    使用 MATLAB 进行预测性维护课程培训

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
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