案例名稱：製造業設備健康監測

一家製造公司擁有大量的生產設備，包括機械、電子設備等。公司希望能夠提前發現這些設備可能出現的故障，以避免生產中斷，提高生產效率。

製造業設備數據集，並使用隨機森林分類器來建立模型。它包括數據的收集、特徵提取、模型訓練和評估等步驟。
數據收集：在每台生產設備上安裝傳感器，收集設備的運行數據，如振動、溫度、電流等。
數據處理：將數據傳送到一個中央數據處理系統，進行清理、特徵提取等操作。
模型建立：使用機器學習模型，如隨機森林或支持向量機（SVM），來預測設備的健康狀態。
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生產線上，進行實時監測。
異常檢測和警報：當模型檢測到設備出現異常時，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：
通過引入這個PHM系統，製造公司能夠提前發現設備的異常狀態，並迅速進行相應的維護，從而降低了因設備故障導致的生產中斷，同時提高了生產效率。

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

# 創建一個虛擬的製造業設備數據集
data = {'Vibration': [0.2, 0.3, 0.4, 0.3, 0.5, 0.6],
        'Temperature': [60, 65, 70, 68, 75, 80],
        'Current': [10, 12, 15, 13, 18, 20],
        'Status': [0, 0, 1, 0, 1, 1]}  # 0 表示正常，1 表示異常

df = pd.DataFrame(data)

# 提取特徵和目標變量
X = df[['Vibration', 'Temperature', 'Current']]
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)

# 預測設備狀態
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))