案例名稱：風機軸承健康監測

一家風力發電場擁有多臺風力發電機，每臺發電機都配備有軸承以支撐風扇轉子的運轉。公司希望能夠監測這些軸承的狀態，並提前識別出有可能發生故障的軸承，以便進行及時維修，減少設備停機時間。

• 解決方案：
  數據收集：首先，公司在每臺風力發電機上安裝了傳感器來收集與軸承運行狀態相關的數據，如振動、溫度、壓力等。
  數據處理：收集到的數據被傳送到一個數據處理系統中，用於清理、處理和存儲數據。
  特徵工程：從原始數據中提取特徵，例如計算振動的頻譜特徵，溫度的變化趨勢等。這些特徵將有助於識別軸承的異常狀態。
  模型建立：使用機器學習或深度學習模型來建立健康狀態預測模型。例如，可以使用支持向量機（SVM）分類器來區分正常軸承和異常軸承。
  模型訓練：使用歷史數據來訓練模型，使其能夠識別出正常和異常狀態。
  模型部署：將訓練好的模型部署到實時監測系統中，以持續監測風力發電機的軸承狀態。
  異常檢測和警報：當模型檢測到軸承出現異常時，它會生成警報，通知相關人員進行檢修。

• 故障分析：對檢測到的異常進行分析，以確定需要進行哪些具體的維修工作。

• 效果：
  預防性維護：能夠提前發現有可能故障的軸承，減少了設備停機時間。
  成本節省：避免了由於突發故障所導致的緊急維修成本。
  提高運營效率：風力發電機的連續運轉時間得到了提升，增加了發電量。
  數據分析：可以通過對歷史數據的分析來優化預測模型，提高健康狀態的準確度。

PHM系統為公司提供了一個強大的工具來監測和維護風力發電場的設備，確保其長期穩定運行，同時節省了維護成本和提高了發電效率。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report

# 創建一個虛擬的風機軸承數據集
data = {'Vibration': [0.5, 0.8, 1.2, 1.0, 1.5, 2.0],
        'Temperature': [30, 35, 40, 38, 36, 34],
        'Pressure': [100, 95, 90, 92, 88, 85],
        'Status': [0, 0, 1, 1, 0, 1]}  # 0 表示正常，1 表示故障

df = pd.DataFrame(data)

# 提取特徵和目標變量
X = df[['Vibration', 'Temperature', 'Pressure']]
y = df['Status']

# 將數據集劃分為訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化隨機森林分類器
rf_model = RandomForestClassifier()

# 訓練模型
rf_model.fit(X_train, y_train)

# 預測壽命狀態
y_pred = rf_model.predict(X_test)

# 計算準確度
accuracy = accuracy_score(y_test, y_pred)

print(f"準確度: {accuracy}")
print(classification_report(y_test, y_pred))

創建了一個虛擬的風機軸承數據集DataFrame。
然後，我們提取了特徵（振動、溫度、壓力）和目標變量（軸承狀態）。
接著，我們將數據集劃分為訓練集和測試集，初始化了一個隨機森林分類器，並進行了模型訓練。
最後，我們使用測試集進行預測，並計算了模型的準確度以及生成了分類報告。