工业互联网预测性维护 课件 0704工业互联网预测性维护-神经网络预测 - 副本

工业互联网预测性维护—神经网络预测2023年10月算法模型的分类这只是一种常见的分类方式，实际上还有其他类型的算法模型，如聚类算法、降维算法、推荐算法等。此外，有些算法模型可以同时用于分类和回归任务，如神经网络模型。算法的选择取决于具体的问题和数据特征。线性回归与非线性回归回归算法与预测一元线性回归多项式回归

因此，我们可以用回归算法进行预测：step1：建立模型step2：将数据分为训练集，测试集step3：用训练集对模型进行训练Step4：用测试集验证模型效果Step5：对新数据进行预测预测算法介绍在工业维护场景中，可以使用多种算法来进行预测和故障检测。机器学习算法：①逻辑回归（LogisticRegression）：用于二分类问题，可以预测设备是否会发生故障。②决策树（DecisionTrees）：可以用于故障原因分析和设备维护决策。③随机森林（RandomForest）：基于多个决策树的集成算法，可以用于故障检测和设备维护优化。④支持向量机（SupportVectorMachines）：用于分类和回归问题，可以用于预测设备状态和故障概率。⑤神经网络（NeuralNetworks）：可以用于复杂的预测和故障检测任务，如循环神经网络（RNN）和卷积神经网络（CNN）。预测算法介绍2.时间序列分析算法：①自回归移动平均模型（ARIMA）：用于对时间序列数据进行建模和预测，适用于设备故障时间序列数据分析。②季节性分解（SeasonalDecompositionofTimeSeries,STL）：用于分解时间序列数据的趋势、季节性和残差成分，帮助发现异常和故障模式。③长短期记忆网络（LongShort-TermMemory,LSTM）：一种适用于时间序列数据的循环神经网络，可以用于预测设备故障和异常检测。神经网络算法——简介神经网络算法——结构神经网络算法——流程BP神经网络简要来说，BP神经网络就是以研究对象的特征值为输入，通过神经元和激活函数得到输出的算法。该神经网络算法最重要的特征是反向传播（backpropagation

）。BP神经网络BP神经网络的训练过程BP神经网络训练的对象是各特征值的权重，通过调整各特征值权重，来完成某一特定问题的数学模型刻画。例如：房价问题。房价城市地段大小品质BP神经网络BP神经网络的训练过程在房价问题，每一个因素（特征值）都会对最终房价产生影响。但是不同因素（特征值）的变化对房价产生影响的效果是不同的。（正向、负向；平稳、激烈）BP神经网络训练的过程实际上是一个试错的过程。为了找到各影响因素（特征值）对房价产生影响的程度（权重），BP神经网络通过设置训练集和初始值，得到一个推理出来的结果。BP神经网络BP神经网络的训练过程之反向传播训练集除了包含特征值外还包括实际输出（真实房价）。通过推理房价与真实房价相减得到误差。误差作为调整权重的依据进行反向传播，调整各权重。调整权重之后再进行正向传播得到误差，误差再反向传播…最终达到的效果是误差为零或者在可接受范围内且不再变化。BP神经网络的验证过程在BP神经网络中各权重调整完毕，利用测试集对该神经网络模型进行测试，验证其性能。测试集同样包括特征值和真实结果。通过进行输入特征值得到的推理结果与真实结果的比较，验证模型性能。BP神经网络BP神经网络中的数学知识——损失函数BP神经网络的核心是寻找一系列的权重使得真实值与推理值之间的误差最小。在数学的范畴中，就是用损失函数来度量误差最小。常见的均方差损失函数表示为：，损失函数取得最小值，就表明推理效果最好。BP神经网络BP神经网络中的数学知识——梯度下降法给定一元函数f(x)，求f(x)的最小值（或最大值）解析法：对可导函数，求导，求驻点，比较驻点处的函数值。数值解法：（爬山法）1）赋初值x=x0；2）随机生成增量∆x；3）若f（x+∆x）<f(x)，则x←x+∆x；4）重复步骤2和3至收敛。（一般设置一个适当的评价指标）BP神经网络BP神经网络中的数学知识——梯度下降法对于多元函数（x,y,z）此处以二元为例，有类似的爬山算法：1）赋初值x=x0，y=y0；2）随机生成增量∆x，∆y；3）若f（x+∆x，y+∆y）<f(x，y)，则x←x+∆x，y←y+∆y；4）重复步骤2和3至收敛。存在的问题：①初值的设定对收敛快慢影响很大；②增量的方向随机生成，效率低；步长太小则计算效率低，太大容易越过极值点；③容易陷入局部最优解；④无法处理“高原”的情况；学习率神经网络名词解释训练集训练集通常由输入特征和对应的目标标签或输出值组成。例如，在图像分类任务中，训练集的输入特征可以是图像的像素值，而目标标签可以是图像的类别标签（例如猫、狗、汽车等）。在训练过程中，模型通过观察训练集中的许多样本，不断调整自己的参数，以最小化预测输出与目标标签之间的误差。神经网络名词解释测试集用于评估机器学习模型性能的数据集合。在训练完成后，使用测试集来对训练好的模型进行评估，检查其在未见过的数据上的表现。测试集通常与训练集是相互独立的，它包含了与训练集类似的输入特征，但是具有独立的目标标签或输出值。测试集的目的是模拟模型在实际应用中遇到的新数据，以便评估模型的泛化能力。预测结果神经网络名词解释权重权重（weights）是神经网络中的参数，用于调整输入特征与神经元之间的连接强度。在全连接神经网络中，每个神经元与上一层的所有神经元都有连接，并且每个连接上都有一个权重。权重决定了每个神经元对输入特征的重要性和影响程度。神经网络名词解释激活函数激活函数（activationfunction）是神经网络中一种非线性函数，它被应用于神经元的输出，用于引入非线性变换和增加神经网络的表达能力。激活函数将神经元的输入进行转换，生成神经元的输出。神经网络名词解释正向传播正向传播（forwardpropagation）是神经网络中的一种计算过程，用于将输入数据经过神经网络的各层传递，并得到最终的输出结果。在正向传播中，数据从输入层开始，逐层传递至输出层。每层包含多个神经元，每个神经元接收来自上一层神经元的输出，并计算加权和，然后通过激活函数进行非线性转换