案例名稱：油氣輸送管道健康監測

在油氣行業中，輸送管道是至關重要的設備，它們負責將油氣從生產地運送到儲存或加工地點。監測這些管道的健康狀態可以幫助預防漏油、泄漏等意外事件，保障生產運營的安全和效率

• 解決方案：
  數據收集：安裝傳感器在輸送管道上，監測壓力、流量、溫度等運行數據。
  數據處理：將數據從傳感器中讀取並進行清理、特徵提取等處理。
  異常檢測：使用統計方法或機器學習模型檢測管道的異常狀態，如高壓、異常流量等。
  警報和通知：當管道出現異常時，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，包括修理、更換等。

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

# 創建一個虛擬的輸送管道健康監測數據集
data = {'Pressure': [150, 155, 140, 160, 158, 152],
        'FlowRate': [500, 520, 480, 510, 515, 505],
        'Temperature': [35, 34, 36, 33, 37, 34],
        '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[['Pressure', 'FlowRate', 'Temperature']]
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)

# 預測管道狀態
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))