人工智能通识 实践任务报告 Chap7 人工智能在工业中的应用-课程实验

《人工智能通识》实验任务报告实践章节：学生姓名： 专业班级： 学号： 《第7章人工智能在工业中的应用》课程实验姓名学号班级实验地点指导教师时间实验任务一任务名称基于机器学习的机器故障预测2、任务目标利用机器学习算法对工业机器运行数据进行分析，构建高精度的故障预测模型，实现对机器潜在故障的提前预警，从而减少非计划停机时间，降低维护成本，提高工业生产的稳定性和效率。通过本次实验，深入理解人工智能在工业故障预测领域的应用原理与实践流程，掌握数据预处理、模型训练、评估等关键技术。3、具体任务内容（1）数据收集：收集工业机器在正常运行和故障状态下的传感器数据，包括温度、振动、电流等关键指标数据。​（2）数据预处理：对收集到的数据进行清洗，去除噪声数据和异常值；对缺失数据进行填充处理；对数据进行归一化，使数据具有可比性。​（3）特征工程：从原始数据中提取有价值的特征，如计算振动数据的频率特征、温度数据的变化趋势等，构建特征向量。​（4）模型选择与训练：选择合适的机器学习算法，如支持向量机（SVM）、随机森林等，使用预处理后的数据对模型进行训练。​（5）模型评估：使用测试数据集对训练好的模型进行评估，计算模型的准确率、召回率、F1值等指标，分析模型的性能。​（6）故障预测与预警：将实时采集的机器运行数据输入到训练好的模型中，根据模型输出判断机器是否存在故障风险，并及时发出预警。4、成果要求（1）实验报告一份，按照实验报告模板撰写，详细描述实验过程、遇到的问题及解决方案、实验结果等。（2）完整的代码实现，包括数据处理、模型训练和评估部分。（3）训练好的故障预测系统，能够对系统故障进行诊断。实验报告实验任务利用机器学习算法构建工业机器故障预测模型，实现对机器潜在故障的提前预警。通过这个实验，将掌握以下技能：（1）收集机器运行多传感器数据；​（2）清洗、处理和归一化数据；​（3）提取时频域特征构建向量；​（4）用随机森林训练故障预测模型；​（5）评估模型性能指标；​（6）输入实时数据实现故障预警；2、实验环境（1）硬件环境：处理器：IntelCorei7或更高内存：16GB或更高显卡：NVIDIAGPU（推荐RTX3060及以上，支持CUDA）（2）软件环境：操作系统：Windows10/11、Linux或macOSPython版本：3.8或更高主要依赖库：Scikit-learn、Pandas、NumPy、Matplotlib数据存储：MySQL8.03、任务完成及步骤【分解任务1】：数据收集实验步骤：通过与工厂合作，从工厂的MySQL数据库中获取机器在正常运行和故障状态下，由多个传感器采集的温度、振动加速度、电流、电压等10个指标数据，数据采集频率为每分钟一次，采集周期为3个月。#下载数据集对应代码importmysql.connectorimportpandasaspd#连接MySQL数据库mydb=mysql.connector.connect(host="localhost",#数据库主机地址，根据实际情况修改user="your_username",#数据库用户名，根据实际情况修改password="your_password",#数据库密码，根据实际情况修改database="your_database"#数据库名称，根据实际情况修改)#从数据库中读取数据query="SELECT*FROMmachine_sensor_data"#表名根据实际情况修改data=pd.read_sql(query,mydb)mydb.close()实验结果：实验总结：（1）遇到xx问题，解决方法；总结xx经验【分解任务2】：数据预处理实验步骤：（1）数据清洗：使用Pandas库读取数据后，通过统计分析找出并删除包含大量缺失值或明显异常值的记录，如温度数据超出正常范围（0-100℃）的记录。​（2）缺失值处理：计算每列数据的均值，用均值对缺失值进行填充。​（3）数据归一化：采用Min-Max归一化方法，将数据映射到[0,1]区间，使不同特征的数据具有可比性。#数据预处理对应代码importpandasaspdfromsklearn.preprocessingimportMinMaxScaler#数据清洗，删除包含大量缺失值或明显异常值的记录data=data[(data['temperature']>=0)&(data['temperature']<=100)]#缺失值处理，采用均值填充data.fillna(data.mean(),inplace=True)#数据归一化scaler=MinMaxScaler()data[['temperature','vibration','current','voltage']]=scaler.fit_transform(data[['temperature','vibration','current','voltage']])实验结果：（1）xxxxxx实验总结：（1）遇到xx问题，解决方法；总结xx经验。【分解任务3】：特征工程实验步骤：（1）时域特征提取：对于振动数据，计算其均值、方差、峰值等时域特征；对于温度数据，计算温度变化率等特征。​（2）频域特征提取：对振动数据进行傅里叶变换，提取主要频率成分的幅值作为频域特征。​（3）构建特征向量：将提取的各类特征组合成一个特征向量，作为机器学习模型的输入数据。