Создание средства обнаружения дефектов двигателей
Мониторинг производственного оборудования в режиме реального времени для предотвращения неисправностей и возникновения аномалий очень важен для любого производственного процесса и способствует профилактическому обслуживанию. Используйте модели машинного обучения для помощи в обнаружении и предотвращении подобных неисправностей с использованием набора данных шарикоподшипника двигателя.
Целевая операционная система: Ubuntu* 16.04 LTS
Время на реализацию: 30 минут
Использованное ПО:
Комплект Intel® Distribution for Python*
Что вы изучите
Некоторые математические методы в машинном обучении от обычного быстрого преобразования Фурье (FFT) до более сложной модели смешения Гаусса не требуют обучения нейронной сети для обнаружения аномалий. Эти методы могут использоваться повторно с небольшими изменениями для обработки различных потоков данных и не требуют большого количества ранее полученных и классифицированных данных (в отличие от нейронных сетей). Фактически, некоторые из этих методов могут использоваться для классификации данных во время подготовки обучения глубоких нейронных сетей.
Узнайте больше о следующих решениях:
- Логистическая регрессия
- Кластеризация k-средних
- Интернет вещей для рынка промышленности
Узнайте, как создать и использовать приложение со следующими возможностями:
- ❶ Обнаружение неравномерности вибраций станка.
- ❷ Локальная обработка с использованием библиотеки scikit-learn*.
- ❸ Отправка данных в облако для объединения и проверки.
Принцип работы
- ❶ Сервер OPC* Unified Architecture (UA) считывает предварительно обработанные данные и отправляет клиенту OPC UA, который хранит их в InfluxDB*.
- ❷ Данные извлекаются из базы данных и используются для создания трех моделей машинного обучения: логистической регрессии, кластеризации k-средних и модели смешения Гаусса.
- ❸ Прогнозы неисправностей от каждой из этих моделей хранятся в локальной базе InfluxDB и обрабатываются для наглядного представления в Grafana*.
Что вам нужно
Требования для аппаратного обеспечения
Требования для программного обеспечения
Ubuntu 16.04 LTS
Python 3.5 со следующими библиотеками:
- NumPy
- pandas
- matplotlib.pyplot
- scikit-learn
- SciPy