噴氣發(fā)動(dòng)機(jī)的預(yù)測(cè)維護(hù)：機(jī)器學(xué)習(xí)方法

想象一個(gè)未來(lái)，在噴氣發(fā)動(dòng)機(jī)發(fā)生之前預(yù)測(cè)了噴氣發(fā)動(dòng)機(jī)故障，挽救了數(shù)百萬(wàn)美元和潛在的生命。該研究使用NASA的噴氣發(fā)動(dòng)機(jī)仿真數(shù)據(jù)來(lái)探索一種新穎的預(yù)測(cè)維護(hù)方法。我們將展示機(jī)器學(xué)習(xí)如何分析傳感器數(shù)據(jù)（溫度，壓力等）來(lái)評(píng)估發(fā)動(dòng)機(jī)健康，并展示了AI徹底改變維護(hù)和提高安全性的潛力。這涉及數(shù)據(jù)準(zhǔn)備，特征選擇和復(fù)雜算法，例如隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵學(xué)習(xí)點(diǎn)：

• 使用AI和機(jī)器學(xué)習(xí)預(yù)測(cè)設(shè)備故障。
• 準(zhǔn)備和處理復(fù)雜的傳感器數(shù)據(jù)進(jìn)行分析。
• 隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用用于預(yù)測(cè)建模。
• 功能選擇和工程以提高模型精度。
• 通過(guò)預(yù)測(cè)維護(hù)提高安全性和運(yùn)營(yíng)效率。

（本文是數(shù)據(jù)科學(xué)博客馬拉松的一部分。）

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(píng)估
• 常見(jiàn)問(wèn)題

數(shù)據(jù)集概述

NASA的公開(kāi)噴氣發(fā)動(dòng)機(jī)仿真數(shù)據(jù)集包含來(lái)自發(fā)動(dòng)機(jī)操作的傳感器讀數(shù)直至故障。我們將分析這些模式以對(duì)發(fā)動(dòng)機(jī)健康進(jìn)行分類(lèi)（正?；蚴。?。該項(xiàng)目將CRISP-DM方法用于結(jié)構(gòu)化數(shù)據(jù)挖掘過(guò)程。

商業(yè)理解

本節(jié)概述了項(xiàng)目的背景，挑戰(zhàn)和目標(biāo)。

故障預(yù)測(cè)的重要性：噴氣發(fā)動(dòng)機(jī)在航空航天中至關(guān)重要，為飛機(jī)提供動(dòng)力并產(chǎn)生推力。預(yù)測(cè)維護(hù)可防止災(zāi)難性的失敗，從而提高安全性。通過(guò)測(cè)量溫度，壓力，振動(dòng)和其他參數(shù)來(lái)監(jiān)測(cè)發(fā)動(dòng)機(jī)性能。該項(xiàng)目分析傳感器數(shù)據(jù)以主動(dòng)預(yù)測(cè)發(fā)動(dòng)機(jī)健康。

問(wèn)題：不可預(yù)見(jiàn)的發(fā)動(dòng)機(jī)故障構(gòu)成了重大風(fēng)險(xiǎn)。

目的：根據(jù)傳感器數(shù)據(jù)對(duì)發(fā)動(dòng)機(jī)健康（正常/失?。┻M(jìn)行分類(lèi)。

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(xì)信息：該項(xiàng)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(gè)數(shù)據(jù)點(diǎn)。

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(guò)程中清潔。

數(shù)據(jù)預(yù)處理

此階段著重于數(shù)據(jù)清潔和建模準(zhǔn)備。

處理NAN值和重命名列：刪除NAN值，并重命名為清晰度。

統(tǒng)計(jì)摘要：計(jì)算描述性統(tǒng)計(jì)數(shù)據(jù)是為了識(shí)別恒定值列（以提高效率）等潛在問(wèn)題。

恒定值刪除：自定義函數(shù)識(shí)別并刪除具有常數(shù)值的列。

目標(biāo)變量創(chuàng)建：使用閾值（剩余20個(gè)周期）創(chuàng)建“狀態(tài)”列（0 =正常，1 =失?。?，以表示即將發(fā)生的故障。

特征相關(guān)性（熱圖）：熱圖可視化與目標(biāo)變量的特征相關(guān)性，使用0.2的閾值來(lái)識(shí)別相關(guān)特征。

特征選擇：相關(guān)值低于閾值的功能將被刪除。

類(lèi)不平衡和Smote：數(shù)據(jù)集顯示類(lèi)失衡（比失敗實(shí)例更正）。 SMOTE（合成少數(shù)民族過(guò)采樣技術(shù)）用于超過(guò)少數(shù)族裔，平衡數(shù)據(jù)集以進(jìn)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(cè)試（20％）集。 Z得分標(biāo)準(zhǔn)化應(yīng)用于訓(xùn)練數(shù)據(jù)以擴(kuò)展特征。

建模和評(píng)估

本節(jié)詳細(xì)介紹了模型建設(shè)，培訓(xùn)和評(píng)估。

隨機(jī)森林模型：對(duì)預(yù)處理數(shù)據(jù)進(jìn)行了隨機(jī)森林分類(lèi)器的訓(xùn)練，并在測(cè)試集上進(jìn)行了預(yù)測(cè)。使用準(zhǔn)確性，精度，召回，F(xiàn)1得分和混淆矩陣評(píng)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(jī)森林模型相似的指標(biāo)進(jìn)行了訓(xùn)練和評(píng)估。

結(jié)論

這項(xiàng)研究證明了機(jī)器學(xué)習(xí)在噴氣發(fā)動(dòng)機(jī)的預(yù)測(cè)維護(hù)中的有效性。隨機(jī)森林和ANN模型可以準(zhǔn)確預(yù)測(cè)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)處理和特征選擇的重要性，以進(jìn)行準(zhǔn)確的預(yù)測(cè)。這項(xiàng)工作為在各個(gè)行業(yè)應(yīng)用預(yù)測(cè)分析提供了先例。 （在GitHub上可用的完整代碼）。

關(guān)鍵要點(diǎn)：

• 預(yù)測(cè)性維護(hù)對(duì)于噴氣發(fā)動(dòng)機(jī)的可靠性和安全性至關(guān)重要。
• 機(jī)器學(xué)習(xí)模型有效預(yù)測(cè)引擎故障。
• 數(shù)據(jù)準(zhǔn)備和特征選擇對(duì)于模型精度至關(guān)重要。
• NASA的數(shù)據(jù)為航空預(yù)測(cè)維護(hù)提供了寶貴的資源。
• 這種方法適用于各個(gè)行業(yè)。

常見(jiàn)問(wèn)題：

• Q1。什么是對(duì)噴氣發(fā)動(dòng)機(jī)的預(yù)測(cè)維護(hù)？答：它使用數(shù)據(jù)分析來(lái)預(yù)測(cè)潛在的故障，從而積極維護(hù)。
• Q2。為什么重要？答：它可以提高安全性，降低停機(jī)時(shí)間并降低成本。
• Q3。使用了哪些型號(hào)？ A.隨機(jī)森林，神經(jīng)網(wǎng)絡(luò)等。
• Q4。 NASA如何貢獻(xiàn)？ A. NASA為模型開(kāi)發(fā)提供了有價(jià)值的仿真數(shù)據(jù)。

（注意：所使用的圖像不是該模型所有的，并且由作者自行決定使用。）

以上是CMAPS基于傳感器數(shù)據(jù)的噴氣發(fā)動(dòng)機(jī)故障分類(lèi)的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！