Toolbox für die Zustandsüberwachung

Mit der neuen Predictive-Maintenance-Toolbox von Mathworks können Entwickler Algorithmen für die Zustandsüberwachung und für Predictive Maintenance entwerfen und testen. Die Toolbox bietet Funktionen, um Daten zu strukturieren, Maschinenzustände zu überwachen und Geräteausfälle zu vermeiden.

05. Juli 2018
Die Predictive-Maintenance-Toolbox kann beim Training von Vorhersagemodellen helfen, die die wirtschaftliche Restlebensdauer schätzen und Konfidenzintervalle für die Vorhersage bereitstellen können. (Bild: Mathworks)
Bild 1: Toolbox für die Zustandsüberwachung (Die Predictive-Maintenance-Toolbox kann beim Training von Vorhersagemodellen helfen, die die wirtschaftliche Restlebensdauer schätzen und Konfidenzintervalle für die Vorhersage bereitstellen können. (Bild: Mathworks))

Mit der Predictive-Maintenance-Toolbox können Entwickler Sensordaten analysieren und simulierte Ausfalldaten labeln, die sie aus Simulink-Modellen erzeugen, um Geräteausfälle darzustellen. Mit Methoden der Signalverarbeitung und der dynamischen Modellierung können Entwickler Daten vorverarbeiten und Merkmale extrahieren, mit denen der Zustand einer Maschine überwacht werden kann.

Selbst Algorithmen entwickeln

Mit Survival-, Ähnlichkeits- und Trend-basierenden Modellen für die Vorhersage der wirtschaftlichen Restlebensdauer können Entwickler die Zeit bis zum Ausfall einer Maschine schätzen. Die Toolbox umfasst Referenzbeispiele für Motoren, Getriebe, Batterien und andere Maschinenteile, die wiederverwendet werden können, um selbst Algorithmen für Predictive Maintenance und für die Zustandsüberwachung zu entwickeln.

Damit können jetzt die Algorithmen entwickelt und validiert werden, die zur Vorhersage möglicher Geräteausfälle auftreten. Bei der Entwicklung dieser Algorithmen wird auf historische Daten zugegriffen, die in lokalen Dateien, in Cloud-Speichersystemen gespeichert sind.

 

Interaktive Apps zum Trainieren

Eine weitere Datenquelle sind Simulationsdaten aus physikalischen Modellen der Geräte, die unter anderem ihre Ausfalldynamik darstellen. Entwickler können aus diesen Daten die am besten geeigneten Merkmale extrahieren und auswählen und dann interaktive Apps verwenden, um Machine-Learning-Modelle anhand dieser Merkmale zu trainieren und so Geräteausfälle vorherzusagen oder zu erkennen.

Predictive Maintenance ist eine wichtige Anwendung des Industrial Internet of Things. „Ingenieure haben generell keinen Hintergrund in Machine Learning. Daher stellt die Entwicklung von Algorithmen für Predictive Maintenance sie vor besondere Herausforderungen“, erklärt Paul Pilotte, Technical Marketing Manager, Mathworks. „Jetzt können diese Teams schnell einsteigen, indem sie mithilfe der Predictive Maintenance Toolbox erlernen, wie sie diese Algorithmen entwerfen und testen können.“