C-MAPSS数据集是涡轮风扇发动机退化的模拟数据。这些数据是由美国宇航局使用商用模块化航空推进系统模拟(C-MAPSS)生成的。数据集包含21个传感器的多变量时间数据。有4个数据子集，FD00l、FD002、FD003和FD004，每个子集都有特定的运行条件和故障形式。每个数据子集都有一个训练集和一个测试集，训练集中记录的测量值是一直记录到发动机发生故障为止(run-tofailure实例)。而在测试集中，传感器记录值在故障前的某时刻终止，这样做的目的是为了预测该时刻的RUL。另外，还提供了测试数据集的真实剩余使用寿命（RUL）值。

这是一份调查报告，其中包括多个参考的摘要，以使您更好地理解该主题。 本文包括有关预测性维护的简要概述，并介绍了预测性维护的一些应用，同时也考虑了较早的研究，这些研究讨论了使用机器学习的多分类器方法进行预测性维护的各种方法。 预测性维护被引入各个行业和部门。 它有助于预测已经使用的机器设备的状况，从而告诉您是否需要维护。 与常规维护相比，在没有适当利用资源的情况下进行了不必要的更换，与定期维护相比，该技术可确保节省成本。 该技术的主要优点在于，它可以及时，方便地安排纠正性维护的时间，并可以防止意外的故障。 如果提前知道了那部分需要维护，我们可以相应地计划和工作。 这是连续的，模型或算法在使用过程中不断发展的迭代过程。

利用人工智能赋能制造业，人工智能可以大幅度提高制造企业的决策能力。人工智能可以大幅度提高制造企业的管理到位程度，保障各种规则与标准的有效落地。以往，在产品质量管理环节里，有许多完全依赖人工的工作量。

当工业设备发生故障时，导致的问题往往不是更换设备的费用，而是被迫停机。一条生产线静止不动可能意味着每分钟损失数千美元。定期维护可以帮助避免计划外停机，但不能保证设备不会发生故障。如果机器能显示出某个部件何时会发生故障呢？甚至如果机器能告诉您哪个部件需要更换呢？这样一来，计划外停机时间将大大减少。计划的维护只在必要时进行，而不是以固定的时间间隔进行。这便是预测性维护的目标：通过使用传感器数据预测何时需要维护，以此来避免停机。在任何预测性维护算法的开发过程中，核心都是传感器数据，传感器数据可以用来训练故障检测的分类算法。在预处理步骤中，将从这些数据中提取出有意义的特征，并使用这些特征训练用于预测

matlab预测性维护方案

探索NASA涡轮风扇数据集 此回购包含笔记本，其中包含有关NASA涡轮风扇降级数据集[2]上一小部分博客文章[1]的信息。 涡轮风扇数据集包括难度增加的4个独立挑战。 发动机在一开始就正常运行，但随着时间的流逝会出现故障。 对于每个挑战，列车中的引擎都会运行至故障。 测试集中的时间序列在失败之前“有时”结束。 目的是预测测试集中每个涡扇发动机的剩余使用寿命（RUL）。 请参阅下表以简要了解这些挑战。 数据集 运行条件 故障模式 火车尺寸（引擎数） 测试尺寸（发动机数量） FD001 1个 1个 100 100 FD002 6 1个 260 259 FD003 1个 2个 100 100 FD004 6 2个 248 249 笔记本用于浏览数据集并尝试各种建模技术（机器学习和神经网络）。 有关模型开发过程中所做的技术和选择的完整说明，我建议阅读博客文章[1]

当工业设备发生故障时，导致的问题往往不是更换设备的费用，而是被迫停机。一条生产线静止不动可能意味着每分钟损失数千美元。定期维护可以帮助避免计划外停机，但不能保证设备不会发生故障。如果机器能显示出某个部件何时会发生故障呢？甚至如果机器能告诉您哪个部件需要更换呢？这样一来，计划外停机时间将大大减少。计划的维护只在必要时进行，而不是以固定的时间间隔进行。这便是预测性维护的目标：通过使用传感器数据预测何时需要维护，以此来避免停机。在任何预测性维护算法的开发过程中，核心都是传感器数据，传感器数据可以用来训练故障检测的分类算法。在预处理步骤中，将从这些数据中提取出有意义的特征，并使用这些特征训练用于预测性

matlab预测性维护,matlab预测性维护工具箱,matlab源码.zip

轴承matlab代码三缸泵出现故障 版权所有2017-2020 The MathWorks（TM），Inc. 本示例为三缸泵建模。 三个柱塞连接到单个曲轴，曲轴销的相位相差120度。 结果是至少有一个腔室始终在排出，与单泵或双泵相比，该腔室产生的流量更平稳。 机械，液压和电气参数均在MATLAB中定义。 这使您可以轻松调整泵的尺寸。 默认参数适用于CAT Pumps泵型号1051，用于外壳的STEP文件是从CAT Pumps网站下载的。 本示例中包括失效组件的影响。 可以模拟由于密封件泄漏，入口堵塞，轴承磨损和电动机绕组损坏而导致的性能下降。 MATLAB代码展示了如何通过重用先前模拟的结果来加快测试速度。 打开项目Triplex_Pump.prj开始。

此示例使用预测性维护算法对三缸泵建模，该算法可以通过监视泵的输出压力来检测泵的哪些部分出现故障。 可以将泵的Simscape模型配置为对由于密封件泄漏，入口堵塞，轴承磨损和电动机绕组损坏而导致的性能下降进行建模。 MATLAB代码展示了如何通过重用先前模拟的结果来加快测试速度。 该模型可用于生成机器学习算法的训练数据，并可用于测试部署的算法。 MATLAB Live Scripts向您展示了如何开发算法。 机械，液压和电气参数均在MATLAB中定义，可让您轻松调整泵的尺寸。 泵壳是从CAD导入的。 请阅读README.md文件以开始使用。 使用上方的“从GitHub下载”按钮获取与最新版本的MATLAB兼容的文件。 使用下面的链接来获取与早期版本的MATLAB兼容的文件。 对于R2020b： https : //github.com/mathworks/Simscape-Triple