用風機軸承數據集訓練SOM模型來說明～

自組織映射（Self-Organizing Maps，SOM）是一種用於聚類和可視化高維數據的人工神經網絡技術。在PHM中，SOM可以用來將不同故障類型聚類成群。

*數據準備：*收集和準備PHM數據集，確保數據的可靠性和準確性。
特徵工程：
從數據中提取相應的特徵，這些特徵可以包括時間序列特徵、頻域特徵等。

• 數據標記：將每個數據樣本標記為其所屬的故障類型。
• SOM模型設置：初始化SOM模型，指定網格大小、鄰域函數等參數。
• 模型訓練：使用準備好的特徵和故障類型標記來訓練SOM模型。
• 聚類和可視化：使用訓練好的SOM模型，將不同的故障類型聚類成群，並進行可視化展示。
• 結果評估：對聚類結果進行評估，可以使用一些評估指標來衡量聚類的性能，如Silhouette係數等。
• 調優和改進：根據評估結果，可以進一步調優SOM模型的參數，或者考慮嘗試其他聚類方法。
• 部署和監控：將訓練好的SOM模型部署到實際的PHM系統中，並定期監控模型的性能。
  SOM可以幫助你在高維數據中發現故障類型之間的隱藏結構，並將相似的故障聚在一起。這樣的分類結果可以提供有價值的信息，幫助你進一步理解和解決PHM中的問題。

from minisom import MiniSom
import numpy as np

# 假設我們有一個虛擬的風機軸承數據集
# 每個樣本有三個特徵：振動、溫度、壓力
# 這裡使用隨機數據模擬
data = np.random.rand(100, 3) * 10  

# 初始化SOM模型，設定網格大小（這裡假設為2x2的網格）
som = MiniSom(2, 2, 3, sigma=0.3, learning_rate=0.5)

# 開始訓練SOM模型
som.train_random(data, 100)

# 將每個樣本映射到其最近的節點
mapped = np.array([som.winner(x) for x in data])

# 將節點轉換為故障類型
# 在實際情況中，你需要根據你的數據和問題定義相應的故障類型
# 這裡只是一個示例，假設有兩種故障類型
fault_types = {
    (0, 0): 'Type A',
    (0, 1): 'Type B',
    (1, 0): 'Type A',
    (1, 1): 'Type B'
}

# 將映射的節點轉換為故障類型
fault_labels = np.array([fault_types[tuple(m)] for m in mapped])

# 打印故障類型結果
print(fault_labels)