案例名稱：軸承健康狀態預測

軸承是許多機械設備中的關鍵部件。透過監測軸承的運行數據，我們可以預測軸承的健康狀態，並在需要時進行維護，從而避免突發故障。

• 解決方案：
  數據收集：使用傳感器收集軸承的運行數據，如振動、溫度、速度等。
  數據處理：將數據讀取到 Python 中，並進行清理、特徵提取等處理。
  特徵工程：根據振動數據，提取頻域特徵、時域特徵等，以用於訓練模型。
  模型訓練：使用機器學習算法（如隨機森林、支持向量機等）建立軸承健康狀態預測模型。
  模型評估：使用測試數據評估模型的性能，包括準確度、召回率等指標。
  預測和維護：使用訓練好的模型對新的軸承數據進行健康狀態預測，並在需要時進行相應的維護。

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

# 假設你已經有了一個包含特徵和目標變量的數據集 df

# 提取特徵和目標變量
X = df[['Vibration', 'Temperature', 'Speed']]
y = df['Status']  # Status: 0 表示正常，1 表示異常

# 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)

# 預測軸承狀態
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))

這個示例假設你已經有了一個包含特徵（如振動、溫度、速度等）和目標變量（軸承狀態）的數據集～