【移动互联网应用课程设计】第五组CWRU轴承运维监测平台项目汇总
故障预测与健康管理PHM（Prognostics Health Management）满足了自主保障、自主诊断的，是基于状态的维修CBM (视情维修，condition based maintenance)的升级发展。它强调资产设备管理中的状态感知，监控设备健康状况、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。
本项目使用CWRU数据集，在python环境下使用随机森林算法实现了轴承故障的预测，并通过PHM平台将数据和模型接入微信小程序，实现了一个可提供给运维人员使用的 “轴承运维监测平台” 工业APP。
-
实验平台：www.phmlearn.com
-
CWRU数据集说明：
包含正常基座数据（NORMAL），滚动体故障（B），内圈故障（IR），外圈故障（OR）四种类型。
数据特征包括：
- DE - 驱动端加速度数据
- FE - 风扇端加速度数据
- BA - 基本加速度数据
- RPM- rpm during testing
【python_code】（具体的文件说明参考“运行说明”部分）
-
Model_allsteps
- STEP1_TrainDrop.py
- STEP2_Test1Drop.py
- STEP3_TimeAndFreRefine.py
- STEP4_LabelTrain.py
- STEP5_LabelTest1.py
- STEP6_AddLabeledTrainTest.py
- STEP7_Split.py
- STEP8_TimeAndFreRefineTest2.py
- STEP9_Addfilename.py
- STEP10_Model_TrainAndOutput.py
-
Model_runmodel
- ModelSTEP1_UseModelOutput.py
- RFfinalmodel.model
- T600W6more_test.csv
- TEST_2_all.csv
-
other_code
- Other_Dataclean.py
- Other_PHMmodeltest.py
- Other_RFtiaocan.py
- Other_SaveModel.py
【miniprogram】
-
colorui：colorui组件库
-
components：colorui组件库
-
ec-canvas：echarts组件库
-
images：小程序中用到的背景图
-
pages
- index：首页
- preindex：开始预测页
- shipinyu：单个元件特征提取
- shipinyu1：选择分组并进行特征提取
- RandomForest：单个元件预测
- RandomForest1：分组预测
- result：单个元件预测结果页
- csvtest：分组预测结果展示
- lookgroup：查看详情选择页
- infodetail：单个元件详情页
- multiCharts：报表展示页
-
util：用户配置文件
-
app.js / app.json / app.wxss：全局配置文件
-
icon.wxss：icon样式设置文件
-
main.wxss：整体样式设置文件
-
project.config.json：项目配置文件
-
promise.js：时序控制文件
【data】
-
Train：训练集
- NORMAL01.csv - NORMAL02.csv
- B01.csv - B06.csv
- OR01.csv - OR14.csv
- IR01.csv - IR06.csv
-
TEST1 : 第一组测试集（TEST01.csv - TEST14.csv）
-
TEST2 : 第二组测试集（TEST1.csv - TEST142.csv）
【packets】
- numpy_cp37
- pandas_cp37
- scikit-learn_cp37
- v 0.0.1：上传了数据集、模型处理和小程序部分的源代码
- v 1.0.1：上传了依赖包，完善了项目文档
- Python 3.7版本
- pandas-0.23.2-cp37-cp37m-win_amd64
- numpy-1.16.6-cp37-cp37m-win_amd64
- scikit_learn-0.19.2-cp37-cp37m-win_amd64
推荐使用的开发工具：
- spyder
- pycharm
- jupyter notebook
以上工具任选其一即可。小组成员完成本项目使用的主要工具为spyder。
- 微信开发者工具稳定版 [Stable Build] (1.02.2004020)
