深度學習技術的進步推動了物聯網預測維護的發展，使我們能更準確地預測裝置的健康狀況和剩餘使用壽命（RUL）。透過分析大量的感測器資料，深度學習模型可以學習裝置的退化模式，並提前預警潛在的故障，從而避免意外停機和降低維護成本。這對於航空、能源、製造等產業至關重要，因為裝置故障可能導致巨大的經濟損失和安全風險。預測維護的關鍵在於建立一個可靠的資料收集和分析流程，並選擇合適的深度學習模型進行訓練和預測。
預測維護在物聯網中的應用
物聯網（IoT）裝置會不斷生成事件資料流，深度學習（DL）方法可以分析這些資料以實時診斷問題，並預測個別單元的未來健康狀態，以啟用按需維護。這種策略被稱為預測（或根據條件的）維護。這種方法現在已經成為物聯網最有前途和最有利可圖的工業應用之一。
預測維護的概念
預測維護的基本思想是確定各種型別的故障模式是否可以預測。為了實現這個目標，我們需要從IoT啟用的裝置中收集資料。這些資料可以用於訓練DL模型，以預測裝置的未來健康狀態。
Turbofan Engine Degradation Simulation 資料集
在本章中，我們將使用Turbofan Engine Degradation Simulation資料集來開發一個DL解決方案，用於IoT的預測維護。這個資料集包含了渦輪風扇引擎的退化模擬資料，可以用於訓練DL模型，以預測引擎的未來健康狀態。
預測維護的流程
預測維護的流程包括以下步驟：
- 資料收集：從IoT啟用的裝置中收集資料。
- 資料預處理：對收集到的資料進行預處理，包括資料清理、資料轉換等。
- DL模型訓練：使用預處理好的資料訓練DL模型。
- 模型評估：評估訓練好的DL模型的效能。
- 預測：使用訓練好的DL模型預測裝置的未來健康狀態。
DL模型的選擇
在預測維護中，DL模型的選擇非常重要。常用的DL模型包括：
- 卷積神經網路（CNN）：適合於影像和訊號處理。
- 迴圈神經網路（RNN）：適合於序列資料處理。
- 長短期記憶（LSTM）：適合於序列資料處理。
圖表翻譯：
graph LR
A[資料收集] --> B[資料預處理]
B --> C[DL模型訓練]
C --> D[模型評估]
D --> E[預測]
這個圖表展示了預測維護的流程，從資料收集到預測。每個步驟都非常重要，需要仔細進行以確保預測維護的準確性。
預測性維護在物聯網中的應用
隨著實時資料捕捉和流式架構的進步，現在可以實現實時資料監控，組織可以實時瞭解個別元件和所有過程。監控仍需要主動參與和快速響應，例如油井感測器指示溫度或體積增加，或網路流量中的bot-net活動或內部威脅。
預測性維護的重要性
預測性維護是指使用先進的分析和機器學習技術來預測裝置何時可能失敗，並在失敗發生之前進行維護。這種方法可以幫助減少停機時間，降低維護成本，提高整體效率。
收集物聯網資料
在工業環境中，收集物聯網資料是預測性維護的第一步。根據RT Insights的資料，一個噴氣發動機的成本可以達到1600萬美元，一次跨大西洋航班可以消耗36000加侖的燃料。今天的航空燃料價格約為每次航班54000美元，或每小時5000美元以上。絕大多數的噴氣發動機都是氣體渦輪發動機，其中熱能被轉換成動能，然後在旋轉的轉子中轉換成旋轉的機械能。這些發動機產生大量的物聯網資料。
預測性維護的流程
預測性維護的流程包括以下步驟：
- 資料收集：收集代表正常和故障操作的感測器資料，包括溫度、流量和壓力等引數。
- 資料預處理：對收集的資料進行預處理，包括資料清理、資料轉換和資料規範化等。
- 特徵提取：從預處理的資料中提取特徵，包括Condition Indicators（CIs）和其他相關特徵。
- 模型訓練：使用提取的特徵訓練機器學習模型，包括深度學習模型和其他先進的分析技術。
- 模型評估：評估訓練好的模型的效能，包括準確率、精確率和召回率等指標。
- 預測和維護：使用訓練好的模型預測裝置的剩餘使用壽命，然後進行維護和修理。
深度學習技術在預測性維護中的應用
深度學習技術可以用於處理大量的物聯網資料，包括卷積神經網路（CNNs）、迴圈神經網路（RNNs）和長短期記憶（LSTM）等。這些技術可以用於提取特徵、訓練模型和預測裝置的剩餘使用壽命。
程式碼示例
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
# 載入資料
data = pd.read_csv('data.csv')
# 預處理資料
X = data.drop(['target'], axis=1)
y = data['target']
# 切分資料
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 訓練模型
