Schulungen zu MATLAB und Simulink

Predictive Maintenance mit MATLAB

Programm ansehen und anmelden

Kursbeschreibung

Dieser zweitägige Kurs konzentriert sich auf Techniken aus der Signalverarbeitung und dem Machine Learning für Anwendungen im Predictive Maintenance und in der Zustandsüberwachung. Sie importieren Daten, extrahieren Merkmale und sagen den Zustand sowie die Restnutzungsdauer von Anlagen vorher.

Themen sind unter anderem:

  • Datenimport und Datenorganisation
  • Anomaliedetektion mit unüberwachtem Lernen
  • Erstellen von Modellen zur Klassifikation von Fehlerzuständen mit überwachtem Lernen
  • Vorverarbeitung zur Erhöhung der Datenqualität
  • Extraktion von Merkmalen im Zeit- und Frequenzbereich
  • Vorhersage der Restnutzungsdauer
  • Interaktive Workflows mit Apps

Tag 1 von 2


Datenimport und Datenorganisation

Ziel: Laden und Organisieren von Daten in MATLAB für die Auswertung, sowie Umgang mit fehlenden Daten. Verarbeiten von Rohdaten durch Extraktion und Manipulation von Teildatensätzen.

  • Speichern von Daten in MATLAB Datentypen
  • Importieren von Daten mit Datastores
  • Verarbeiten von Daten mit fehlenden Werten
  • Verarbeiten großer Datensätze mit Tall Arrays

Erkennen natürlicher Muster in Daten

Ziel: Mit unüberwachtem Lernen Beobachtungen anhand von Zustandsindikatoren gruppieren und natürliche Muster im Datensatz aufdecken.

  • Clusteranalyse am Datensatz
  • Durchführen von Dimensionsreduktionen
  • Bewertung und Interpretation von Clustern

Erstellen von Klassifikationsmodellen

Ziel: Mit überwachtem Lernen Vorhersagemodelle für Klassifikationsprobleme erstellen und bewerten der Modellgüte.

  • Klassifikation mit der Classification Learner App
  • Trainieren von Klassifikationsmodellen aus Datensätzen
  • Validierung trainierter Klassifikationsmodelle
  • Verbesserung der Güte durch Optimierung der Hyperparameter

Tag 2 von 2


Untersuchen und Analysieren von Signalen

Ziel: Interaktives Untersuchen und Visualisieren von Merkmalen der Signalverarbeitung in Datensätzen.

  • Importieren, Visualisieren und Durchsuchen von Signalen für den Erkenntnisgewinn
  • Durchführen von Signalmessungen
  • Vergleichen von Signalen im Zeit- und Frequenzbereich
  • Durchführen interaktiver Spektralanalysen
  • Extrahieren von Regions of Interest
  • Generieren von MATLAB-Skripten für die Automatisierung

Vorverarbeiten von Signalen zur Erhöhung der Datenqualität und zur Merkmalsgenerierung

Ziel: Bereinigen von Signalen mit Operationen wie Resampling, Ausreißeranalyse und Interpolation. Interaktives Generieren und Sortieren von Merkmalen.

  • Resampling für ungleichmäßig abgetastete Signale
  • Füllen von Datenlücken in gleichmäßig abgetasteten Signalen
  • Resampling für die Synchronisierung von Signalen
  • Auslegen und Anwenden von Filtern mit der Signal Analyzer App
  • Importieren von Daten mittels File Ensemble Datastores
  • Automatisiertes Generieren und Sortieren von Merkmalen mit der Diagnostic Feature Designer App
  • Anlagendiagnose mit dem einhüllenden Spektrum
  • Finden von Ausreißern und Ersetzen durch geeignete Werte
  • Finden von Wechselpunkten und Durchführen automatischer Signalzerlegungen

Abschätzen der Restlebensdauer

Ziel: Untersuchen von Daten, um Merkmale zu identifizieren und Modelle für die Vorhersage von Restlebensdauern (remaining useful life) zu trainieren.

  • Auswahl von Zustandsindikatoren
  • Schätzen der Restlebensdauer mit Lebensdauerdaten in Überlebenszeitmodellen
  • Schätzen der Restlebensdauer mit Schwellwertdaten in Degradierungsmodellen
  • Schätzen der Restlebensdauer mit Ausfalldaten in Ähnlichkeitsmodellen

Stufe: Aufbaukurse

Voraussetzungen:

Dauer: 2 Tage

Sprachen: English, 日本語, 한국어, 中文

Programm ansehen und anmelden