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.