Predictive Maintenance mit MATLAB

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
• Anomaliedetektion

Erstellen von Klassifikationsmodellen

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

• 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 der Restlebensdauer (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