MATLAB 和 Simulink 培训

使用 MATLAB 进行预测性维护

查看时间表并报名

课程详细信息

本课程为期两天,针对预测性维护和状态监控的工作流程, 集中介绍了其中常用的数据分析,信号处理和机器学习技巧。 学员将会学习如何使用MATLAB导入数据, 提取特征, 估计设备的工作状态,以及剩余使用寿命。

内容包括:

  • 导入和组织数据
  • 创建自定义可视化
  • 创建分类和回归模型
  • 预处理数据以提高数据质量, 以及提取时域和频域特征
  • 估计剩余使用寿命(RUL)
  • 使用App进行交互式工作流探索

第1天/共2天


数据导入及处理

目标:将数据导入 MATLAB 并组织数据以进行分析,包括 处理缺失值。通过提取和操作数据来处理导入的原始数据。

  • 使用MATLAB数据类型存储数据
  • 使用datastore导入数据
  • 处理数据中的缺失元素
  • 使用tall array处理大数据

发现数据中的自然模式

目标:使用无监督学习方法,基于一套状态指标对观察值进行分组, 并且发现数据集中的自然模式。

  • 发现数据中的自然聚类
  • 降维处理
  • 评估和解读数据中的聚类

建立分类模型

目标:使用有监督学习的方法对分类问题进行预测建模, 以及评估预测模型的准确度。

  • 使用Classification Learner App进行分类
  • 使用标签数据训练分类模型
  • 验证训练过的分类模型
  • 使用超参数优化提高性能

第2天/共2天


探索和分析信号

目标:交互式探索和可视化数据中信号处理特征。

  • 导入,可视化和浏览信号以深入理解信号
  • 执行信号测量
  • 在时域和频域比较多个信号
  • 执行交互式的频谱分析
  • 提取感兴趣区以聚焦分析
  • 生成 MATLAB 自动化脚本

预处理信号以提高数据集质量和生成特征

目标:学习使用如重采样、消除异常值以及填充间隙等技巧对信号集进行清洗。 交互式的生成特征并排序。

  • 使用重采样处理非均匀采样信号
  • 填充均布采样信号中的间隙
  • 执行重采样以确保不同信号具备相同时间基准
  • 利用 Signal Analyzer App设计滤波器并应用滤波器
  • 使用File Emsemble Datastore导入数据
  • 使用Diagnostic Feature Designer App自动生成特征并排序
  • 使用包络谱进行机器故障诊断
  • 定位异常值并替换为可接受样本
  • 发现变异点及执行自动信号分割

估计失效时间

目标:探索数据以识别特征,以及训练决策模型, 进而预测剩余使用寿命。

  • 选择状态指标
  • 使用全生命周期数据结合生存模型估计剩余使用寿命
  • 使用运行至寿命阈值数据结合退化模型估计剩余使用寿命
  • 使用运行至失效数据结合相似度模型估计剩余使用寿命

难度: 中级

课程要求:

持续时间: 2 天

语言: English, 日本語, 한국어, 中文

查看时间表并报名