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
# 評估模型
accuracy = model.score(X_test, y_test)
print(f'Accuracy: {accuracy:.3f}')
Mermaid 圖表
graph LR
A[資料收集] --> B[資料預處理]
B --> C[特徵提取]
C --> D[模型訓練]
D --> E[模型評估]
E --> F[預測和維護]
圖表翻譯
此圖表展示了預測性維護的流程，從資料收集到預測和維護。每個步驟都對應到特定的技術和方法，包括資料預處理、特徵提取、模型訓練和評估等。
預測維護中的剩餘使用壽命（RUL）預測
預測維護是物聯網（IoT）中的一個重要應用，旨在預測裝置的剩餘使用壽命（RUL），以便進行維護和修理。在這個章節中，我們將探討如何使用機器學習（ML）和深度學習（DL）技術預測RUL。
RUL的定義
RUL是指裝置在需要維護或更換之前的預期壽命或使用時間。因此，預測RUL是預測維護中的關鍵步驟。
預測RUL的方法
預測RUL的方法可以分為兩類：根據機器學習的方法和根據深度學習的方法。根據機器學習的方法使用傳統的機器學習演算法，例如支援向量機（SVM）和隨機森林（RF），來預測RUL。根據深度學習的方法使用深度神經網路（DNN）來預測RUL。
案例研究：預測飛機燃氣渦輪引擎的RUL
在這個案例研究中，我們使用開源的Turbofan Engine Degradation Simulation dataset來預測飛機燃氣渦輪引擎的RUL。這個dataset包含了模擬的飛機燃氣渦輪引擎的執行資料，包括感測器測量值和RUL。
資料探索
首先，我們對dataset進行了探索，包括了資料的統計分析和視覺化。結果顯示，資料中包含了26個變數，包括了引擎的執行引數和感測器測量值。
預測RUL
接下來，我們使用了根據機器學習和深度學習的方法來預測RUL。結果顯示，根據深度學習的方法取得了更好的預測結果。
內容解密：
在這個章節中，我們探討了預測維護中的RUL預測。RUL是指裝置在需要維護或更換之前的預期壽命或使用時間。預測RUL是預測維護中的關鍵步驟。根據機器學習和深度學習的方法可以用來預測RUL。在這個案例研究中，我們使用了開源的Turbofan Engine Degradation Simulation dataset來預測飛機燃氣渦輪引擎的RUL。
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# 載入資料
data = pd.read_csv('turbofan_engine_degradation_simulation_data.csv')
# 預處理資料
X = data.drop(['RUL'], axis=1)
y = data['RUL']
# 切分資料
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 訓練模型
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
# 預測RUL
y_pred = model.predict(X_test)
# 評估模型
mse = mean_squared_error(y_test, y_pred)
print(f'MSE: {mse:.2f}')
圖表翻譯：
以下是預測RUL的流程圖：
flowchart TD
A[資料載入] --> B[預處理]
B --> C[切分資料]
C --> D[訓練模型]
D --> E[預測RUL]
E --> F[評估模型]
這個流程圖顯示了預測RUL的步驟，包括了資料載入、預處理、切分資料、訓練模型、預測RUL和評估模型。
預測性維護資料集建立
為了建立預測性維護的資料集，我們需要進行一系列的步驟。首先，我們需要讀取原始資料檔案，然後進行資料預處理和轉換，最後將資料儲存為 CSV 檔案。
讀取原始資料檔案
我們可以使用 glob 函式來讀取指定目錄下的所有檔案。假設我們的原始資料檔案存放在 data/raw/ 目錄下，我們可以使用以下程式碼來讀取這些檔案：
import glob
import pandas as pd
file_pattern = 'data/raw/*.csv'
for data_file in glob.glob(file_pattern):
# 讀取檔案內容
subset_df = pd.read_csv(data_file, header=None)
