nach oben
Meine Merkliste
Ihre Merklisteneinträge speichern
Wenn Sie weitere Inhalte zu Ihrer Merkliste hinzufügen möchten, melden Sie sich bitte an. Wenn Sie noch kein Benutzerkonto haben, registrieren Sie sich bitte im Hanser Kundencenter.

» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.
Ihre Merklisten
Wenn Sie Ihre Merklisten bei Ihrem nächsten Besuch wieder verwenden möchten, melden Sie sich bitte an oder registrieren Sie sich im Hanser Kundencenter.
» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.

« Zurück

Ihre Vorteile im Überblick

  • Ein Login für alle Hanser Fachportale
  • Individuelle Startseite und damit schneller Zugriff auf bevorzugte Inhalte
  • Exklusiver Zugriff auf ausgewählte Inhalte
  • Persönliche Merklisten über alle Hanser Fachportale
  • Zentrale Verwaltung Ihrer persönlichen Daten und Newsletter-Abonnements

Jetzt registrieren
Merken Gemerkt
06.06.2018

Softwaretool unterstützt Zustandsüberwachung von Produktionsanlagen

Um unnötige Wartungskosten und ungeplante Ausfallzeiten von Maschinen und Anlagen zu vermeiden findet im Industrial Internet of Things Predictive Maintenance Anwendung. Für die Entwicklung von Algorithmen für Predictive Maintenance hat ein Softwareanbieter ein Tool entwickelt, mit dem Algorithmen entworfen und getestet werden können.

Der Aachener Softwareanbieter MathWorks stellt die Predictive Maintenance Toolbox vor, ein neues Produkt zu ihrer Matlab-Software, mit dem Entwickler Algorithmen für die Zustandsüberwachung und für Predictive Maintenance (vorausschauende Wartung) entwerfen und testen können. Die Toolbox bietet Funktionen und Referenzbeispiele für Entwickler, die Algorithmen entwerfen, um Daten zu strukturieren, Zustandsindikatoren zu erstellen, Maschinenzustände zu überwachen und die wirtschaftliche Restlebensdauer zu schätzen und so Geräteausfälle zu vermeiden.

Entwickler können nun Sensordaten analysieren und labeln, die sie aus lokal oder in der Cloud gespeicherten Dateien importieren. Außerdem können sie simulierte Ausfalldaten labeln, die sie aus Simulink-Modellen erzeugen, um Geräteausfälle darzustellen. Mit Methoden der Signalverarbeitung und der dynamischen Modellierung, die auf Techniken wie der Spektralanalyse und der Zeitreihenanalyse aufbauen, können Entwickler Daten vorverarbeiten und Merkmale extrahieren, mit denen der Zustand einer Maschine überwacht werden kann. Mit Survival-, Ähnlichkeits- und Trend-basierten 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.

Historische Daten nötig

Damit können jetzt die Algorithmen entwickelt und validiert werden, die benötigt werden, um vorherzusagen, wann möglicherweise ein Geräteausfall auftritt, oder um durch Überwachung von Sensordaten die zugrunde liegenden Abweichungen zu erkennen. Bei der Entwicklung dieser Algorithmen wird auf historische Daten zugegriffen, die in lokalen Dateien, in Cloud-Speichersystemen wie Amazon S3 und Windows Azure Blob Storage oder in einem Hadoop Distributed File System gespeichert sind. 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.

Mathworks GmbH
www.mathworks.de

Unternehmensinformation

The MathWorks GmbH

Friedlandstr. 18
DE 52064 Aachen
Tel.: 0241 4757-6700
Fax: 0241 4757-6710

Newsletter

Sie wollen immer top-aktuell informiert sein? Dann abonnieren Sie jetzt den kostenlosen Newsletter!

Hier kostenlos anmelden

Beispiel-Newsletter ansehen