Zustandsabhängige Überwachung | CBM

Question

Machine Learning (ML) kann zwei Dinge aus Vibration/Akustisches Signal für Condition Based Monitoring (CBM): 1. Merkmalsextraktion (FT) und 2. Klassifizierung

Aber wenn wir durch die Forschung/Prozess sehen, dann, warum Signalverarbeitung Techniken für die Vorverarbeitung und ML für den Rest des Teils verwendet werden; Ich meine Klassifizierung? Wir können nur ML für alle diese verwenden. Aber ich habe das Verschmelzungsmodell der beiden Techniken gesehen: konventionelle Signalverarbeitung und ML.

Ich möchte den spezifischen Grund dafür wissen. Warum Forscher diese zwei verwenden; sie könnten nur mit ML anfangen; aber sie benutzen beide.

Answer 1

Ja, Sie können dies tun. Die Aufgabe wird jedoch komplizierter. FFT zum Beispiel wandelt den Eingabebereich in eine aussagekräftigere Darstellung um. Wenn Sie rotierende Geräte haben, würden Sie erwarten, dass das Spektrum hauptsächlich auf der Frequenz der Rotation liegt. Wenn jedoch ein Problem auftritt, ändert sich das Spektrum. Dies kann oft zum Beispiel von SVMS erkannt werden.

Wenn Sie nicht die FFT tun, aber nur das rohe Signal geben, haben SVMs eine harte Zeit.

Nichtsdestotrotz habe ich kürzlich praktische Beispiele mit Deep Convolutional Networks gesehen, die gelernt haben, Probleme mit rohen Schwingungsdaten vorherzusagen. Der Nachteil ist jedoch, dass Sie mehr Daten benötigen. Mehr Daten sind im Allgemeinen kein Problem, aber wenn man beispielsweise eine Windturbine mehr annimmt, sind Daten offensichtlich - oder hoffentlich ;-) - ein Problem. Die andere Sache ist, dass das ConvNet die FFT ganz von selbst gelernt hat. Aber warum nicht Vorwissen nutzen, wenn Sie das haben ...