Manutenzione Predittiva con MATLAB

Giorno 1/2

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
• Rilevamento di anomalie

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 2/2

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