使用 MATLAB 进行预测性维护培训课程培训中心

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

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