基于MATLAB的预测性维护
查看日程安排和注册课程详细信息
这个为期两天的课程着重于预测维护和状态监测工作流程所需的数据分析、信号处理和机器学习技术。与会者将学习如何使用MATLAB导入数据,提取特征,并估计设备的状态和剩余使用寿命。
主题包括:
- 导入和组织数据
- 无监督异常检测
- 创建监督故障分类模型
- 预处理以提高数据质量
- 提取时域和频域特征
- 估算剩余使用寿命(RUL)
- 与应用程序的交互工作流
2天中的第一天
导入数据和处理数据
摘要目的:将数据导入MATLAB并组织分析,包括处理缺失值。通过提取和操作部分数据来处理原始导入数据。
- 使用MATLAB数据类型存储数据
- 使用数据存储导入
- 处理缺少元素的数据
- 用高数组处理大数据
在数据中寻找自然模式
摘要目的:使用无监督学习技术根据一组条件指标对观察结果进行分组,并在数据集中发现自然模式。
- 在数据中查找自然簇
- 执行降维
- 评估和解释数据中的集群
建筑物分类模型
摘要目的:使用监督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。
- 使用分类学习者应用程序进行分类
- 从标记的数据训练分类模型
- 验证训练过的分类模型
- 通过超参数优化提高性能
2天中的第二天
探测和分析信号
摘要目的: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
- 对信号进行测量
- 在时域和频域比较多个信号
- 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
预处理信号以提高数据集质量和生成特征
摘要目的:学习通过重采样、去除异常值和填充空白等操作来清理信号集的技术。交互式生成和排序功能。
- 使用重采样来处理非均匀采样信号
- 填补均匀采样信号的空白
- 执行重采样以确保跨信号的公共时基
- 使用信号分析仪应用程序来设计和应用滤波器
- 使用文件集成数据存储导入数据
- 使用诊断功能设计器应用程序自动生成和排序功能
- 使用包络谱进行机械诊断
- 定位异常值并替换为可接受的样本
- 检测变化点并执行自动信号分割
估计发生故障的时间
摘要目的:研究数据以识别特征并训练决策模型来预测剩余的使用寿命。
- 选择条件指示器
- 使用生存模型使用寿命数据来估计剩余的有用寿命
- 使用运行到阈值数据,使用退化模型估计剩余可用寿命
- 使用运行到故障的数据,使用相似模型来估计剩余的可用寿命