# ...
資料預處理和轉換
根據資料的格式和需求，我們可能需要進行一些預處理和轉換。例如，我們可能需要建立一個 unit_id 欄位，或者提取資料集的 ID 並新增為一個欄位。
if label_data:
# 建立 unit_id 欄位
unit_id = range(1, subset_df.shape[0] + 1)
subset_df.insert(0, 'unit_id', unit_id)
else:
# 提取資料集的 ID
dataset_id = basename(data_file).split("_")[1][:5]
subset_df.insert(0, 'dataset_id', dataset_id)
合併資料集
我們可以使用 append 函式來合併多個資料集。
data_sets.append(subset_df)
儲存資料集
最後，我們可以使用 to_csv 函式來儲存資料集為 CSV 檔案。
df.to_csv('train.csv', index=False)
df.to_csv('test.csv', index=False)
df.to_csv('RUL.csv', index=False)
讀取處理後的資料集
我們可以使用 read_csv 函式來讀取處理後的資料集。
train_df = pd.read_csv('train.csv')
test_df = pd.read_csv('test.csv')
rul_df = pd.read_csv('RUL.csv')
內容解密：
以上程式碼展示瞭如何建立預測性維護的資料集。首先，我們需要讀取原始資料檔案，然後進行資料預處理和轉換，最後將資料儲存為 CSV 檔案。接著，我們可以使用 read_csv 函式來讀取處理後的資料集。
圖表翻譯：
flowchart TD
A[讀取原始資料檔案] --> B[資料預處理和轉換]
B --> C[合併資料集]
C --> D[儲存資料集]
D --> E[讀取處理後的資料集]
圖表翻譯：
此圖表展示了建立預測性維護資料集的流程。首先，我們需要讀取原始資料檔案，然後進行資料預處理和轉換，最後將資料儲存為 CSV 檔案。接著，我們可以使用 read_csv 函式來讀取處理後的資料集。
預測維護中的感測器資料視覺化
在預測維護中，感測器資料的視覺化是一個非常重要的步驟。透過視覺化感測器資料，我們可以更好地瞭解裝置的執行狀態和潛在的故障模式。在本節中，我們將介紹如何使用Python和Matplotlib庫來視覺化感測器資料。
資料準備
首先，我們需要準備好感測器資料。假設我們有一個DataFrame train_df，其中包含了感測器資料和相關的設定資訊。我們可以使用以下程式碼來提取感測器資料和設定資訊：
# 提取感測器資料和設定資訊
sensor_columns = [col for col in train_df.columns if col.startswith("sensor")]
setting_columns = [col for col in train_df.columns if col.startswith("setting")]
單個裝置的感測器資料視覺化
接下來，我們可以視覺化單個裝置的感測器資料。假設我們想要視覺化第一個裝置的感測器資料，我們可以使用以下程式碼：
# 提取第一個裝置的感測器資料
slice = train_df[(train_df.dataset_id == 'FD001') & (train_df.unit_id == 1)]
# 建立一個7x3的子圖陣列
fig, axes = plt.subplots(7, 3, figsize=(15, 10), sharex=True)
# 迭代子圖陣列
for index, ax in enumerate(axes.ravel()):
# 提取感測器資料
sensor_col = sensor_columns[index]
slice.plot(x='cycle', y=sensor_col, ax=ax, color='blue')
# 標題和標籤格式化
if index % 3 == 0:
ax.set_ylabel("Sensor reading", size=10)
else:
ax.set_ylabel("")
ax.set_xlabel("Time (cycle)")
ax.set_title(sensor_col.title(), size=14)
ax.legend_.remove()
# 子圖陣列格式化
fig.suptitle("Sensor reading : unit 1, dataset 1", size=20, y=1.025)
fig.tight_layout()
這個程式碼會建立一個7x3的子圖陣列，並且迭代子圖陣列來視覺化每個感測器資料。
多個裝置的感測器資料視覺化
如果我們想要視覺化多個裝置的感測器資料，我們可以使用以下程式碼：
# 隨機選擇10個裝置來視覺化
all_units = train_df[train_df['dataset_id'] == 'FD001']['unit_id'].unique()
units_to_plot = np.random.choice(all_units, size=10, replace=False)
# 提取這些裝置的感測器資料
plot_data = train_df[(train_df['dataset_id'] == 'FD001') &
(train_df['unit_id'].isin(units_to_plot))].copy()
# 建立一個7x3的子圖陣列
fig, axes = plt.subplots(7, 3, figsize=(15, 10), sharex=True)
# 迭代子圖陣列
for index, ax in enumerate(axes.ravel()):
# 提取感測器資料
sensor_col = sensor_columns[index]
