Mantenimiento predictivo con MATLAB

Día 1 de 2

Importar y procesar datos

Objetivo: Importe datos en MATLAB y organícelos para su análisis, incluido el manejo de valores ausentes. Procese los datos importados en bruto extrayendo y manipulando porciones de datos.

• Almacenar datos usando tipos de datos de MATLAB
• Importar mediante almacenes de datos
• Procesar datos con elementos ausentes
• Procesar grandes cantidades de datos con arreglos altos

Encontrar patrones naturales en los datos

Objetivo: Utilice técnicas de aprendizaje no supervisado para agrupar observaciones basadas en un conjunto de indicadores de condición y descubrir patrones naturales en un conjunto de datos.

• Buscar clusters naturales dentro de los datos
• Realizar reducción de dimensionalidad
• Evaluar e interpretar clusters dentro de los datos

Crear modelos de clasificación

Objetivo: Utilice técnicas de aprendizaje supervisado para crear modelos predictivos de problemas de clasificación. Evalúe la precisión de un modelo predictivo.

• Clasificar con la app Classification Learner
• Entrenar modelos de clasificación a partir de datos etiquetados
• Validar modelos de clasificación entrenados
• Mejorar el rendimiento con la optimización de hiperparámetros

Día 2 de 2

Explorar y analizar señales

Objetivo: Explore y visualice las funcionalidades de procesamiento de señales en los datos de manera interactiva.

• Importar, visualizar y explorar señales para obtener información
• Realizar mediciones en señales
• Comparar varias señales en los dominios de tiempo y frecuencia
• Realizar análisis del espectro interactivo
• Extraer regiones de interés
• Generar scripts de MATLAB para la automatización

Preprocesar señales para mejorar la calidad del conjunto de datos y generar características

Objetivo: Aprenda técnicas para limpiar conjuntos de señales con operaciones como volver a muestrear, eliminar valores atípicos y llenar los vacíos. Genere y clasifique características de manera interactiva.

• Utilizar un nuevo muestreo para manipular señales obtenidas con muestreo no uniforme
• Llenar los vacíos de señales obtenidas con muestreo uniforme
• Realizar un nuevo muestreo para garantizar una base temporal común entre las señales
• Utilizar la app Signal Analyzer para diseñar y aplicar filtros
• Utilizar almacén de datos conjunto de archivos para importar datos
• Utilizar la app Diagnostic Feature Designer para generar y clasificar características automáticamente
• Realizar un diagnóstico de maquinaria mediante el espectro envolvente
• Localizar valores atípicos y reemplazarlos con muestras correctas
• Detectar puntos de cambio y realizar la segmentación automática de señales

Estimar el tiempo hasta el fallo

Objetivo: Explore los datos para identificar características y entrene modelos de decisión para predecir la vida útil restante.

• Seleccionar indicadores de condición
• Utilizar datos de vida útil para estimar la vida útil restante mediante modelos de supervivencia
• Utilizar datos de umbral para estimar la vida útil restante mediante modelos de degradación
• Utilizar datos de fallo para estimar la vida útil restante mediante modelos de similitud