预测性维护：使用卷积神经网络（CNN）检测传感器故障(2)

如果我们想要对系统状态有一个总体的了解，那么查看图形表示可能会很有用。为了达到这一目标，我们重新利用我们在上面构建的卷积神经网络（CNN）来制作一个解码器，并从每个周期的时间序列中提取特征。使用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) 

新模型是一个解码器，它接收与分类任务中使用的NN格式相同的输入数据(t_period x n_sensor for each single cycle)，并以嵌入形式返回“预测”，嵌入形式来自具有相对维数的GlobalAveragePooling1D层(每一个循环有160个嵌入变量)。

使用我们的编码器在测试数据上计算预测，采用技术来减小尺寸（如PCA或T-SNE）并绘制结果，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用于测试数据的循环嵌入

每个点都表示测试集中的一个循环，相对颜色是Cooler条件的目标类。可以看出如何很好地定义冷却器组件的目标值之间的区别。这种方法是我们模型性能的关键指标。

在这篇文章中，我们尝试以CNN的时间序列分类任务的形式解决预测性维护的问题我们试图给出结果的直观表示

（编辑：ASP站长网）