plot_data.plot(x='cycle', y=sensor_col, ax=ax, color='blue')
# 標題和標籤格式化
if index % 3 == 0:
ax.set_ylabel("Sensor reading", size=10)
else:
ax.set_ylabel("")
ax.set_xlabel("Time (cycle)")
ax.set_title(sensor_col.title(), size=14)
ax.legend_.remove()
# 子圖陣列格式化
fig.suptitle("Sensor reading : multiple units, dataset 1", size=20, y=1.025)
fig.tight_layout()
這個程式碼會隨機選擇10個裝置，並且視覺化這些裝置的感測器資料。
預測維護中的感測器資料分析
在預測維護中，感測器資料分析是一個關鍵步驟。以下是使用Python和matplotlib庫進行感測器資料分析的範例：
import matplotlib.pyplot as plt
import pandas as pd
# 載入感測器資料
plot_data = pd.read_csv('sensor_data.csv')
# 定義感測器欄位
sensor_columns = ['sensor1', 'sensor2', 'sensor3', 'sensor4', 'sensor5', 'sensor6']
# 繪製感測器資料
fig, axes = plt.subplots(7, 3, figsize=(15, 10), sharex=True)
for index, ax in enumerate(axes.ravel()):
sensor_col = sensor_columns[index]
# 繪製原始感測器資料
plot_data.groupby('unit_id').plot(x='cycle', y=sensor_col, alpha=0.45, ax=ax, color='gray', legend=False)
# 繪製10-cycle rolling mean感測器資料
plot_data.groupby('unit_id').rolling(window=10, on='cycle').mean().plot(x='cycle', y=sensor_col, alpha=0.75, ax=ax, color='black', legend=False)
# 標題和標籤設定
if index % 3 == 0:
ax.set_ylabel("感測器值", size=10)
else:
ax.set_ylabel("")
ax.set_title(sensor_col.title())
ax.set_xlabel("時間（週期）")
# 圖表設定
fig.suptitle("所有感測器資料：資料集1（隨機樣本10個單元）", size=20, y=1.025)
fig.tight_layout()
plt.show()
這個範例使用matplotlib庫繪製感測器資料，包括原始資料和10-cycle rolling mean資料。圖表顯示了不同單元的感測器資料，並且可以用來分析感測器資料的趨勢和模式。
預測維護中的失敗模式分析
在預測維護中，失敗模式分析是一個重要步驟。以下是使用Python和pandas庫進行失敗模式分析的範例：
import pandas as pd
# 載入訓練資料
train_df = pd.read_csv('train_data.csv')
# 定義生命週期系列
lifetimes = train_df.groupby(['dataset_id', 'unit_id'])['cycle'].max()
# 定義時間到失敗函式
def cycles_until_failure(row, lifetimes):
return lifetimes[row['dataset_id'], row['unit_id']] - row['cycle']
# 應用時間到失敗函式
plot_data['ctf'] = plot_data.apply(lambda r: cycles_until_failure(r, lifetimes), axis=1)
# 繪製感測器資料
fig, axes = plt.subplots(7, 3, figsize=(15, 10), sharex=True)
for index, ax in enumerate(axes.ravel()):
sensor_col = sensor_columns[index]
# 繪製感測器資料
plot_data.groupby('unit_id').plot(x='ctf', y=sensor_col, alpha=0.45, ax=ax, color='gray', legend=False)
# 標題和標籤設定
if index % 3 == 0:
ax.set_ylabel("感測器值", size=10)
else:
ax.set_ylabel("")
ax.set_title(sensor_col.title())
ax.set_xlabel("時間到失敗")
# 圖表設定
fig.suptitle("所有感測器資料：資料集1（隨機樣本10個單元）", size=20, y=1.025)
fig.tight_layout()
plt.show()
這個範例使用pandas庫進行失敗模式分析，包括計算時間到失敗值和繪製感測器資料。圖表顯示了不同單元的感測器資料，並且可以用來分析失敗模式和趨勢。
圖表翻譯：
這兩個範例使用matplotlib庫繪製感測器資料，包括原始資料和10-cycle rolling mean資料。圖表顯示了不同單元的感測器資料，並且可以用來分析感測器資料的趨勢和模式。時間到失敗函式用來計算每個單元的時間到失敗值，然後用來繪製感測器資料。這些圖表可以用來分析失敗模式和趨勢，並且可以用來預測維護。
