Inżynieria Cech (Feature Engineering): Jak AI „rozumie” fizykę

Algorytmy sztucznej inteligencji, takie jak Lasy Losowe czy sieci LSTM, nie analizują surowego sygnału sinusoidalnego. Przed etapem klasyfikacji, inżynierowie muszą przekształcić surowe drgania w policzalne metryki statystyczne. Kluczowe transformacje to:

• Analiza w domenie czasu (RMS i Kurtoza): Obliczanie Wartości Skutecznej (RMS) pozwala ocenić całkowitą energię drgań maszyny. Z kolei wysoka wartość kurtozy zwiastuje impulsowe piki w sygnale – to pierwszy fizyczny objaw mikropęknięć na bieżni łożyska.
• Domena częstotliwości (Transformata Fouriera – FFT): Rozbicie sygnału czasowego na składowe częstotliwości. Pozwala to precyzyjnie zidentyfikować źródło problemu. Niewyważenie wirnika pokaże pik na częstotliwości obrotowej (1X), natomiast uszkodzenie klatki łożyska wygeneruje piki na wyższych harmonicznych.
• Redukcja szumów i Bezwładność: Maszyny mają naturalną bezwładność cieplną i mechaniczną. Pojedynczy pik wibracji to szum. Zastosowanie okien kroczących (Rolling Window) uodparnia model na fałszywe alarmy.

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier

# 1. Inżynieria Cech: Wyliczanie RMS i średnich dla okna kroczącego (np. 50 próbek)
window_size = 50

# Wibracje RMS: pierwiastek ze średniej kwadratów w oknie
df['vib_rms'] = df['vibration'].rolling(window_size).apply(lambda x: np.sqrt(np.mean(x**2)))
df['temp_mean'] = df['temperature'].rolling(window_size).mean()

df = df.dropna()

# 2. Trenowanie modelu klasyfikacji stanu maszyny
X = df[['vib_rms', 'temp_mean']]
y = df['failure_status'] # 0 = OK, 1 = Zbliżająca się awaria

model = RandomForestClassifier(n_estimators=100, max_depth=5)
model.fit(X, y)