基于状态监测| CBM

Question

机器学习（ML）可以从基于状态监测的振动/声学信号（CBM）做两件事： 1。特征提取（FT）和 2。分类

但是，如果我们仔细研究一下研究/过程，那么为什么信号处理技术被用于预处理，ML用于其余部分;我的意思是分类？ 我们只能将ML用于所有这些。但我已经看到了两种技术的融合模型：传统的信号处理方法和ML。

我想知道具体原因。研究人员为何使用这两者;他们只能做ML;但他们同时使用。

Answer 1

是的，你可以这样做。但是，任务变得更加复杂。 例如，FFT将输入空间转换为更有意义的表示。如果您有旋转设备，您可能会认为频谱主要取决于旋转频率。但是，如果存在问题，则频谱会发生变化。这通常可以通过例如SVMS来检测。

如果你不进行FFT但只给出原始信号，那么SVM就很难了。

尽管如此，我已经看到了最近使用深度卷积网络的实际例子，它已经学会了预测原始振动数据的问题。但缺点是，您确实需要更多数据。一般而言，更多的数据不是问题，但如果你以风力涡轮机为例，更多的故障数据显然 - 或者希望; - ） - 一个问题。 另一件事是ConvNet自己学习了FFT。但是，如果你有这个原因，为什么不使用先验知识.....