案例分享使用数字孪生体进行预测性维护
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维
护的机器学习算法。将该算法导出到 Simulink 等模拟软件中进行验证，
然后将代码部署到机器的控制单元中。
在典型的故障条件下，不可能总是从现场物理设备中获取数据。
让现场发生故障可能会导致灾难性的后果，并致使设备损坏。在可控
情况下故意制造故障可能会带来费时而昂贵的后果，甚至难以实现。
解决这一难题的方法是创建设备的数字孪生体，并通过模拟为各
种故障情况生成传感器数据。这种方法使工程师能够生成预测性维护
工作流所需的所有传感器数据，包括针对所有可能的故障组合和不同
严重程度故障的测量数据。
◆ ◆ ◆ ◆
本文将讨论如何使用 MATLAB、Simulink 和 Simscape 设计三缸
泵的预测性维护算法（图 1）。
我们将在 Simscape 中创建实际泵体的一个数字孪生体，对其进
行调优以匹配测量数据，然后使用机器学习创建预测性维护算法。该
算法只需要出口泵压就能识别出哪些部件或部件组合可能会出现故障。
资源评论