預測維護的挑戰
預測維護是一個複雜的任務，尤其是在物聯網（IoT）領域。預測維護的目的是預測裝置何時需要維護，以避免裝置故障和降低維護成本。然而，預測維護的挑戰在於裝置的故障模式往往複雜且不可預測。
預測維護的困難
預測維護的困難在於裝置的故障模式往往受到多個因素的影響，例如裝置的使用情況、環境因素、維護情況等。這些因素使得預測維護的模型需要考慮多個變數和因素，以確保預測的準確性。
深度學習（DL）在預測維護中的應用
深度學習（DL）是一種機器學習的方法，已經被廣泛應用於預測維護中。DL可以學習裝置的故障模式和維護需求，從而預測裝置何時需要維護。DL的優點在於可以處理大規模的資料和複雜的模式。
FD004資料集
FD004資料集是一個公開的資料集，包含249個發動機的執行資料。每個發動機都有其執行時間、操作設定和感測器測量值的記錄。這個資料集特別之處在於發動機都執行到故障，給出了每個發動機在每個時間點的準確剩餘使用壽命（RUL）資訊。
剩餘使用壽命（RUL）的計算
剩餘使用壽命（RUL）的計算是預測維護中的關鍵步驟。RUL是指裝置從現在開始到故障的時間。計算RUL需要考慮裝置的執行時間、操作設定和感測器測量值等因素。
內容解密：
上述程式碼使用Mermaid語法繪製了一個預測維護的流程圖。圖中展示了裝置執行資料、深度學習模型、預測維護需求、維護安排和裝置故障預防之間的關係。
圖表翻譯：
此圖表展示了預測維護的流程。首先，裝置執行資料被收集和處理。然後，深度學習模型被用於預測維護需求。預測結果被用於安排維護，從而預防裝置故障。這個流程可以幫助減少裝置故障的風險和維護成本。
預測維護模型的建立
為了建立一個能夠預測剩餘使用壽命（RUL）的模型，我們可以透過模擬實際預測的方式來訓練模型。這個過程可以透過建立特定的特徵來實現，例如限制特定的時間點來模擬真實的預測情況。
建立截止時間
首先，我們需要建立一個函式來生成截止時間。這個函式可以根據資料的單位ID和例項數量來計算每個例項的剩餘使用壽命。
def make_cutoff_times(data):
gb = data.groupby(['unit_id'])
labels = []
for engine_no_df in gb:
instances = engine_no_df[1].shape[0]
label = [instances - i - 1 for i in range(instances)]
labels += label
return labels
應用截止時間
接下來，我們可以呼叫這個函式來生成截止時間，並檢視前五個引擎的剩餘使用壽命和截止時間。
cutoff_times = make_cutoff_times(data)
print(cutoff_times[:5])
深度特徵合成
然後，我們需要使用深度特徵合成（Deep Feature Synthesis, DFS）來生成特徵。為了做到這一點，我們需要建立一個實體集結構來組織我們的資料。首先，我們可以建立一個引擎實體。
def make_entityset(data):
# 引擎實體
engine = ft.EntitySet("engines")
engine.entity_from_dataframe(
entity_id="engine",
dataframe=data,
index="unit_id",
)
return engine
特徵工程
接下來，我們可以使用DFS來生成特徵。這個過程涉及到定義特徵的計算方式和如何從原始資料中提取這些特徵。
def generate_features(entityset):
# 定義特徵
feature_matrix, feature_names = ft.dfs(
entityset=entityset,
target_entity="engine",
verbose=1,
)
return feature_matrix, feature_names
模型訓練
最後，我們可以使用生成的特徵來訓練一個預測模型。這個模型可以是任何適合的機器學習演算法，例如隨機森林或梯度提升。
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
def train_model(feature_matrix, labels):
X_train, X_test, y_train, y_test = train_test_split(
feature_matrix, labels, test_size=0.2, random_state=42
)
model = RandomForestRegressor()
model.fit(X_train, y_train)
return model
這個過程可以幫助我們建立一個能夠預測剩餘使用壽命的模型，並且可以根據實際需求進行調整和最佳化。
預測性維護的實現
預測性維護是指使用先進的分析技術和機器學習演算法來預測裝置何時可能發生故障或需要維護。這種方法可以幫助企業減少停機時間，降低維護成本，提高裝置的可靠性和效率。
綜觀產業鏈上下游的技術選擇，預測性維護已成為物聯網時代裝置管理的關鍵策略。本文深入探討了從資料收集、預處理、特徵工程到模型訓練和評估的完整流程，並佐以實際案例和程式碼範例，展現了深度學習技術在預測性維護中的應用價值。藉由分析渦輪引擎退化模擬資料集，我們可以發現，深度學習模型例如CNN、RNN和LSTM，能夠有效地從感測器資料中提取特徵，預測裝置的剩餘使用壽命（RUL），並進而實現根據狀態的維護。然而，構建高精度預測模型仍面臨挑戰，例如資料品質、模型選擇和引數調整等。對於重視長期穩定性的企業，建議採用漸進式整合策略，從小規模試點開始逐步擴大應用範圍，並持續監控模型效能，不斷最佳化和調整。隨著感測器技術、資料分析方法和機器學習演算法的不斷發展，預測性維護的應用場景將更加廣泛，為提升裝置效率和降低營運成本提供更強大的支援。
