Predictive Maintenance Toolbox

状態監視および予知保全アルゴリズムの設計およびテスト

Predictive Maintenance Toolbox™ では、データのラベル付け、状態を表す特徴量 (状態インジケーター) の設計、マシンの残存耐用時間 (RUL) の推定などが可能です。

このツールボックスには、統計解析やスペクトル解析などのデータに基づく手法や、時系列解析などのモデルに基づく手法などを使用して特徴量を検討、抽出、ランク付けする対話型アプリや各種関数があります。周波数領域や時間周波数領域で振動データから特徴量を抽出すれば、ベアリングや変速機などの回転機器の正常性を監視できます。生存モデル、類似性モデル、トレンドベース モデルを使用して RUL を予測すると、マシンの故障時期を推定できます。

ローカルファイル、クラウドストレージ、分散ファイルシステムからインポートしたセンサーデータの解析とラベル付けのほか、Simulink® モデルから生成された故障のシミュレーション データをラベル付けすることもできます。このツールボックスには、モー ター、変速機などの機器向解析例が含まれており、独自の予知保全および状況の監視アルゴリズムの開発に活用できます。

詳細を見る:

状態インジケーターの設計

信号およびモデルに基づくアプローチを使用して、センサーデータから特徴量を 抽出します。抽出された特徴量は、診断アルゴリズムや機械学習アルゴリズムへの入力値として使用します。

Diagnostic Feature Designer アプリ

特徴量を抽出、視覚化、ランク付けして、マシンの正常性を監視するための状態インジケーターを設計します。

信号に基づく状態インジケーター

レインフローカウント、スペクトルピーク検出、スペクトル尖度、およびその他の時間領域、周波数領域、時間周波数領域手法を使用して、未処理または前処理済みのセンサーデータから特徴量を抽出します。

時間周波数に基づく状態インジケーター

モデルに基づく状態インジケーター

線形および非線形の時系列モデル、状態空間モデル、伝達関数モデルをセンサーデータに適合させます。これらの適合モデルのプロパティと特性を状態インジケーターとして使用します。

自己回帰モデルに基づく状態インジケーター.

Fault Detection and Remaining Useful Life (RUL) Estimation

Detect anomalies, diagnose the root cause of faults, and estimate RUL using machine learning and time-series models.

RUL Estimation Models

Estimate the RUL of a machine to help you predict it’s time to failure and optimize maintenance schedules. The type of RUL estimation algorithm used depends on the condition indicators extracted from the data, as well as how much data is available.

Similarity, degradation, and survival RUL models.

Fault Diagnosis Using Classification Models

Isolate the root cause of a failure by training classification and clustering models using support vector machines, k-means clustering, and other machine learning techniques.

Diagnosing faults using Classification Learner app.

Fault and Anomaly Detection

Track changes in your system to determine the presence of anomalies and faults using changepoint detection, Kalman filters, and control charts.

Fault detection using data-based models.

アルゴリズム開発のリファレンス例

バッテリー、変速機、ポンプなどのマシンの状態監視および予知保全アルゴリズムを開発します。

ベアリングと変速機

内輪および外輪の故障分類、ギアの歯の故障検出、RUL の推定に関するアルゴリズムを開発します。

風力タービンベアリングの RUL の推定

ポンプ、モーター、バッテリー

ポンプ内の漏れや詰まりの検出、モーター摩擦の変化の追跡、バッテ リーの経時劣化の推定に関するアルゴリズムを開発します。

Triplex ポンプの故障分類

データの管理とラベル付け

あらゆる場所のデータにアクセスできます。実際のセンサーデータがなくて も、Simulink モデルからシミュレーション データを生成してマシンの故障を表現できます。

データの整理とラベル付け

ローカルファイル、Amazon S3™、Windows Azure® Blob Storage、Hadoop® 分散ファイルシステムからデータをインポートおよびラベル付けします。

データアンサンブルを使用した複数ファイルの管理

Simulink および Simscape からの故障データの 生成

マシンの Simulink モデルと Simscape™ モデルを使用して、故障データをシミュレーションします。パラメーター値の変更、故障の投入、モデルダイナミクスの変更が可能です。

シミュレーション データ アンサンブルを使用したデータの管理

故障検出と残存耐用時間 (RUL) の推定

機械学習と時系列モデルを使用した異常検出、故障の根本原因診断、RUL の推定を行います。

RUL 推定モデル

マシンの RUL を推定して、マシンの故障時期の予測や保守スケジュールの最適化に役立てることができます。使用する RUL 推定アルゴリズムのタイプ は、データから抽出される状態インジケーターや使用可能なデータの量によって異なります。

RUL の類似性モデル、低下モデル、生存モデル

分類モデルを使用した故障診断

サポート ベクター マシンや k 平均法クラスタリングなどの機械学習手法を用いて分類モデルやクラスタリングモデルを学習させること で、故障の根本原因を分離します。

分類学習器アプリを使用した故障診断

故障および異常検出

変化点検出、カルマンフィルター、制御チャートを使用して、システム内の変化を追跡し、異常や故障の有無を判別します。

データに基づくモデルを使用し

Predictive Maintenance Video Series

Watch the videos in this series to learn about predictive maintenance.

予知保全ソフトウェアを開発し、エンタープライズ IT/OT システムおよび組み込みデバイスに配布します。
生存モデル、低下モデル、類似性モデルを RUL の推定に使用する方法を紹介します。
予知保全の概念とワークフローについて詳しく説明します。