噴氣發(fā)動機的預(yù)測維護：機器學(xué)習(xí)方法

想像一個未來，在噴氣發(fā)動機發(fā)生之前預(yù)測了噴氣發(fā)動機故障，挽救了數(shù)百萬美元和潛在的生命。該研究使用NASA的噴氣發(fā)動機仿真數(shù)據(jù)來探索一種新穎的預(yù)測維護方法。我們將展示機器學(xué)習(xí)如何分析傳感器數(shù)據(jù)（溫度，壓力等）來評估發(fā)動機健康，並展示了AI徹底改變維護和提高安全性的潛力。這涉及數(shù)據(jù)準(zhǔn)備，特徵選擇和復(fù)雜算法，例如隨機森林和神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵學(xué)習(xí)點：

• 使用AI和機器學(xué)習(xí)預(yù)測設(shè)備故障。
• 準(zhǔn)備和處理複雜的傳感器數(shù)據(jù)進行分析。
• 隨機森林和神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用用於預(yù)測建模。
• 功能選擇和工程以提高模型精度。
• 通過預(yù)測維護提高安全性和運營效率。

（本文是數(shù)據(jù)科學(xué)博客馬拉鬆的一部分。）

目錄：

• 數(shù)據(jù)集概述
• 商業(yè)理解
• 數(shù)據(jù)探索
• 數(shù)據(jù)預(yù)處理
• 建模和評估
• 常見問題

數(shù)據(jù)集概述

NASA的公開噴氣發(fā)動機仿真數(shù)據(jù)集包含來自發(fā)動機操作的傳感器讀數(shù)直至故障。我們將分析這些模式以對發(fā)動機健康進行分類（正?；蚴。?。該項目將CRISP-DM方法用於結(jié)構(gòu)化數(shù)據(jù)挖掘過程。

商業(yè)理解

本節(jié)概述了項目的背景，挑戰(zhàn)和目標(biāo)。

故障預(yù)測的重要性：噴氣發(fā)動機在航空航天中至關(guān)重要，為飛機提供動力並產(chǎn)生推力。預(yù)測維護可防止災(zāi)難性的失敗，從而提高安全性。通過測量溫度，壓力，振動和其他參數(shù)來監(jiān)測發(fā)動機性能。該項目分析傳感器數(shù)據(jù)以主動預(yù)測發(fā)動機健康。

問題：不可預(yù)見的發(fā)動機故障構(gòu)成了重大風(fēng)險。

目的：根據(jù)傳感器數(shù)據(jù)對發(fā)動機健康（正常/失?。┻M行分類。

數(shù)據(jù)探索

此階段涉及初始數(shù)據(jù)檢查。

數(shù)據(jù)集詳細信息：該項目使用CMAPSS噴氣引擎模擬數(shù)據(jù)中的train_FD001.txt文件，其中包含26列和20,631個數(shù)據(jù)點。

功能描述：

原始數(shù)據(jù)檢查：初始數(shù)據(jù)檢查揭示了未命名的列和NAN值，需要在預(yù)處理過程中清潔。

數(shù)據(jù)預(yù)處理

此階段著重於數(shù)據(jù)清潔和建模準(zhǔn)備。

處理NAN值和重命名列：刪除NAN值，並重命名為清晰度。

統(tǒng)計摘要：計算描述性統(tǒng)計數(shù)據(jù)是為了識別恆定值列（以提高效率）等潛在問題。

恆定值刪除：自定義函數(shù)識別並刪除具有常數(shù)值的列。

目標(biāo)變量創(chuàng)建：使用閾值（剩餘20個週期）創(chuàng)建“狀態(tài)”列（0 =正常，1 =失?。员硎炯磳l(fā)生的故障。

特徵相關(guān)性（熱圖）：熱圖可視化與目標(biāo)變量的特徵相關(guān)性，使用0.2的閾值來識別相關(guān)特徵。

特徵選擇：相關(guān)值低於閾值的功能將被刪除。

類不平衡和Smote：數(shù)據(jù)集顯示類失衡（比失敗實例更正）。 SMOTE（合成少數(shù)民族過採樣技術(shù)）用於超過少數(shù)族裔，平衡數(shù)據(jù)集以進行培訓(xùn)。

數(shù)據(jù)拆分和縮放：數(shù)據(jù)分為訓(xùn)練（80％）和測試（20％）集。 Z得分標(biāo)準(zhǔn)化應(yīng)用於訓(xùn)練數(shù)據(jù)以擴展特徵。

建模和評估

本節(jié)詳細介紹了模型建設(shè)，培訓(xùn)和評估。

隨機森林模型：對預(yù)處理數(shù)據(jù)進行了隨機森林分類器的訓(xùn)練，並在測試集上進行了預(yù)測。使用準(zhǔn)確性，精度，召回，F(xiàn)1得分和混淆矩陣評估模型的性能。

人工神經(jīng)網(wǎng)絡(luò)（ANN）模型： ANN模型是使用Tensorflow/keras構(gòu)建的，使用與隨機森林模型相似的指標(biāo)進行了訓(xùn)練和評估。

結(jié)論

這項研究證明了機器學(xué)習(xí)在噴氣發(fā)動機的預(yù)測維護中的有效性。隨機森林和ANN模型可以準(zhǔn)確預(yù)測潛在的故障，從而提高安全性和效率。結(jié)果突出了數(shù)據(jù)預(yù)處理和特徵選擇的重要性，以進行準(zhǔn)確的預(yù)測。這項工作為在各個行業(yè)應(yīng)用預(yù)測分析提供了先例。 （在GitHub上可用的完整代碼）。

關(guān)鍵要點：

• 預(yù)測性維護對於噴氣發(fā)動機的可靠性和安全性至關(guān)重要。
• 機器學(xué)習(xí)模型有效預(yù)測引擎故障。
• 數(shù)據(jù)準(zhǔn)備和特徵選擇對於模型精度至關(guān)重要。
• NASA的數(shù)據(jù)為航空預(yù)測維護提供了寶貴的資源。
• 這種方法適用於各個行業(yè)。

常見問題：

• Q1。什麼是對噴氣發(fā)動機的預(yù)測維護？答：它使用數(shù)據(jù)分析來預(yù)測潛在的故障，從而積極維護。
• Q2。為什麼重要？答：它可以提高安全性，降低停機時間並降低成本。
• Q3。使用了哪些型號？ A.隨機森林，神經(jīng)網(wǎng)絡(luò)等。
• Q4。 NASA如何貢獻？ A. NASA為模型開發(fā)提供了有價值的仿真數(shù)據(jù)。

（注意：所使用的圖像不是該模型所有的，並且由作者自行決定使用。）

以上是CMAPS基於傳感器數(shù)據(jù)的噴氣發(fā)動機故障分類的詳細內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！