Predictive Maintenance mit MATLAB und Simulink

Übersicht

Predictive Maintenance (oder vorausschauende Instandhaltung) ist die intelligente Überwachung von Maschinen zur Vermeidung zukünftiger Ausfälle. Anders als bei der vorbeugenden Instandhaltung sind die Wartungsintervalle nicht von vornherein festgelegt, sondern werden durch Analyse-Algorithmen auf Basis von Sensordaten ermittelt und optimiert.

In diesem Webinar zeigen wir, wie gemessene Daten mit Techniken aus der Statistik und der Signalverarbeitung zunächst aufbereitet werden und anschließend für die Überwachung von Zuständen der Maschinen und Anlagen verwendet werden, indem die Daten mit bekannten Merkmalen von Fehlerzuständen verglichen werden. Hierzu werden Clustering und Klassifizierung von Daten sowie weitere Techniken des Machine Learning eingesetzt und Methoden zum Remaining Useful Life (RUL) erläutert.

Bei einem modellbasierten Ansatz können diese Daten zudem eingesetzt werden, um vorausschauende Modelle des Systemverhaltens für die Zustandsüberwachung zu erstellen. Solche Modelle werden dann genutzt, um Veränderungen am Zustand der jeweiligen Maschine zu verfolgen und die wirtschaftliche Restlebensdauer vorherzusagen.  

Nach Test und Validierung können Predictive Maintenance Algorithmen in bestehenden IT-Umgebungen, etwa einer Server- oder Cloud-Umgebung, mittels Codegenerierung direkt in einem Embedded System eingesetzt werden.

Highlights

• Überblick über Machine Learning Techniken
• Survival, similarity, und time-series Modelle für die Vorhersage von RUL(remaining useful life)
• Überblick über Feature Extraktion in der Zeit-, Frequenz-, und Zeit-Frequenz-Domäne
• Fehler-Daten Generierung aus Simulink
• Beispiele für die Erstellung von Predictive Maintenance Algorithmen