【视频+资料+项目源码】基于振动信号的旋转设备故障诊断｜工业数据智能必看！
l 课程预告
为了能够让大家更直观地了解深度学习在数据智能领域的应用，百度飞桨携手百度工业数据智能团队共同重磅推出本次课程，以基于振动信号的旋转设备故障诊断为例，为大家介绍如何使用飞桨实现预测性维护。课程包含理论背景、模型选型、模型优化、项目实操等.....
百度资深研发工程师Lucas带来了本次课程的独家预告！
随着产业数字化进程不断深入，大数据的应用趋势逐渐从业务数据化发展到数据智能化。在工业领域，数据智能有着非常广阔的应用前景，涵盖了包括企业运营、产品生产、工艺流程、资产管理、市场销售等各个环节，基于数据进行洞察分析，利用数据驱动智能决策，助力企业降本增效，推动制造、能源等企业的优化升级是大势所趋。
其中，故障预测与健康管理（PHM）是工业数据智能很重要的一个方向，它是综合利用现代信息技术、人工智能技术构建的一种全新的设备健康管理解决方案，聚焦于复杂设备故障状态的监测、诊断、预测和管理。通过智能化的解决方案，帮助企业提高产能、降低成本、避免意外停机和延长设备的使用寿命。
以往的预测性维护大部分是基于一些传统方法，包括最基础的设备机理知识、人工经验；也有一些基于传统的统计学习、机器学习建模，然而传统方法对机理模型要求高，需要开发人员具备很深的背景知识和经验。同时，传统统计学习、机器学习方法对特征提取要求较高，造成开发成本高、模型通用性不强，对复杂场景的故障识别效果不佳。
随着深度学习技术的发展，利用深度学习技术进行预测性维护能够减少对机理知识、特征工程的强依赖，自动捕捉关键特征，极大降低了开发成本，整个过程更加趋向智能化。作为源于产业实践的深度学习平台，飞桨一直致力于为各行各业的开发者提供完备的产业应用开发方案。百度依托飞桨深度学习框架构建了完整的工业数据智能引擎，针对产业界核心问题提供一站式解决方案，助力需求快速落地。
l 项目简介
1. 项目背景
滚动轴承是旋转设备中的核心零部件，轴承在持久运转过程中会出现磨损、变形、剥落等情况，有研究数据表明，在旋转设备发生故障时，有30%都是由于轴承故障造成的，所以如何提前发现这些损坏情况并进行及时检修变得尤为重要。与此同时，大部分轴承的运行环境都比较恶劣，采集到的振动信号会混入各种噪声，给故障诊断带来困难。
2. 数据说明
案例中采用美国凯斯西储大学提供的滚动轴承数据集，包括滚动体、内圈、外圈三个不同部位的振动数据，并根据不同的故障直径构建10个种类的数据，以1024为窗口构建样本集，如1*1024格式的一维数据样本，32*32格式的二维数据样本。
3. 模型选择与训练
通过使用多层感知机、普通的CNN网络以及改进后的深度残差网络ResNet进行对比实验，发现ResNet网络以其能提取更深层次特征的特点，取得了更好的效果。
4. 模型效果验证
真实工业生产环境中采集到的数据往往夹杂着不少噪音，简单模型一般不能有效应对，导致故障诊断效果下降，通过往原始信号数据中加入不同分贝的高斯白噪声来模拟不同的噪声强度，以此来验证不同模型的抗噪性能。
实验发现在15db~ -15db噪声环境下ResNet的准确率比CNN平均提升1.7%，ResNet在应用中取得了更好的效果。
注：上述部分图片来源于网络
l 查看完整视频
进入up主“飞桨PaddlePaddle”的视频合集“飞桨智能制造行业系列”，即可免费观看
视频直达：
项目地址：https://aistudio.baidu.com/aistudio/projectdetail/4123335?contributionType=1
更多课程持续更新中......
l 获取课程资料
扫码关注“飞桨企业俱乐部”，免费领取课程资料（含课程PPT、飞桨企业案例集、AI架构师手册等），直达智能制造技术交流群
