案例名稱：飛機引擎健康監測

航空業：飛機引擎健康監測
一家航空公司希望監測其飛機引擎的健康狀態，以提前發現可能出現的故障，並進行相應的維護。

• 解決方案：
  使用傳感器收集飛機引擎的運行數據，如轉速、溫度、壓力等。
  將數據傳送到數據處理系統，進行清理、特徵提取等操作。
  建立機器學習模型來預測引擎的健康狀態，如支持向量機（SVM）或深度學習模型。
  將模型部署到實時監測系統中，並定期更新模型以保持其準確性。

• 效果：
  通過引入PHM系統，航空公司能夠提前識別出可能出現故障的引擎，減少了不必要的維修成本，同時保證了飛行安全

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, classification_report

# 創建一個虛擬的飛機引擎數據集
data = {'RPM': [5000, 5200, 4800, 5100, 4900, 5050],
        'Temperature': [700, 680, 720, 690, 710, 695],
        'Pressure': [150, 160, 140, 155, 145, 152],
        'Status': [1, 0, 1, 0, 1, 0]}  # 1 表示異常，0 表示正常

df = pd.DataFrame(data)

# 提取特徵和目標變量
X = df[['RPM', '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)

# 初始化支持向量機（SVM）分類器
svm_model = SVC()

# 訓練模型
svm_model.fit(X_train, y_train)

# 預測引擎狀態
y_pred = svm_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))

虛擬的飛機引擎數據集提取了特徵（轉速、溫度、壓力）和目標變量（引擎狀態）
將數據集劃分為訓練集和測試集，初始化了一個支持向量機（SVM）分類器，並進行了模型訓練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