Predictive Maintenance mit MATLAB
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: Aufbaukurs
Voraussetzungen:
Dauer: 2 Tage
Sprachen: Deutsch, English, 日本語, 한국어, 中文