加入收藏 | 设为首页 | 会员中心 | 我要投稿 好传媒网 (https://www.haochuanmei.com/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 运营中心 > 建站资源 > 经验 > 正文

预测性维护:使用卷积神经网络(CNN)检测传感器故障

发布时间:2019-06-05 04:05:37 所属栏目:经验 来源:不靠谱的猫
导读:在机器学习中,随着时间的推移,预测维修的话题变得越来越流行。 在本文中,我们将看一个分类问题。我们将使用Keras创建一个卷积神经网络(CNN)模型,并尝试对结果进行直观的解释。 数据集 我决定从evergreen UCI repository(液压系统的状态监测)中获取

如果我们想要对系统状态有一个总体的了解,那么查看图形表示可能会很有用。为了达到这一目标,我们重新利用我们在上面构建的卷积神经网络(CNN)来制作一个解码器,并从每个周期的时间序列中提取特征。使用keras,这可以在一行Python代码中实现:

  1. emb_model = Model(inputs=model.input, outputs=model.get_layer('global_average_pooling1d_1').output) 

新模型是一个解码器,它接收与分类任务中使用的NN格式相同的输入数据(t_period x n_sensor for each single cycle),并以嵌入形式返回“预测”,嵌入形式来自具有相对维数的GlobalAveragePooling1D层(每一个循环有160个嵌入变量)。

使用我们的编码器在测试数据上计算预测,采用技术来减小尺寸(如PCA或T-SNE)并绘制结果,我们可以看到:

  1. tsne = TSNE(n_components=2, random_state=42, n_iter=300, perplexity=5) 
  2. T = tsne.fit_transform(test_cycle_emb) 
  3. fig, ax = plt.subplots(figsize=(16,9)) 
  4. colors = {0:'red', 1:'blue', 2:'yellow'} 
  5. ax.scatter(T.T[0], T.T[1], c=[colors[i] for i in y_test])  
  6. plt.show() 

预测性维护:使用卷积神经网络(CNN)检测传感器故障

预测性维护:使用卷积神经网络(CNN)检测传感器故障

TSNE用于测试数据的循环嵌入

每个点都表示测试集中的一个循环,相对颜色是Cooler条件的目标类。可以看出如何很好地定义冷却器组件的目标值之间的区别。这种方法是我们模型性能的关键指标。

最后

在这篇文章中,我们尝试以CNN的时间序列分类任务的形式解决预测性维护的问题我们试图给出结果的直观表示

(编辑:好传媒网)

【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!

热点阅读