MLS_学习笔记_设备预测性场景使用过程

一、预测性场景

    在工业、制造业领域设备的预测性维护是非常重要的，目前主要是定期维护保养，对于关键设备同时需要进行设备预测性维护。

二、数据要求

    需要积累一定时间的设备正常运行数据和故障数据，对故障类型打标签，然后采用分类或者回归算法进行设备的故障建模。

三、数据处理的难点

    故障数据相对正常运行来说是非常少的，并且对于设备的监测往往是传感器按时间采集的震动、位移等等信息，信息量较少。

四、数据处理

  1.数据转换，传感器采集的信息是时序信息，且在时间长度上存在着长短不一的情况，在做设备的预测性维护之前，需要将传感器采集的原始数据进行一系列的变换，进行特征的生成，将基于时间的时序信息转换为非时序信息。

  2.特征处理，常见的有数据组合，特征统计和特征移位

          数据组合：多个特征按照一定规则形成新的特征，比如加和、相乘等；

          特征统计：在某个特征上采用一些统计量或者特殊的计算规则生成新的特征；

          特征移位：在时间相关的一些场景，可以将特征进行移位操作。

  3.特征选择，面对多维特征，大概率存在着与目标工作无关的特征，是冗余的，所以需要一些方法进行特征选择。

         主成分分析：将n维特征经过principal compos analysis或PCA搜索k个最能代表数据信息的维度，在搜索、计算的过程中维度本身发生了改变，产生的是原始维度的 映射，将映射后的特征进行重要性排序。

           特征子集：当存在n个原始特征时，即有2ⁿ个特征子集。在n个特征进行筛选时，可以使用统计显著性检验的方法、信息增益的方法、决策树的方法。

           相关性分析：用于检验2个特征之间的相关性，主要指标有Pearson相关系数、Spearman相关系数、卡方检验等。

  4.特征规约，将特征划分到类似的空间当中，消除彼此度量差异造成的影响。

                    离散化：将连续型特征映射到一个类别当中，比如收入的具体数值映射为“高、中、低”，离散化包括等宽分箱、等频分箱、聚类分箱、临近分箱

                    标准化：将所有的连续型特征都归约到同一个区间上。常用的区间是[-1，1]和[0，1]，常见有最大最小标准化，Z-score标准化，和值比例标准化。

                    光滑：与特征清洗类似，采用回归等技术去除特征上的噪声数据。

                    聚集：不关注每一条样本的特征信息，关注样本集分片后的特征信息，等同于在特征上分片。

五、实例分析

有个设备故障监测时序文件，并时序持续，有两列<rawdata,output>，表示两种维度上的测量数据，该设备是处于故障”Abnormal1”状态。

原始数据：                                             结果数据：