基於條件的監測| CBM

Question

機器學習（ML）可以從基於狀態的監測（CBM）的振動/聲信號做兩件事： 1。特徵提取（FT）和 2。分類

但是，如果我們仔細觀察研究/過程，那麼爲什麼信號處理技術用於預處理以及ML用於其餘部分;我的意思是分類？ 對於所有這些，我們只能使用ML。但我已經看到了兩種技術的融合模式：傳統的信號處理方法和ML。

我想知道具體的原因。爲什麼研究人員使用這兩個他們只能用ML來做;但他們使用兩者。

Answer 1

是的，你可以這樣做。但是，這項任務變得更加複雜。例如，FFT將輸入空間轉換爲更有意義的表示形式。如果你有旋轉設備，你會期望頻譜主要取決於旋轉的頻率。但是，如果出現問題，頻譜會發生變化。這通常可以通過例如SVMS來檢測。

如果你不做FFT但只給出原始信號，那麼SVM很難。儘管如此，我已經看到了最近使用深度卷積網絡的實例，這些實例已經學會了預測原始振動數據的問題。然而，缺點是你確實需要更多的數據。更多的數據一般來說不是問題，但是如果你拿一臺風力發電機組作爲例子，更多的故障數據顯然 - 或者希望是---) - 是一個問題。另一件事是ConvNet自己學習了FFT。但是，爲什麼不使用以前的知識，如果你有...