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:
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。
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。
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。
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。
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。
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。
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。
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。
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。
Diagnostic Feature Designer アプリ
アプリから MATLAB コードを生成して信号処理、特徴抽出、および特徴量ランキングを求めるタスクを自動化
ライブエディター タスク
位相空間の再構築を対話的に実行し、非線形信号ベースの状態インジケーターを抽出
スペクトル解析
周波数帯域を定義してスペクトルの特徴を抽出
これらの機能やそれに対応する機能の詳細については、リリースノート をご覧ください。