案例名稱：汽車引擎健康監測

一家汽車製造公司希望通過 PHM 系統來監測汽車引擎的健康狀態，以提前發現可能出現的故障，保證汽車的安全性和可靠性。

• 解決方案：
  數據收集：在汽車引擎上安裝傳感器，收集引擎運行時的各種數據，如轉速、溫度、油壓、排氣壓力等。
  數據處理：將數據傳送到數據處理系統，進行清理、特徵提取等操作。
  異常檢測：使用機器學習模型或統計方法來檢測引擎的異常狀態，例如檢測到的故障碼、異常數據超出範圍等。
  警報和通知：當系統檢測到引擎異常時，生成警報，通知相關人員進行檢修。
  維護計劃：根據異常檢測結果，制定相應的維護計劃，包括更換零部件、進行維修保養等。
  數據分析和模型優化：通過分析歷史數據，優化異常檢測模型，提高健康狀態預測的準確性。

通過引入這個 PHM 系統，汽車製造公司能夠及時發現汽車引擎的異常狀態，並迅速進行相應的維護，保證了汽車的安全性和可靠性，同時降低了維修成本

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

# 創建一個虛擬的汽車引擎健康監測數據集
data = {'RPM': [5000, 4800, 5100, 4900, 5050, 5200],
        'Temperature': [80, 85, 90, 88, 92, 95],
        'OilPressure': [30, 28, 32, 29, 31, 33],
        'ExhaustPressure': [1, 1.2, 1.1, 1, 1.3, 1.2],
        '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[['RPM', 'Temperature', 'OilPressure', 'ExhaustPressure']]
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)

# 預測引擎狀態
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))