Maintenance Prédictive avec MATLAB

Jour 1 sur 2

Importer et prétraiter les données

Objectif: Introduire les données dans MATLAB et les organiser pour les analyser, en particulier gérer les valeurs manquantes. Traiter les données brutes importées en extrayant et en manipulant des portions de données.

• Stocker les données en utilisant les types de données MATLAB
• Importer avec des datastores
• Traiter les données contenant des éléments manquants
• Traiter les big data avec des tall arrays

Recherche de motifs (patterns) dans les données

Objectif: Utiliser des techniques d'apprentissage non supervisé pour regrouper des observations basées sur un ensemble d'indicateurs de conditions et découvrir des motifs (patterns) dans un ensemble de données.

• Trouver des clusters naturels dans les données
• Réduire la dimensionnalité
• Évaluer et interpréter les clusters dans les données
• Détection d'anomalies

Construction d'un modèle de classification

Objectif: Utiliser des techniques d'apprentissage supervisé pour effectuer une modélisation des problèmes de classification. Evaluer la précision d'un modèle prédictif.

• Classifier avec l'application Classification Learner
• Entrainer les modèles de classification avec des données étiquetées
• Valider des modèles de classification entrainés
• Améliorer les performances avec l'optimisation des hyperparamètres

Jour 2 sur 2

Explorer et analyser des signaux

Objectif: Explorer et visualiser interactivement des caractéristiques de traitement du signal dans les données.

• Importer, visualiser et parcourir des signaux
• Effectuer des mesures sur les signaux
• Comparer plusieurs signaux dans les domaines temporel et fréquentiel
• Effectuer une analyse spectrale interactive
• Extraire les régions d'intérêt
• Générer des scripts MATLAB pour l'automatisation

Prétraiter les signaux pour améliorer la qualité des jeux de données et générer des caractéristiques

Objectif: Maîtriser les techniques pour nettoyer les signaux grâce à des opérations telles que le rééchantillonnage, la suppression de données aberrantes et la gestion des données manquantes. Générer et classer les caractéristiques de manière interactive.

• Utiliser le rééchantillonnage pour traiter les signaux échantillonnés de manière non uniforme
• Combler les lacunes des signaux échantillonnés uniformément
• Effectuer un rééchantillonnage pour assurer une base de temps commune à tous les signaux
• Utiliser l'application Signal Analyzer pour concevoir et appliquer des filtres
• Utiliser File Ensemble Datastore pour importer des données
• Utiliser l'application Diagnostic Feature Designer pour générer et classer automatiquement les caractéristiques
• Effectuer un diagnostic des machines en utilisant le spectre d'enveloppe
• Repérer les valeurs aberrantes et les remplacer par des échantillons acceptables
• Détecter les points de changement et effectuer une segmentation automatique du signal

Estimer le temps de fonctionnement avant panne

Objectif: Explorer les données pour identifier les caractéristiques et entrainer des modèles de décision pour prédire la durée de vie utile restante.

• Sélectionner les indicateurs de condition
• Utiliser les données sur la durée de vie pour estimer la durée de vie utile restante avec des modèles de survie
• Utiliser les données avant obsolescence pour estimer la durée de vie utile restante avec des modèles de dégradation
• Utiliser les données de probabilité d'une panne pour estimer la durée de vie utile restante avec des modèles de similarité