下载地址：https://developers.weixin.qq.com/miniprogram/dev/devtools/download.html
项目地址：https://github.com/Tibbarr/CWRU_BUPT_05.git
从github上克隆项目至本地即可。
1）安装python环境及开发工具
2）使用cmd进入对应whl文件所在的目录，安装依赖包，命令如下：
pip install numpy-1.16.6-cp37-cp37m-win_amd64.whl
pip install pandas-0.23.2-cp37-cp37m-win_amd64.whl
pip install scikit_learn-0.19.2-cp37-cp37m-win_amd64.whl
3）安装成功后，使用开发工具打开对应的.py文件，即可运行相应代码
4）安装微信开发者工具，导入miniprogram项目，进行编译和预览即可
在执行代码之前，需为训练集中的 NORMAL2.csv 和第一组测试集中的 TEST08.csv 补齐第三列，可用任意数字填充。
按照文件名的标注，顺序执行 STEP1 - STEP7 对应的 .py 文件：
- STEP1_TrainDrop： 初步处理训练集，规整格式
运行前需将train文件夹中的文件分类整理在B、IR、OR、NORMAL文件夹中，并替换输出路径
- STEP2_Test1Drop： 初步处理TEST1，规整格式，增加用于训练的数据量
- STEP3_TimeAndFreRefine： 对规整之后的数据集进行时频域特征提取
- STEP4_LabelTrain： 给训练集打上对应的标签并初步合并
- STEP5_LabelTest1： 给TEST1打上对应的标签
- STEP6_AddLabeledTrainTest： 合并处理好的训练集和TEST1
运行前需将打好标签的训练集和TEST1放到同一个文件夹下，并修改路径
- STEP7_Split： 将上述处理好的数据集按 4:1 的比例划分为 train 和 test
按照文件名中的标注，顺序执行 STEP8 - STEP9 对应的 .py 文件，对TEST2进行处理：
- STEP8_TimeAndFreRefineTest2： 对142个测试集文件进行与训练集同样的时频域特征提取
- STEP9_Addfilename： 给142个测试文件打上对应的TEST文件名，并整合为一个文件
经过以上处理，即可得到用于训练模型的 train 和 test 文件和用于输出第二组测试集结果的 test 文件。执行 STEP10，进行模型训练和最终的预测结果输出。
使用处理好的TEST2直接调用已保存的.model模型文件可进行同样的结果输出。所需的文件已放置在“Model_runmodel”文件夹中。其中：
- ModelSTEP1_UseModelOutput.py 文件用于调用模型并进行输出
- .model文件为已经训练好并使用joblib保存的模型文件
- T600Wmore_test 文件用于得到模型评分
- TEST_2_all 为处理后的第二组测试文件
运行代码，即可在设定的路径下得到与执行上述 10 个 STEP 相同的结果输出。
在“其它代码”文件夹中，包含四个处理及调试的过程中用到的辅助代码，分别为：
- Other_Dataclean： 原本用于特征提取之前的数据清洗
项目后期，考虑到时间窗选取较大导致训练集的数据量过少，最终的执行步骤中舍弃了数据清洗，直接进行特征提取
- Other_PHMmodeltest： 上传本地的.model模型至平台以获取api时使用的测试文件
- Other_Rftiaocan： 模型训练中用于调参的代码，按照注释具体分为多个部分
每次调参只针对其中的部分参数，运行时需局部运行或注释剩余部分
- Other_SaveModel： 将训练好的模型保存在本地
在微信开发者工具中导入miniprogram项目即可进行编译。
如需使用PHM平台的其它功能，需要替换：
- app.js文件中的access_token
- 将需要请求api的对应.js文件中util.reqFunc()中的url替换为自己平台上获得的url
- 在执行python代码的过程中，需要按照上述说明替换对应的目录地址；
- 如果直接运行代码时随机森林模型运行时出现报错，可能是由于sklearn的版本导致，可尝试安装低版本的sklearn
- 微信小程序中调用自己的api需要经过PHM平台，获取api及平台access_token的方式可参考以下教程：http://www.phmlearn.com/u/zangml/blogs/77
如有疑问或建议，请发送邮件至hutong@bupt.edu.cn