预见性维护与MATLAB
课程详细信息
这两天的课程着重于数据分析,预测所需的信号处理和机器学习技术维护和状态监测工作流程。与会者将了解如何使用MATLAB导入数据,提取特征,并评估设备的条件和剩余使用寿命。
主题包括:
- 导入和组织数据
- 无监督异常检测
- 创建监管故障分类模型
- 预处理以提高数据质量
- 提取时间和频域特性
- 估计剩余使用寿命(原则)
- 交互式工作流应用程序
第一天2
导入数据和处理数据
摘要目的:将数据带入MATLAB和组织进行分析,包括处理缺失值。过程原始进口数据提取和操纵的部分数据。
- 使用MATLAB数据类型存储数据
- 导入的数据存储
- 处理数据缺失的元素
- 处理大数据与高数组
发现自然数据中的模式
摘要目的:使用无监督学习技术组观察基于一组条件指标和发现自然的模式在一个数据集。
- 找到自然簇内的数据
- 进行降维
- 评估和解释集群内的数据
构建分类模型
摘要目的:使用监督学习技术进行预测建模的分类问题。评估预测模型的准确性。
- 分类与分类学习者应用
- 从标记数据训练分类模型
- 验证训练分类模型
- 提高性能和hyperparameter优化
第二天2
探索和分析信号
摘要目的:交互式地探索和可视化在数据信号处理功能。
- 进口、可视化和浏览信号获得的见解
- 使测量信号
- 比较多个信号在时间和频率域
- 执行交互式光谱分析
- 提取感兴趣的区域
- 为自动化生成MATLAB脚本
预处理信号来提高数据集质量和生成功能
摘要目的:学习技术,清洁与操作,如重采样信号集,消除异常值,填补空白。交互地生成和排序功能。
- 使用重采样来处理非均匀采样信号
- 填补空白的均匀采样信号
- 在信号进行重采样,确保共同的时基
- 使用信号分析仪的应用程序设计和应用过滤器
- 使用文件整体数据存储进口数据
- 使用诊断功能设计应用程序自动生成和排序功能
- 执行机械使用包络谱诊断
- 定位异常值和替换为可接受的样品
- 检测changepoints并执行自动信号分割
估计时间失败
摘要目的:探索数据识别特性和培训决定模型预测剩余寿命。
- 选择条件指标
- 使用寿命数据使用生存模型来估计剩余使用寿命
- 使用run-to-threshold数据使用退化模型来估计剩余使用寿命
- 使用run-to-failure数据使用相似模型来估计剩余使用寿命
