エンジニアは MATLAB®、Simulink®、および Predictive Maintenance Toolbox™ を使用して状態監視および予知保全ソフトウェアを開発し、エンタープライズ IT および OT システムに展開しています。
- クラウドストレージ、リレーショナル データベース、非リレーショナル データベースおよび REST、MQTT、OPC UA などのプロトコル向け組み込みインターフェイスを使用してストリーミングおよびアーカイブされたデータにアクセス。
- 信号処理および統計手法向けのアプリを使用して、機器の状態を監視するためにデータを前処理して特徴量を抽出。
- 故障の原因を分離して故障までの時間 および残存耐用時間 (RUL) を予測するための機械学習モデルを開発。
- C/C++、Python、HDL、PLC、GPU、.NET または Java® ベースのソフトウェア コンポーネントを自動的に生成することで、組み込みシステム、エッジデバイスおよびクラウドなど、ユーザーが選択した稼働中のシステムにアルゴリズムおよびモデルを展開。
予知保全のための MATLAB および Simulink の使用
予知保全により、機械が故障するまでの時間を予測することで、最適な保守時期を推定できます。このシリーズでは、予知保全アルゴリズムの開発ワークフローについて説明します。3 重ポンプや航空機のエンジンを例に、特徴抽出や残存耐用時間の推定などのワークフローの手順をビデオで解説します。
あらゆる場所のデータにアクセス
機器からのデータには、構造化データと非構造化データがあり、これらはローカルファイル、OPC UA サーバー、クラウド (AWS® S3、Azure® Blob など)、データベース、OSIsoft® PI System™ などのデータヒストリアンといった、複数のソースに存在します。データがどこにあっても、MATLAB にデータを取り込んで使用することができます。信号故障を挿入してシステム故障のダイナミクスをモデル化することで、十分な故障データがなくても機器の Simulink モデルから生成できます。
データのクリーニングおよび調査によるデータの簡略化
データは乱雑です。MATLAB を使用して前処理を行い、次元を削減し、特徴量を操作できます。
- 異なるレートでサンプリングされたデータを調整して、欠損値と外れ値を考慮。
- 高度な信号処理手法を使用したノイズの除去、データのフィルター処理および過渡信号または変化信号の解析。
- 特徴量の抽出および選択のための統計的かつ動的手法を使用したデータセットの簡略化と予測モデルの過適合の削減。
機械学習を使用した故障の検出および予測
分類、回帰および時系列モデリングの手法を使用して、故障の根本原因を特定し、故障までの時間を予測します。
- 最も重要な変数の対話的な調査と選択による RUL の推定と故障モードの分類。
- 組み込み関数を使用した複数の予測モデルの学習、比較および検証。
- 信頼区間の計算および可視化による予測の不確実性の定量化。
You can also select a web site from the following list:
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)
Asia Pacific
- Australia (English)
- India (English)
- New Zealand (English)
- 中国
- 日本Japanese (日本語)
- 한국Korean (한국어)