Kestirimci Bakım

Mühendisler, kurumsal BT ve OT sistemlerine durum izleme ve kestirimci bakım yazılımı geliştirmek ve dağıtmak için MATLAB, Simulink ve Predictive Maintenance Toolbox kullanır.

Bulut depolamaya, ilişkisel ve ilişkisel olmayan veritabanlarına ve REST, MQTT ve OPC UA gibi protokollere yerleşik arayüzler kullanarak akışa ve arşivlenmiş verilere erişin. 

Sinyal işleme ve istatistiksel teknikler için uygulamaları kullanarak ekipman sağlığını izlemek için verileri ön işleyin ve özellikleri çıkarın. 

Arızaların temel nedenini izole etmek ve arızaya kadar geçen süreyi ve kalan faydalı ömrü (RUL) tahmin etmek için makine öğrenimi modelleri geliştirin. 

C / C ++, Python, HDL, PLC, GPU, .NET veya Java tabanlı yazılım bileşenlerini otomatik olarak oluşturarak, gömülü sistemler, uç cihazlar ve bulut gibi işletim içi sistem tercihinize göre algoritmalar ve modeller dağıtın.

Verilere Bulunduğu Yerden Erişin

Ekipmandan gelen veriler yapılandırılmış veya yapılandırılmamış olabilir ve yerel dosyalar, bulut (ör. AWS  S3, Azure Blob), veritabanları ve veri tarihçileri gibi birden çok kaynakta bulunabilir . Verileriniz nerede olursa olsun, ona MATLAB ile ulaşabilirsiniz. Yeterli arıza verisine sahip olmadığınız zaman, sinyal hatalarını enjekte ederek ve sistem arıza dinamiklerini modelleyerek makine ekipmanınızın Simulink modelinden üretebilirsiniz.

Basitleştirmek için Verilerinizi Temizleyin ve Keşfedin

Veriler dağınık. MATLAB ile onu önceden işleyebilir, boyutluluğunu azaltabilir ve özellikleri tasarlayabilirsiniz.

Gelişmiş sinyal işleme tekniklerini kullanarak gürültüyü kaldırın, verileri filtreleyin ve geçici veya değişen sinyalleri analiz edin. 

Özellik çıkarma ve seçme için istatistiksel ve dinamik yöntemler kullanarak veri kümelerini basitleştirin ve tahmine dayalı modellerin aşırı uyumunu azaltın. 

Makine Öğrenimini Kullanarak Hataları Algılama ve Tahmin Etme

Sınıflandırma, regresyon ve zaman serisi modelleme tekniklerini kullanarak arızaların temel nedenini belirleyin ve arızaya kadar geçen süreyi tahmin edin.

RUL’u tahmin etmek veya hata modlarını sınıflandırmak için en önemli değişkenleri etkileşimli olarak keşfedin ve seçin. 

Yerleşik işlevlerle birden çok tahmine dayalı modeli eğitin, karşılaştırın ve doğrulayın. 

Tahminlerdeki belirsizliği ölçmek için güven aralıklarını hesaplayın ve görselleştirin. 

Diğer çözümlerimiz için

Uygulama Alanları


© FİGES A.Ş. Tüm hakları saklıdır. Tasarım ordek.co.