Formazione MATLAB e Simulink

Manutenzione Predittiva con MATLAB

Dettagli dei corsi

Questo corso di due giorni si focalizza sulle tecniche di analisi dei dati, di elaborazione dei segnali e di Machine Learning necessarie per i workflow della manutenzione predittiva e del monitoraggio delle condizioni. I partecipanti impareranno a utilizzare MATLAB per importare dati, estrarre feature e stimare le condizioni e la vita utile residua dei dispositivi.

Elenco degli argomenti:

  • Importazione e organizzazione di dati
  • Rilevamento di anomalie senza supervisione
  • Creazione di modelli di classificazione degli errori con supervisione
  • Pre-elaborazione per il miglioramento della qualità dei dati
  • Estrazione delle feature dei domini di tempo e frequenza
  • Stima della vita utile residua (RUL)
  • Workflow interattivi con applicazioni

Giorno 1


Importazione ed elaborazione di dati

Obiettivo: Importare i dati in MATLAB e organizzarli per l'analisi, inclusa la gestione dei valori mancanti. Elaborare i dati grezzi importati estraendo e modificando porzioni di dati.

  • Memorizzazione dei dati utilizzando tipi di dati di MATLAB
  • Importazione tramite datastore
  • Elaborazione dei dati con elementi mancanti
  • Elaborazione di Big Data con tall array

Ricerca di pattern naturali nei dati

Obiettivo: Utilizzare tecniche di apprendimento senza supervisione per raggruppare osservazioni in base a un set di indicatori di condizione e individuare pattern naturali in un set di dati.

  • Individuazione di cluster naturali nei dati
  • Esecuzione della riduzione della dimensionalità
  • Valutazione e interpretazione di cluster nei dati

Costruzione di modelli di classificazione

Obiettivo: Utilizzare tecniche di apprendimento con supervisione per eseguire la modellazione predittiva per problemi di classificazione. Valutare la precisione di un modello predittivo.

  • Classificazione con l'applicazione Classification Learner
  • Addestramento di modelli di classificazione da dati etichettati
  • Convalida dei modelli di classificazione addestrati
  • Miglioramento delle prestazioni con l'ottimizzazione di iperparametri

Giorno 2


Esplorazione e analisi dei segnali

Obiettivo: Esplorare e visualizzare in modo interattivo le feature di elaborazione dei segnali nei dati.

  • Importazione, visualizzazione ed esplorazione dei segnali per ottenere informazioni
  • Misurazioni su segnali
  • Confronto di molteplici segnali nei domini del tempo e della frequenza
  • Esecuzione di analisi spettrale interattiva
  • Estrazione di regioni di interesse
  • Generazione di script MATLAB per l'automazione

Pre-elaborazione di segnali per migliorare la qualità dei dati e generare feature

Obiettivo: Imparare le tecniche per ripulire i set dei segnali con operazioni come il ricampionamento, la rimozione di outlier e il riempimento di dati mancanti. Generare e classificare le feature in modo interattivo.

  • Utilizzo del ricampionamento per gestire segnali non campionati in modo uniforme
  • Riempimento dei dati mancanti in segnali campionati in modo uniforme
  • Esecuzione del ricampionamento per garantire una base temporale comune tra i segnali
  • Utilizzo dell'applicazione Signal Analyzer per la progettazione e l'applicazione di filtri
  • Utilizzo di File Ensemble Datastore per l'importazione dei dati
  • Utilizzo dell'applicazione Diagnostic Feature Designer per generare e classificare feature in modo automatico
  • Esecuzione della diagnosi dei macchinari tramite spettro di inviluppo
  • Individuazione di outlier e sostituzione con campioni accettabili
  • Rilevamento di changepoint ed esecuzione della segmentazione automatica dei segnali

Stima del tempo prima del guasto

Obiettivo: Esplorare i dati per identificare le feature e addestrare modelli decisionali per prevedere la vita utile residua (RUL).

  • Selezione degli indicatori di condizione
  • Utilizzo di dati sulla durata della vita per la stima della vita utile residua tramite modelli di durata
  • Utilizzo di dati run-to-threshold per la stima della vita utile residua tramite modelli di degradazione
  • Utilizzo di dati run-to-failure per la stima della vita utile residua tramite modelli di somiglianza

Livello: Intermedio

Prerequisiti:

Durata: 2 giorni

Lingue: Deutsch, English, 日本語, 한국어, 中文