=============================
=============================
🔥 Vergessen Sie nicht, zu Liken und zu Abonnieren
=============================
🔗Links🔗
=============================
In diesem Video erkundet der Ersteller das Konzept der prädiktiven Wartung für Turbo-Motoren, eine Herausforderung, die von der NASA gestellt wurde. Sie erklären das Konzept der Fehlerprognose und wie es sich von der prädiktiven Wartung unterscheidet, die darauf abzielt, die verbleibende nützliche Lebensdauer (RUL) eines Motors vorherzusagen. Der Ersteller diskutiert, wie der Datensatz von NASA's Turbofan-Jetmotor von einem bestimmten Link heruntergeladen werden kann, den sie verwenden, um ihren Ansatz zu demonstrieren.
Der Ersteller beginnt damit zu erklären, dass die RUL keine einfache Berechnung ist, da sie je nach Motor erheblich variieren kann. Sie schlagen einen alternativen Ansatz vor, der das "Live-Verhältnis" verwendet, das das Verhältnis des aktuellen Zyklus zum Lebenszyklusende darstellt. Dieses Verhältnis ist einfacher zu modellieren und mit maschinellen Lernalgorithmen vorherzusagen.
Der Ersteller verwendet ein Random-Forest-Modell, um das Live-Verhältnis vorherzusagen, und demonstriert dessen Effektivität an einem Datensatz von Motorensensordaten. Sie diskutieren auch die Bedeutung der Auswahl relevanter Merkmale und der Entfernung irrelevanter, wie z.B. der Motor-Seriennummer und der Standardabweichung.
Der Ersteller trainiert und testet dann das Modell an mehreren Datensätzen und erzielt einen mittleren quadratischen Fehler von 0,0040, was erheblich niedriger ist als das ursprüngliche Ergebnis. Sie visualisieren auch die Vorhersagen im Vergleich zu den tatsächlichen Werten und zeigen, dass das Modell die Daten gut verfolgt.
Neben dem Random-Forest-Modell trainiert und testet der Ersteller auch ein neuronales Netzwerk und ein 2D-Convolutional-Neural-Network (CNN) mit einem Sliding-Window-Ansatz. Das CNN-Modell schneidet jedoch schlecht ab, mit einem mittleren quadratischen Fehler von 0,031, und wird daher nicht empfohlen.
Der Ersteller schlussfolgert, dass das Random-Forest-Modell der beste Ansatz ist, da es schnell zu trainieren ist und genaue Ergebnisse liefert. Sie ermutigen die Zuschauer, den Code auszuprobieren und Feedback zu geben, und laden sie ein, das GitHub-Repository für weitere Informationen zu erkunden.
ZEITSTEMPEL
00:00 - Intro: Vorhersage der verbleibenden Lebensdauer von Turbo-Motoren
01:01 - Verständnis der Motorengesundheit und -degradation
03:32 - Wie viele Zyklen bis zum Motorversagen?
06:20 - Überblick über Motorengesundheitsmetriken
06:59 - Rohtextdaten in CSV-Format umwandeln
07:31 - Darstellung der Motorlebensdauer in Zyklen
09:18 - Entfernen konstanter Merkmale für saubere Daten
09:43 - Visualisierung der Motoreneinheiten über die Zeit
10:27 - Erstellen einer 'Live-Verhältnis'-Spalte
11:35 - Schlüsselfunktionen, die das Live-Verhältnis beeinflussen
13:18 - Training mit 20% Testdatensatzaufteilung
15:36 - Training an mehreren Dateien für Robustheit
17:20 - Aufbau eines PyTorch-Neuronalen Netzwerks
17:57 - Vergleich Random Forest vs 2D CNN
18:30 - Verwendung von CNN und RNN für Sensordaten-Zeitreihen
19:51 - Schnelle Inferenz mit Random Forest