#提取特征对应代码importpandasaspdimportnumpyasnp#时域特征提取data['vibration_mean']=data['vibration'].rolling(window=10).mean()data['vibration_std']=data['vibration'].rolling(window=10).std()data['temperature_change_rate']=data['temperature'].diff()#频域特征提取（简化示例，假设振动数据已存储为时间序列）defget_frequency_features(vibration_data):fft_result=np.fft.fft(vibration_data)frequencies=np.fft.fftfreq(len(vibration_data))positive_indices=np.where(frequencies>0)[0]magnitude=np.abs(fft_result[positive_indices])returnmagnitude[:10]#取前10个主要频率成分的幅值data['frequency_features']=data['vibration'].apply(lambdax:get_frequency_features(x))#构建特征向量X=data.drop('is_fault',axis=1)#假设is_fault列为故障标签列y=data['is_fault']实验结果：（1）xxxxxx实验总结：（1）遇到xx问题，解决方法；总结xx经验。总结xx经验。【分解任务4】模型选择与训练实验步骤：（1）模型选择：选择随机森林算法作为故障预测模型，因其具有良好的鲁棒性和泛化能力，能处理非线性数据，适合工业故障预测场景。​（2）划分训练集和测试集：将预处理后的数据集按照7:3的比例划分为训练集和测试集。（3）模型训练：使用训练集数据对随机森林模型进行训练，设置树的数量为100，最大深度为10等参数。#评估选择与训练对应代码fromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifier#划分训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)#模型训练model=RandomForestClassifier(n_estimators=100,max_depth=10,random_state=42)model.fit(X_train,y_train)【分解任务5】模型评估实验步骤：使用测试集数据对训练好的随机森林模型进行评估，计算准确率、召回率、F1值等指标，以分析模型的性能。#模型评估对应代码fromsklearn.metricsimportaccuracy_score,recall_score,f1_scorey_pred=model.predict(X_test)accuracy=accuracy_score(y_test,y_pred)recall=recall_score(y_test,y_pred)f1=f1_score(y_test,y_pred)print("准确率：",accuracy)print("召回率：",recall)print("F1值：",f1)【分解任务6】故障预测与预警实验步骤：将实时采集的机器运行数据按照数据预处理和特征工程的方法进行处理，然后输入到训练好的随机森林模型中，根据模型输出判断机器是否存在故障风险，若存在故障风险则通过邮件或短信向维护人员发出预警信息。#故障预测与预警对应代码#假设实时数据为new_data（格式与原始数据相同）new_data=pd.DataFrame({'temperature':[0.5],'vibration':[0.3],'current':[0.4],'voltage':[0.6],#其他特征列...})#对新数据进行相同的数据预处理和特征工程new_data[['temperature','vibration','current','voltage']]=scaler.transform(new_data[['temperature','vibration','current','voltage']])new_data['vibration_mean']=new_data['vibration'].rolling(window=10).mean()new_data['vibration_std']=new_data['vibration'].rolling(window=10).std()new_data['temperature_change_rate']=new_data['temperature'].diff()new_data['frequency_features']=new_data['vibration'].apply(lambdax:get_frequency_features(x))#进行预测prediction=model.predict(new_data)ifprediction[0]==1:print("机器存在故障风险，发出预警！")else:print("机器运行正常")实验总结（1）成功收集多源数据，经清洗、填充和归一化提升数据质量，提取时频域特征助力模型训练。​（2）采