案例名稱：鐵路輪軌系統健康監測

在鐵路行業中，輪軌系統是關鍵的設備，直接影響列車運行的安全和平穩。因此，監測輪軌系統的健康狀態變得非常重要。

• 解決方案：
  數據收集：安裝傳感器在軌道和輪軸上，監測振動、溫度、應力等運行數據。
  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。
  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）建立輪軌系統健康狀態預測模型。
  異常檢測和警報：在監測過程中，通過比較實際數據與模型預測的結果，來檢測是否存在異常情況，並生成警報。
  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

# 創建一個虛擬的輪軌系統健康監測數據集
data = {'Vibration': [0.2, 0.18, 0.22, 0.25, 0.21, 0.19],
        'Temperature': [30, 32, 28, 33, 31, 29],
        'Stress': [200, 220, 180, 230, 210, 190],
        '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', 'Stress']]
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)

# 預測輪軌系統狀態
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（振動、溫度、應力）和目標變量（輪軌系統狀態）的數據集 df