预测性维护：使用卷积神经网络（CNN）检测传感器故障

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。

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#)。

该试验台由一次事变回路和二级冷却过滤回路构成，通过油箱毗连。体系轮回一再恒定负载轮回（一连时刻60秒）并丈量进程值，譬喻压力，体积流量和温度，同时定量地改变四个液压元件(冷却器、阀门、泵和蓄能器)的状态。

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。

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)。

label = pd.read_csv('profile.txt', sep='    ', header=None) 
data = ['TS1.txt','TS2.txt','TS3.txt','TS4.txt'] 
df = pd.DataFrame() 
#read and concat data 
for txt in data: 
 read_df = pd.read_csv(txt, sep='   ', header=None) 
 df = df.append(read_df) 
#scale data 
def scale(df): 
 return (df - df.mean(axis=0))/df.std(axis=0) 
df = df.apply(scale) 

对付第一个周期，我们从温度传感器获得这些时刻序列:

Temperature Series for cicle1 from TS1 TS2 TS3 TS4

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。

n_sensors, t_periods = 4, 60 
model = Sequential() 
model.add(Conv1D(100, 6, activation='relu', input_shape=(t_periods, n_sensors))) 
model.add(Conv1D(100, 6, activation='relu')) 
model.add(MaxPooling1D(3)) 
model.add(Conv1D(160, 6, activation='relu')) 
model.add(Conv1D(160, 6, activation='relu')) 
model.add(GlobalAveragePooling1D()) 
model.add(Dropout(0.5)) 
model.add(Dense(3, activation='softmax')) 
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) 
BATCH_SIZE, EPOCHS = 16, 10 
history = model.fit(X_train, y_train, batch_size=BATCH_SIZE, 
 epochs=EPOCHS, validation_split=0.2, verbose=1) 

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。

（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!