Formación en MATLAB y Simulink

Mantenimiento predictivo con MATLAB

Detalles del curso

Este curso de dos días se centra en el análisis de datos, el procesamiento de señales y las técnicas de machine learning necesarias para los flujos de trabajo de mantenimiento predictivo y supervisión de condiciones. Los asistentes aprenderán a utilizar MATLAB para importar datos, extraer características y estimar la condición y la vida útil restante del equipo.

Temas incluidos:

  • Importar y organizar datos
  • Detección no supervisada de anomalías
  • Creación de modelos supervisados de clasificación de fallos
  • Preprocesado para mejorar la calidad de los datos
  • Extracción de las características de los dominios de tiempo y frecuencia
  • Estimar la vida útil restante (RUL)
  • Flujos de trabajo interactivos con aplicaciones

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

Nivel: Intermedio

Prerrequisitos:

Duración: 2 días

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