52phm简介
专注于工业智能预警系统研发， 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。 网站正在不断建设和完善过程中，欢迎大家给予建议和参与社区建设
联系我们
投稿说明
52phm，专注于预测性维护知识学习和交流，欢迎广大从事预测性维护行业人员投稿，投稿请联系管理员(wx: www52phmcn)，投稿内容可以是：
- 学习笔记
- 技术理论
- 工程案例
- 行业资讯
加入我们
[置顶] python机器学习与特征工程理论与代码实现
通过python编程语言实现特征工程功能，本篇特征工程文章较为全面的介绍数据预处理，缺失值处理方法、异常值处理方法、数据无量纲、标准化、归一化，另外还介绍特征选择、特征降维等特征工程知识
[置顶] 大型旋转机械状态监测与故障诊断
1 故障诊断的含义故障就是指机械设备丧失了原来所规定的性能和状态。通常把运行中的状态异常、缺陷、性能恶化及事故前期的状态统称为故障，有时也把事故直接归为故障。而故障诊断则是根据状态监测所获得的信息，结合设备的工作原理、结构特点、运行参数及其历史运行状况，对设备有可能发生的故障进行分析、预报，对设备已经或正在发生的故障进行分析、判断，以确定故障的性质、类别、程度、部位及趋势。大型旋转机械
[置顶] 电机状态分类预测与研究
电机状态.txt数据集中最后一列是`电机状态`标签，其余列是特征。本数据集可以作为学习工业数据的分类算法使用，(1)分析不同电机状态的特征分布情况；(2)建立分类模型体验分类算法的应用。
[置顶] PIL图像预处理实操
1 PIL基本操作：主要是为了介绍 PIL 打开、展示和保存图像的基本运用。 2 图像处理：这个主要是为了对原始图像进行再处理，从而使图像符合我们的需求， 通常这里的处理情况会影响到模型训练的精度和准。 3 图像向量化：由于图片是非结构化数据，计算机不能直接识别处理， 因此需要向量化处理，从而转换成结构化数据 4 图像识别分类实战：主要是以步骤性来讲述，方便掌握
异常检测——拓扑异常检测（TAD）
分类是一种基于密度的outlier detection思想它不使用局部密度，而是利用近邻将数据构造成图。与其他KNN方法不同的是，它不用设定K作为参数，而是设定一个maximal inter-observation distance（被称为图resolution）的参数。在算法中，如果两个点之间的距离小与图resolution，就在他们之间加一个边。当整张图构建完成以后，通过设定一个阈值P...
异常检测——常见方法分类
异常检测3——常见方法分类基于统计学极值分析对数据分布进行假设基于线性分析基于时空空间关系造成的异常时间序列上的异常基于相似性分析建立在距离度量上的异常检测建立在密度分析上的异常检测基于聚类的异常检测基于偏差高维方法其他集成异常检测监督异常检测，半监督异常检测，主动学习图中的异常检测、网络中的异常检测基于统计学极值分析往往只对单独纬度进行研究，使用上有很大的局限性【1】对数据分布进行假设...
异常检测——孤立森林
异常检测——孤立森林基础思想算法训练阶段评估阶段参考基础1）异常数据只占少量；（2）异常数据特征值和正常数据差别很大。思想基于随机森林思想，但是更为简单假设数据集有N条数据，构建一颗iTree时，从N条数据中均匀抽样(一般是无放回抽样)出ψ个样本出来，作为这颗树的训练样本。在样本中，随机选一个特征，并在这个特征的所有值范围内(最小值与最大值之间)随机选一个值，对样本进行二叉划分，将样本中...
风电机组状态监测系统（CMS）
1、前言 风能作为一种清洁的永续能源，逐渐成为许多国家可持续发展战略的重要组成部分。我国的风能开发更是飞速发展，已经成为全球最大的风电市场。2015年,中国风电装机量再创新高。全国(除台湾地区外)新增装机容量3075.3万千瓦,同比增长32.6%,新增安装风电机组16740台;累计装机容量达到14536.2万千瓦,同比增长26.8%,累计安装风电机组92981台。
气象数据分析之突变检验及python的实现：MK突变、Pettitt方法、滑动T检验
什么是突变？常见的气候突变是把它定义为气候从一个平均值到另 一个平均值的急剧变化, 它表现为气候变化的不连续性（符淙斌，1992）。下图总结了四种常见的突变：(a)均值突变：从一个均值到另一个均值的变化，表现气候变化的不连续性(b)变率突变：平均值没有变但是方差变了©跷跷板突变(d)转折突变：某一 时段持续减少 ( 增加 ) , 然后突然在某点开 始 持续增加 (减少 )检验突变的方法有很多，介绍几种常用的~1. MK突变分析1.1原理3. 滑动T检验...
突变点检测：时序平稳性检验之ADF检验（python）
import numpy as npfrom statsmodels.tsa.stattools import adfuller as ADFdef trend_desc(inputdata): # 计算总趋势秩次和 inputdata = np.array(inputdata) n = inputdata.shape[0] sum_sgn = 0 ...
