기계 학습 (ML)은 상태 기반 모니터링 (CBM)을위한 진동/음향 신호에서 두 가지를 수행 할 수 있습니다. 1. 기능 추출 (FT) 및 2. 분류조건 기반 모니터링 | CBM
그러나 연구/프로세스를 살펴보면 왜 신호 처리 기술이 사전 처리에 사용되고 ML은 나머지 부분에 사용됩니까? 나는 분류를 의미합니까? 우리는 이들 모두에 대해 ML 만 사용할 수 있습니다. 그러나 두 가지 기술의 병합 모델을 보았습니다. 기존의 신호 처리 방식과 ML입니다.
구체적인 이유를 알고 싶습니다. 왜 연구원이이 두 가지를 사용 하는가? 그들은 ML 만 할 수 있습니다. 하지만 둘 다 사용합니다.
예, 그렇게 할 수 있습니다. 그러나 과제는 더욱 복잡해집니다. 예를 들어 FFT는 입력 공간을보다 의미있는 표현으로 변환합니다. 회전 장비가 있다면 스펙트럼이 주로 회전 빈도에 있다고 예상 할 수 있습니다. 그러나 문제가 있으면 스펙트럼이 변경됩니다. 이것은 종종 예를 들어 SVMS에 의해 탐지 될 수 있습니다.
FFT를하지 않고 원시 신호 만 주면 SVM에 어려움이 있습니다.
그럼에도 불구하고, 나는 원시 진동 데이터의 문제를 예측하는 것을 배운 Deep Convolutional Networks를 사용한 최근의 실제적인 예를 보았습니다. 그러나 단점은 더 많은 데이터가 필요하다는 것입니다. 더 많은 데이터는 일반적으로 문제가되지 않지만, 예를 들어 풍력 터빈을 취하면 더 많은 실패 데이터가 분명히 또는 희망적으로 ;-) - 문제입니다. 다른 점은 ConvNet이 FFT를 모두 배웠다는 것입니다. 하지만 사전 지식이 없으면 ..... .....