    使用 MATLAB 進行預測性維護課程培訓

導入和組織數據
創建自定義可視化
創建分類和回歸模型
預處理數據以提高數據質量， 以及提取時域和頻域特征
估計剩余使用壽命（RUL）
使用App進行交互式工作流探索
數據導入及處理

目標：將數據導入 MATLAB 并組織數據以進行分析，包括 處理缺失值。通過提取和操作數據來處理導入的原始數據。

使用MATLAB數據類型存儲數據
使用datastore導入數據
處理數據中的缺失元素
使用tall array處理大數據
發現數據中的自然模式

目標：使用無監督學習方法，基于一套狀態指標對觀察值進行分組， 并且發現數據集中的自然模式。

發現數據中的自然聚類
降維處理
評估和解讀數據中的聚類
建立分類模型

目標：使用有監督學習的方法對分類問題進行預測建模， 以及評估預測模型的準確度。

使用Classification Learner App進行分類
使用標簽數據訓練分類模型
驗證訓練過的分類模型
使用超參數優化提高性能

探索和分析信號

目標：交互式探索和可視化數據中信號處理特征。

導入，可視化和瀏覽信號以深入理解信號
執行信號測量
在時域和頻域比較多個信號
執行交互式的頻譜分析
提取感興趣區以聚焦分析
生成 MATLAB 自動化腳本
預處理信號以提高數據集質量和生成特征

目標：學習使用如重采樣、消除異常值以及填充間隙等技巧對信號集進行清洗。 交互式的生成特征并排序。

使用重采樣處理非均勻采樣信號
填充均布采樣信號中的間隙
執行重采樣以確保不同信號具備相同時間基準
利用 Signal Analyzer App設計濾波器并應用濾波器
使用File Emsemble Datastore導入數據
使用Diagnostic Feature Designer App自動生成特征并排序
使用包絡譜進行機器故障診斷
定位異常值并替換為可接受樣本
發現變異點及執行自動信號分割
估計失效時間

目標：探索數據以識別特征，以及訓練決策模型， 進而預測剩余使用壽命。

選擇狀態指標
使用全生命周期數據結合生存模型估計剩余使用壽命
使用運行至壽命閾值數據結合退化模型估計剩余使用壽命
使用運行至失效數據結合相似度模型估計剩余使用壽命