Predictive Maintenance with MATLAB
查看时间表和注册课程详情
这项为期两天的课程着重于数据分析,信号处理和机器学习技术,用于预测性维护和状况监视工作流程。与会者将学习如何使用MATLAB导入数据,提取功能并估算设备的状况和剩余使用寿命。
主题包括:
- 导入和组织数据
- 无监督的异常检测
- 创建监督的故障分类模型
- Preprocessing to improve data quality
- 提取时间和频域特征
- Estimating Remaining Useful Life (RUL)
- 与应用程序的交互式工作流程
第2天的第2天
导入数据和处理数据
客观的:Bring data into MATLAB and organize it for analysis, including handling missing values. Process raw imported data by extracting and manipulating portions of data.
- 使用MATLAB数据类型存储数据
- Import with datastores
- Process data with missing elements
- 用高阵列处理大数据
Finding Natural Patterns in Data
客观的:根据一组条件指标,使用无监督的学习技术来进行小组观察,并在数据集中发现自然模式。
- 在数据中找到自然簇
- 降低维度
- 评估和解释数据中的簇
建筑分类模型
客观的:使用监督的学习技术对分类问题进行预测建模。评估预测模型的准确性。
- Classify with the Classification Learner app
- 来自标签数据的火车分类模型
- Validate trained classification models
- 通过优化高参数来提高性能
第2天的第2天
探索和分析信号
客观的:交互式探索和可视化数据中的信号处理功能。
- 导入,可视化和浏览信号以获得见解
- Make measurements on signals
- 比较时间和频域中的多个信号
- Perform interactive spectral analysis
- 提取兴趣区域
- 生成用于自动化的MATLAB脚本
预处理信号以提高数据集质量并生成功能
客观的:学习以清洁信号集的技术,并通过重新采样,删除异常值和填充空白等操作。互动生成和等级功能。
- 使用重采样来处理非均匀采样信号
- 填充均匀采样信号中的空白
- 进行重新采样以确保跨信号的共同时间基础
- 使用Signal Analyzer应用程序设计和应用过滤器
- 使用文件集合数据存储来导入数据
- 使用诊断功能设计器应用程序自动生成和排名功能
- 使用信封spectru执行机械诊断m
- 找到异常值并替换为可接受的样品
- 检测更改点并执行自动信号分割
估计失败时间
客观的:探索数据以识别功能和训练决策模型,以预测剩余的使用寿命。
- 选择条件指标
- Use lifespan data to estimate remaining useful life using survival models
- 使用阈值数据使用降解模型估算剩余使用寿命
- Use run-to-failure data to estimate remaining useful life using similarity models