› Demo 5: Predictive Maintenance mit MATLAB
Diese Demo-Reihe in drei Teilen des elab2go zeigt, wie die Datenanalyse als Schritt des Predictive Maintenance-Prozesses
mit Hilfe der MATLAB Statistics and Machine Learning Toolbox und des Live Script Editors erstellt wird.
Demo 5 "Vorbereitung:MATLAB Live Scripts" erläutert Live Scripts und den Live Editor,
Teil 1 "Datenanalyse" beschreibt die Durchführung der Datenanalyse mit einem Entscheidungsbaum-Modell, und Teil 2 "Performance-Kennzahlen" die Ermittlung der Performance-Kennzahlen.
NEU: Teil 1 und 2 der ursprünglichen Demo 5 von 2019 wurden ersetzt durch die aktualisierte und erweiterte
Demo-MAT4: "Predictive Maintenance mit MATLAB".
Zunächst wird in Demo 5, Vorbereitung: MATLAB Live Scripts erläutert, wie ein MATLAB Live Script erstellt und verwendet wird. Der Fokus liegt dabei auf der Frage, wie gut Live Scripts für die Erstellung didaktisch aufbereiteter Inhalte geeignet sind.
Dann wird in Demo 5, Teil 1: Datenanalyse mit MATLAB die Datenanalyse am Beispiel eines Automobildatensatzes durchgeführt, mit den bekannten Schritten (Einlesen der Trainingsdaten, Auswahl der Merkmale und der Vorhersagevariablen, Erstellen des Entscheidungsbaum-Modells, Verwenden des Modells zur Klassifikation bzw. der Vorhersage eines Ausfalls im Testdatensatz).
Schließlich wird in Demo 5, Teil 2: Datenanalyse mit MATLAB: Performance-Kennzahlen die Güte des Vorhersagemodells bewertet. Mit Hilfe des Testverfahrens der Kreuzvalidierung werden die Kennzahlen Accuracy, Precision und Recall zur Beurteilung des Testfehlers herangezogen. Es wurden dafür zwei Skripte erstellt, ein kommentiertes MATLAB-Skript (m-Skript)und ein interaktives Live Script (*.mlx-Skript) welches das m-Skript spiegelt, jedoch um visuelle Elementen erweitert wurde.
Demo-MAT4 zeigt, wie eine Ausfall-Klassifikation im Rahmen eines Predictive Maintenance-Szenarios mit Hilfe des Entscheidungsbaum-Verfahrens der MATLAB Statistics and Machine Learning ToolBox durchgeführt wird. Wir verwenden denselben Automotive-Datensatz, der in allen Demos des Predictive Maintenance-Zyklus verwendet wird: eine csv-Datei automotive_data.csv mit 23 Merkmalen (Kühlmitteltemperatur, Drosselklappenstellung, ...) und einer Zielvariablen: Ausfall. Die Fragestellung lautet: "Bei welcher Kombination von Merkmalen tritt ein Ausfall ein?". Zunächst wird ein MATLAB Live Script erstellt, das die Schritte der Datenanalyse mit Hilfe der MATLAB-Funktionen erläutert, danach wird das Skript um eine interaktive Visualisierung für das Parametertuning des Modells erweitert.
Autoren, Tools und Quellen
Autoren
M. Sc. Anke Welz
Prof. Dr. Eva Maria Kiss
Tools:
- [1] MATLAB Statistics and Machine Learning Toolbox: de.mathworks.com/products/statistics.html
- [2] MATLAB Live Editor: de.mathworks.com/products/matlab/live-editor.html
elab2go-Links
- [1] MATLAB-Tutorial: elab2go.de/demo-mat1
- [2] Demo-MAT3 Clusteranalyse "Automotive in 3D": elab2go.de/demo-mat3
- [3] Demo-MAT4 Predictive Maintenance mit MATLAB": elab2go.de/demo-mat4
Quellen und weiterführende Links
- [1] Funktion fitctree: de.mathworks.com/help/stats/fitctree.html
- [2] Avinash Uppuluri, cfmatrix2 (MATLAB File Exchange): Eine Funktion aus der MATLAB Community für die Berechnung von Confusion Matrix + Kennzahlen