异常分析介绍-《Outlier Analysis 2nd Edition》
异常值是与其余数据存在显然不同的数据点。 霍金斯定义异常值如下： <br> “异常值是一个与其他观察结果有很大差异的观察结果，以此引起人们怀疑它是由不同的机制产生的”。 <br> 在数据挖掘和统计学文献中，异常值也被称为abnormalities、discordants、deviants或anomalies。 在大多数应用中，数据是由一个或多个生成过程创建的，这些生成过程既可以反映系统中的活动，也可以反映收集的有关实体的观察结果。当生成过程表现异常时，会导致创建异常值。 因此，异常经常包含有关系统和实体影响数据生成过程的异常特征的有用信息。 对这些不寻常的特性的认识提供了有用的应用特定见解。 一些例子如下：
异常分析-数据模型就是一切《Outlier Analysis 2nd Edition》
几乎所有异常值检测算法都会建立数据中正常模式的模型，然后根据这些模式的偏差计算给定数据点的异常值。 例如，该数据模型可以是生成模型，例如高斯混合模型，基于回归的模型或基于邻近的模型。 所有这些模型对数据的“正常”行为做出不同的假设。 然后通过评估数据点与模型之间的拟合质量来计算数据点的离群值分数。 在很多情况下，模型可能是算法定义的。 例如，基于最近邻的离群值检测算法根据其最近邻距离的分布对数据点
突变点检测：Magnitude of trend之Sen's slope（python）
# Sen's slopeimport numpy as npfrom pandas import Seriesfrom scipy.stats import normdef sens_slope_trend_detection(inputdata,conf_level=0.95): inputdata = Series(inputdata) n = inputda...
Python趋势分析自动化检测描述最终（最新）
Python趋势分析自动化检测描述最终（最新）异常检测、def trend_desc(inputdata,conf_level=0.95): overall_num = len(inputdata) # Sen's slope trend_result = sens_slope_trend_detection(inputdata,conf_level) # trend desc # 99% ——&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;gt; +—2....
突变点检测：Buishand U test突变点检测（python）
import numpy as npimport pandas as pddef Buishand_U_change_point_detection(inputdata): inputdata = np.array(inputdata) inputdata_mean = np.mean(inputdata) n = inputdata.shape[0] k...
时间序列预测中特征构建
传统统计学习方法： naive approach, moving average, Holt linear, exponential smoothing, ARIMA, and Prophet现代机器学习方法： 树模型等深度学习方法： LSTM、Seq2seq、Transform-XL等树模型需要人为构建特征，同时预测值不可超越区间内取值的上限。深度学习网络，可以发现输入数据之间的交互关系，同时可以发现趋势。根据数据可以尝试不同的方法，选择较优的方法。下面是树模型的构造特征的方法。1. 时间戳特
提升预测精度：时间序列探索性数据分析-EDA
提升预测精度：探索性数据分析-EDAsales_train_validation.csv参考：Python版本EDA+传统时间序列方法：<li>整体聚合销量时间序列。 <ul>- 销售额普遍上升，这对沃尔玛来说是个好消息。我们可以找出一些每年的季节性，在圣诞节下降，这是一年中唯一的商店关闭的日子
时间序列--平滑+特征工程
https://machinelearningmastery.com/moving-average-smoothing-for-time-series-forecasting-python/平滑的希望是消除噪声，更好地揭示潜在的因果过程的信号。移动平均线是时间序列分析和时间序列预测中常用的一种简单的平滑方法。计算移动平均线需要创建一个新的序列，其中的值由原始时间序列中原始观测值的平均值组成。...
时间序列特征构造：以电力负荷预测为例讲解（python语言）
大家好，我是yudengwu时间序列特征构造时间序列问题，首先不管是回归问题，还是分类问题。一个模型的好坏，决定因素由数据集的大小，特征值的选取和处理，算法。其中最重要的是特征值的选取和处理。今天与总来讲解下时间序列的特征构造问题。该特征构造部分可以用于其他数值数据。时间序列特征构造分类为 ：时间特征，时间历史特征，时间交叉特征时间特征连续时间：持续时间，间隔时间离散时间：年，季度，季节，月，星期，日，等节假日，节假日第几天上午，早上，中午，晚上年初，年末，月初，月末，周
Predict Future Sales（时间序列）——Kaggle银牌（TOP 4%）基础方案（三）：特征工程及线下验证划分
上篇说到了数据预处理和EDA，数据预处理是为了提高数据的可用性，而EDA则可以挖掘数据的规律，便于构造特征。在一个机器学习数据竞赛任务中，有句话叫做“特征决定任务能达到的高度，而模型和算法包括调参只是逼近这个高度”。特征工程的重要性是不言而喻的。对于我们这个任务而言，由于是时间序列问题，很多地方和其他类问题的处理不一样，比如时间序列问题在构造特征的时候就要包括到历史特征，还有时间窗特征，包括时间窗...
时间序列预测算法总结
时间序列算法time series data mining 主要包括decompose（分析数据的各个成分，例如趋势，周期性），prediction（预测未来的值），classification（对有序数据序列的feature提取与分类），clustering（相似数列聚类）等。时间序列的预测常用的思路：1、计算平均值2、exponential smoothing指数衰减...
时间序列预测
时间序列预测基于历史数据对其后某段时间内的数据进行预测，例如通过对菜品以往的销售数据，预测未来7天不同菜品的销售量，以减少菜品脱销或备货不足。时间序列与常见的回归问题的不同点在于：1、时间序列是跟时间有关的，而线性回归模型中观察结果是独立的；2、随着上升或者下降的趋势，更多的时间序列出现季节性趋势的形式。常用按时间序列排列的一组随机变量X_1,X_2,…,X_t来表示一个随机事件序列，记为{X_t}；用x_1,x_2,,...,x_n或{x_t,t=1,2,...,n}表示该随机序列的n个有序观察
-
52phm公告
-
-
关于站长
从事设备故障预测与健康管理行业多年的PHM算法工程师（机器医生）、国际振动分析师， 实践、研发和交付的项目涉及“化工、工业机器人、风电机组、钢铁、核电、机床、机器视觉”等领域。专注于工业智能预警系统研发， 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。
