预测潜在的设备故障
预测算法允许您通过监控来自机器的传感器数据来预测故障事件何时发生,从而避免设备故障。根据这些预测,您可以调整维护计划。这些预测算法为传统的预防性维护计划提供了一种替代方案,其中维护计划是由规定的时间轴确定的。
预测算法使客户和设备制造商能够:
- 通过在故障前识别问题,减少设备停机时间,从而延长设备寿命
- 只在必要时才安排设备服务,以避免不必要的维护成本
- 通过确定即将发生的故障和故障的根本原因,使设备更快地恢复在线
预测算法是成功的关键预见性维护项目。温度、压力、电压、噪声或振动测量是通过传感器收集的。这些数据是用各种统计和处理信号处理提取特征的技术称为条件指标.要监视设备的运行状况,可以使用数据聚类和分类或其他方法将这些状态指示器与已建立的故障状态标记进行比较机器学习技术。还可以使用条件指示器作为剩余使用寿命(RUL)估计模型训练预测算法。使用的RUL模型——基于相似度、基于趋势或基于生存——取决于可用的数据类型。最终的结果是一个预测算法,它可以对下一个故障事件进行分类和预测,并提供预测的置信度界限。
一旦验证,预测算法就可以在IT环境中操作,例如服务器或云。或者,预测算法可以直接在设备上的嵌入式系统中实现,实现更快的响应时间,并显著减少通过网络发送的数据量。
有关其他信息,请参见预见性维护工具箱™,统计和机器学习工具箱™,深度学习工具箱™.
例子和如何
软件参考
参见:数据科学,无监督学习,预测建模,规范的分析,预测维修工具箱,并行计算工具箱,信号处理工具箱,图像处理工具箱,统计和机器学习工具箱,深度学习工具箱,MATLAB,数据库工具箱,人工智能,状态监测