模拟量输入 G32101111//数字量双输入模块 G50102206
¥15400.00
DP网关 G38910020*//485网关 SD2DUG24
¥15400.00
红外探测器 G85101127//G89101127//滴一声，愁一点
¥1540.00
红外探测器 G89102129、G89101101//垂一珠，凉一夜
¥15410.00
水浸传感器 G89102116、G89205517//心中照亮芳意千重的诗行。
¥15100.00
今日宣布推出新的 MATLAB 产品 Predictive Maintenance Toolbox，帮助工程师设计并测试状态监测和预测性维护算法。Predictive Maintenance Toolbox 为算法工程师提供了一系列功能和参考范例，用来组织数据、设计状态指标、监测机器运行状况和预估剩余使用寿命 (RUL)，从而避免设备故障。
借助 Predictive Maintenance Toolbox，工程师能分析和标注从存储于本地或云端的文件中导入的传感器数据。他们还能标注从 Simulink 模型生成的仿真故障数据以表征设备故障。利用在频谱分析和时序分析等技术所构建的信号处理和动态建模方法，工程师能够预处理数据并提取可用来监测机器状态的特征。使用生存分析、相似性分析和基于趋势的模型来预测 RUL，可帮助工程师预估机器发生故障的时间。该工具箱包括发动机、变速箱、电池和其他机器的参考范例，可以复用以开发自定义的预测性维护和状态监测算法。
UserI/O board A5E32100313
SIB A5E36968571
柜顶风机A5E32406616
功率单元A5E42881719
单元熔断器A5E35399062?
NXGpro+power supply (2.5A)A5E48177765
NXGpro+power supply (5A)A5E48177766
NXGpro DCR 21 Cell A5E45508683002
UserI/O board POWER SUPPLY A5E37356659
UPS A5E35632577
FIBER OPTIC 光纤A5E45127010
功率单元柜风机A5E31418276
滤棉（345*140*8）A5E03935625
功率单元A5E39021149
单元熔断器A5E39696191
ABB模块 PM554-TP-ETH
阀位开关TPX-P2CGNPM
功率单元A5E39021143?6SR5-76A?750V
控制器SPBRC410
模拟量输入子模件 SPASI23
模拟量输入子模件 SPFEC12
数字量输入子模件SPDSI22
模拟量输入子模件SPASO11
数字量输出子模件 SPDSO14
模拟量输入端子板 NTAI05
数字量输入端子板 NTDI21
数字量输出端子板 NTR002
模拟量输出端子板 NTDI01
模拟量输入端子板 NTAI06
通讯控制器（包含冗余连接电缆）SPNPM22
通讯子模件 SPNIS21
通讯预制电缆 NKLS01-15
通讯环路端子板NTCL01
预制电缆 NKAS01-15
通用预制电缆 NKTU01-15
模件安装单元 MMU21
端子板安装背板 NFTP01
预制电缆 NKEB01
跨接片DIPSHUT
冗余电缆BRC3000B
控制系统模拟量输入模件\369B1841G5006
控制系统开关量输出模件\369B1844G5004
限位开关QN2AK02HDM
限位开关QN4NK05NDM
MOOG伺服阀G771K202A
STONEL限位开关QN2ACK02HDM
STONEL限位开关QN4NCK05NDM
功率单元A5E33723142
QX4HK03HDM/StoneL限位开关
QX5OK02HDM/StoneL阀位变送器
StoneL限位开关QX2GK03HDM
StoneL限位开关QX2HK02HDM
StoneL限位开关QX2HN03HDM
AI卡件XAI-81-24（mA/V），上海新华
以太网通讯摸件，Xcc-net/X2336117，上海新华
控制器LXV404.99.00202
火检光纤3VCN-2055
外套管SF810-OGP-F-2800-N
功率单元6SR4902-0AE00-5AD0新型号LDZ10500494.200
超声波液位计7ML5201-0EA0
功率单元A5E31459864
功率单元6SR4502-5MC41-5BF1/A5E31459864
中压变频器 DCR主控器A5E33032458
中压变频器 CPS电源A5E44722441
中压变频器 SIB信号采集A5E36968571
中压变频器 User I/O board A5E32100313
中压变频器 功率单元A5E33096198
中压变频器 单元冷却风机A5E31417482
中压变频器 变压器冷却风机A5E31418276
CPU模块^A1A0100521
DYNEX油泵 PF510-22-11新型号PF520-22-20
罗宾康压变频器功率单元控制板?A1A10000432.71M
检光纤 SF810-FO-G ABB 3m|根
逆变装置6SL3120-1TE32-0AA4
压力变送器IDP05S-T22B21FD-M1L1
液位计7ML5110-1GD07-4AF1
液位计7ML5110-1GD07-4AF3
HPB灭磁开关驱动保护壳HSBA231284P0001
MOOG控制系统电液伺服阀\J761-003
现在，工程师开发和验证必要的算法，通过监测传感器数据，以预测设备何时可能发生故障，或检测任何潜在的异常现象。这些算法可以通过访问存储在本地文件系统、云存储系统（如 Amazon S3 和 Windows Azure Blob 存储）或 Hadoop 分布式文件系统上的历史数据，得以开发。另一个数据源是来自包含故障动态的设备物理模型的仿真数据。工程师可以从此数据中提取和选择最合适的特征，然后借助交互式应用程序，用这些特征训练机器学习模型，以预测或检测设备故障。
“预测性维护是工业物联网的一个重要应用。它对于减少不必要的维护成本和消除计划外停机十分关键。那些通常没有机器学习或信号处理背景的工程师会发现，设计预测性维护的算法特别具有挑战性。” MathWorks 公司技术市场经理 Paul Pilotte 说，“现在，通过使用 Predictive Maintenance Toolbox 学习如何设计和测试这些算法作为起点，这些团队能够快速上手并提高。”
在线问
