=============================
=============================
🔥 N'oubliez pas de LIKER, de vous ABONNER
=============================
🔗Liens🔗
=============================
Dans cette vidéo, le créateur explore le concept de maintenance prédictive pour les moteurs turbo, un défi proposé par la NASA. Il explique le concept de pronostic de panne et comment il diffère de la maintenance prédictive, qui vise à prédire la durée de vie utile restante (RUL) d'un moteur. Le créateur discute de la façon dont le jeu de données des moteurs à réaction turbofan de la NASA peut être téléchargé à partir d'un lien spécifique, qu'il utilise pour démontrer son approche.
Le créateur commence par expliquer que la RUL n'est pas un calcul simple, car elle peut varier considérablement d'un moteur à l'autre. Il propose une approche alternative, utilisant le "ratio en direct", qui est le ratio du cycle actuel au cycle de fin de vie. Ce ratio est plus facile à modéliser et à prédire en utilisant des algorithmes d'apprentissage automatique.
Le créateur utilise un modèle de forêt aléatoire pour prédire le ratio en direct et démontre son efficacité sur un ensemble de données de lectures de capteurs de moteur. Il discute également de l'importance de sélectionner des caractéristiques pertinentes et de supprimer celles qui ne le sont pas, comme le numéro de série du moteur et l'écart type.
Le créateur entraîne et teste ensuite le modèle sur plusieurs ensembles de données, atteignant une erreur quadratique moyenne de 0,0040, ce qui est significativement inférieur au résultat initial. Il visualise également les prédictions par rapport aux valeurs réelles et montre que le modèle suit bien les données.
En plus du modèle de forêt aléatoire, le créateur entraîne et teste également un modèle de réseau de neurones et un réseau de neurones convolutif 2D (CNN) avec une approche de fenêtre glissante. Cependant, le modèle CNN obtient de mauvais résultats, avec une erreur quadratique moyenne de 0,031, et n'est donc pas recommandé.
Le créateur conclut que le modèle de forêt aléatoire est la meilleure approche, car il est rapide à entraîner et produit des résultats précis. Il encourage les spectateurs à essayer le code et à donner leur avis, et les invite à explorer le dépôt GitHub pour plus d'informations.
HORAIRES
00:00 - Intro : Prédire la durée de vie restante du moteur turbo
01:01 - Comprendre la santé du moteur et la dégradation
03:32 - Combien de cycles avant la panne du moteur ?
06:20 - Aperçu des métriques de santé du moteur
06:59 - Convertir les données textuelles brutes en format CSV
07:31 - Représenter la durée de vie du moteur en cycles
09:18 - Suppression des caractéristiques constantes pour des données propres
09:43 - Visualiser les unités du moteur au fil du temps
10:27 - Création d'une colonne 'Ratio en direct'
11:35 - Caractéristiques clés qui impactent le ratio en direct
13:18 - Entraînement avec une répartition de 20 % des données de test
15:36 - Entraînement sur plusieurs fichiers pour la robustesse
17:20 - Construction d'un réseau de neurones PyTorch
17:57 - Comparaison entre forêt aléatoire et CNN 2D
18:30 - Utilisation de CNN et RNN pour les séries temporelles de capteurs
19:51 - Inférence rapide avec la forêt aléatoire