CMAPS基於傳感器數據的噴氣發動機故障分類

噴氣發動機的預測維護：機器學習方法

想像一個未來，在噴氣發動機發生之前預測了噴氣發動機故障，挽救了數百萬美元和潛在的生命。該研究使用NASA的噴氣發動機仿真數據來探索一種新穎的預測維護方法。我們將展示機器學習如何分析傳感器數據（溫度，壓力等）來評估發動機健康，並展示了AI徹底改變維護和提高安全性的潛力。這涉及數據準備，特徵選擇和復雜算法，例如隨機森林和神經網絡。

關鍵學習點：

• 使用AI和機器學習預測設備故障。
• 準備和處理複雜的傳感器數據進行分析。
• 隨機森林和神經網絡的實際應用用於預測建模。
• 功能選擇和工程以提高模型精度。
• 通過預測維護提高安全性和運營效率。

（本文是數據科學博客馬拉鬆的一部分。）

目錄：

• 數據集概述
• 商業理解
• 數據探索
• 數據預處理
• 建模和評估
• 常見問題

數據集概述

NASA的公開噴氣發動機仿真數據集包含來自發動機操作的傳感器讀數直至故障。我們將分析這些模式以對發動機健康進行分類（正常或失敗）。該項目將CRISP-DM方法用於結構化數據挖掘過程。

商業理解

本節概述了項目的背景，挑戰和目標。

故障預測的重要性：噴氣發動機在航空航天中至關重要，為飛機提供動力並產生推力。預測維護可防止災難性的失敗，從而提高安全性。通過測量溫度，壓力，振動和其他參數來監測發動機性能。該項目分析傳感器數據以主動預測發動機健康。

問題：不可預見的發動機故障構成了重大風險。

目的：根據傳感器數據對發動機健康（正常/失敗）進行分類。

數據探索

此階段涉及初始數據檢查。

數據集詳細信息：該項目使用CMAPSS噴氣引擎模擬數據中的train_FD001.txt文件，其中包含26列和20,631個數據點。

功能描述：

範圍	象徵	描述	單元
引擎	-	-	-
循環	-	-	t
設置1	-	高度	英尺
設置2	-	馬赫數	m
設置3	-	海平面溫度	°f
傳感器1	T2	風扇入口處的總溫度	°r
傳感器2	T24	LPC出口處的總溫度	°r
...	...	...	...

原始數據檢查：初始數據檢查揭示了未命名的列和NAN值，需要在預處理過程中清潔。

數據預處理

此階段著重於數據清潔和建模準備。

處理NAN值和重命名列：刪除NAN值，並重命名為清晰度。

統計摘要：計算描述性統計數據是為了識別恆定值列（以提高效率）等潛在問題。

恆定值刪除：自定義函數識別並刪除具有常數值的列。

目標變量創建：使用閾值（剩餘20個週期）創建“狀態”列（0 =正常，1 =失敗），以表示即將發生的故障。

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

特徵選擇：相關值低於閾值的功能將被刪除。

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

數據拆分和縮放：數據分為訓練（80％）和測試（20％）集。 Z得分標準化應用於訓練數據以擴展特徵。

建模和評估

本節詳細介紹了模型建設，培訓和評估。

隨機森林模型：對預處理數據進行了隨機森林分類器的訓練，並在測試集上進行了預測。使用準確性，精度，召回，F1得分和混淆矩陣評估模型的性能。

人工神經網絡（ANN）模型： ANN模型是使用Tensorflow/keras構建的，使用與隨機森林模型相似的指標進行了訓練和評估。

結論

這項研究證明了機器學習在噴氣發動機的預測維護中的有效性。隨機森林和ANN模型可以準確預測潛在的故障，從而提高安全性和效率。結果突出了數據預處理和特徵選擇的重要性，以進行準確的預測。這項工作為在各個行業應用預測分析提供了先例。 （在GitHub上可用的完整代碼）。

關鍵要點：

• 預測性維護對於噴氣發動機的可靠性和安全性至關重要。
• 機器學習模型有效預測引擎故障。
• 數據準備和特徵選擇對於模型精度至關重要。
• NASA的數據為航空預測維護提供了寶貴的資源。
• 這種方法適用於各個行業。

常見問題：

• Q1。什麼是對噴氣發動機的預測維護？答：它使用數據分析來預測潛在的故障，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，神經網絡等。
• Q4。 NASA如何貢獻？ A. NASA為模型開發提供了有價值的仿真數據。

（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基於傳感器數據的噴氣發動機故障分類的詳細內容。更多資訊請關注PHP中文網其他相關文章！