预测性维护：使用卷积神经网络（CNN）检测传感器故障

假如我们想要对体系状态有一个总体的相识，那么查察图形暗示也许会很有效。为了到达这一方针，我们从头操作我们在上面构建的卷积神经收集（CNN）来建造一个解码器，并从每个周期的时刻序列中提取特性。行使keras，这可以在一行Python代码中实现：

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

新模子是一个解码器，它吸取与分类使命中行使的NN名目沟通的输入数据(t_period x n_sensor for each single cycle)，并以嵌入情势返回“猜测”，嵌入情势来自具有相对维数的GlobalAveragePooling1D层(每一个轮回有160个嵌入变量)。

行使我们的编码器在测试数据上计较猜测，回收技能来减小尺寸（如PCA或T-SNE）并绘制功效，我们可以看到：

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

TSNE用于测试数据的轮回嵌入

每个点都暗示测试齐集的一个轮回，相对颜色是Cooler前提的方针类。可以看出怎样很好地界说冷却器组件的方针值之间的区别。这种要领是我们模子机能的要害指标。

在这篇文章中，我们实行以CNN的时刻序列分类使命的情势办理猜测性维护的题目我们试图给出功效的直观暗示

（编辑：湖南网）

【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!