预测性维护:使用卷积神经网络(CNN)检测传感器故障
副问题[/!--empirenews.page--]
在呆板进修中,跟着时刻的推移,猜测维修的话题变得越来越风行。 在本文中,我们将看一个分类题目。我们将行使Keras建设一个卷积神经收集(CNN)模子,并实行对功效举办直观的表明。 数据集我抉择从evergreen UCI repository(液压体系的状态监测)中获取呆板进修数据集(https://archive.ics.uci.edu/ml/datasets/Condition+monitoring+of+hydraulic+systems#)。
我们可以想象有一个液压管道体系,该体系周期性地吸取到因为管道内某种液体的转变而发生的脉冲。此征象一连60秒,回收差异Hz频率的传感器(传感器物理量单元采样率,PS1 Pressure bar, PS2 Pressure bar, PS3 Pressure bar, PS4 Pressure bar, PS5 Pressure bar, PS6 Pressure bar, EPS1电机功率, FS1体积流量, FS2体积流量, TS1温度, TS2温度, TS3温度, TS4温度, VS1振动, VS1振动、CE冷却服从、CP冷却功率、SE服从系数)举办丈量。 我们的目标是猜测构成管道的四个液压元件的状况。这些方针前提值以整数值的情势注释(易于编码),并汇报我们每个周期特定组件是否靠近失败。 读取数据每个传感器丈量的值在特定的txt文件中可用,个中每一行以时刻序列的情势占用一个周期。 我抉择思量来自温度传感器(TS1、TS2、TS3、TS4)的数据,该传感器的丈量频率为1 Hz(每一个cicle举办60次调查)。
对付第一个周期,我们从温度传感器获得这些时刻序列: 呆板进修模子为了捕获风趣的特性和不明明的相干性,我们抉择回收一维卷积神经收集(CNN)。这种呆板进修模子很是得当对传感器的时刻序罗列办说明,并逼迫在短的牢靠长度段中重塑数据。 我选择了Keras网站上描写的卷积神经收集(CNN),并更新了参数。该呆板进修模子的成立是为了对制冷元件的状态举办分类,仅对给出温度时刻序列的数组情势(t_period x n_sensor for each single cycle)作为输入。
在这种环境下只有10个epochs,我们可以或许取得惊人的成就! 对测试数据举办猜测,呆板进修模子到达0.9909的精确度 由于通过这种方法,我们可以或许检测并防备体系中也许呈现的妨碍。 可视化功效(编辑:河北网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |