,來預測RUL或分類故障模式。
  • 利用內建函式來訓練、比較和檢驗多個預測模型。
  • 信心區間的計算和視覺化,以進行預測不確定性的量化。

將演算法佈署至生產系統

將MATLAB演算法實現於嵌入式裝置以及企業IT/OT系統,以縮短回應時間、傳送更少的資料、讓操作人員能夠立即從產線車間獲得結果。

  • 從MATLAB和Simulink自動產生目標硬體或端點裝置的C/C++程式碼,減少以人工編寫程式碼。
  • 藉由生產伺服器(production servers)將MATLAB解析擴展到雲端,以及與Spotfire、PI Server、其他平台整合。

更多關於預測性維護