液压系统故障检测
案例说明
通过液压试验台实验获得的各传感器的数据，分析影响液压系统各部分（冷却系统、阀门状况、泵泄漏、液压蓄能器状况）的重要因素及其相关性。利用深度残差网络(RESNET)算法对液压系统状态进行预测分析，找出影响液压系统各功能正常运行的重要因素以及系统各部分的当前运行现状。
数据集来源：液压系统状态监测数据集
该数据集是通过液压试验台实验获得的。该试验台由通过油箱连接的主要工作回路和二次冷却过滤回路组成。该系统周期性地重复恒定负载循环（持续 60 秒）并测量过程值，例如压力、体积流量和温度，同时四个液压元件（冷却器、阀门、泵和蓄能器）的状态定量变化。
属性信息：
数据集包含原始过程传感器数据（即没有特征提取），这些数据被构造为矩阵（制表符分隔）。
传感器名称 变量名 采集周期 压力棒 PS1、PS2、PS3、PS4、PS5、PS6 100 Hz 电机功率 EPS1 100 Hz 振动 VS1 1 Hz 效率系数 SE 1 Hz 体积流量 FS1、FS2 10 Hz 温度 TS1、TS2、TS3、TS4 1 Hz 冷却效率 CE、CP 1 Hz 故障信息：
故障类型 故障详情 冷却器条件/% 2(接近完全故障);1(降低效率);0(全效率) 阀门条件/% 0(最佳开关行为);1(小滞后);2(严重滞后);3(接近完全故障) 泵内部泄漏 0(无泄漏);1(弱泄漏);2(严重泄漏) 液压蓄能器/杆 0(最佳压力);1(轻微减压);2(严重减压);3(接近完全失效) 稳定标志 0(条件稳定);1(可能尚未达到静态条件)
数据标注
通过小波物联将数据导入小波AI平台，完成设备数据集成。
进行时序数据标注。基于设备数据，进行各个故障数据的标注，并生成想对应的数据集，为模型训练做准备。
生成相对应的数据集。
特征值分析
传感器数据可视化
传感器参数之间的相关矩阵
观察传感器参数分布
模型创建
模型训练
在线训练的准备工作
编写好的训练模型代码，并同步到Git。[训练标注格式代码参考]
准备好用于训练的主机-训练节点。
平台中创建训练所属的应用。
平台中创建训练所属的模型，模型中关联Git下的训练代码(确保Git可以访问)。
在目标项目下创建所属模型。
完成模型创建，并进入该模型空间界面。
在线训练
选择待训练的模型空间界面，创建实现训练实验。点击【添加训练】，填写相关模型参数，选择数据集。
训练创建成功。
等待训练完成。
查看训练日志
点击左边导航【日志】，进行日志页面。
指标对比
点击左边导航【图表】，进行指标图表页面。
点击右上角【添加组件】，创建变量的折线表、柱状表等进行指标比较。
模型注册
选择模型指标最优的一组进行模型保存。
点击右侧模型库，进入页面，查看注册模型。
模型检验
点击左侧菜单【模型库】，选择待发布的模型，点击右侧操作下的【校验/发布】，进入校验界面。
示例数据如下：
{
"columns":["PS2","SE","PS5", "FS2","CE","PS4"],
"data":[[109.4669135, 59.15718333, 9.8421695, 35.62198333, 39.60135, 0]]
}
进入校验页面，点击右上角【启动】。填写模型启动参数，点击【确定】。
启动模型后，点击右上角【实时日志】，查看模型启动进程详情。
模型启动成功后，填写左侧参数，点击右侧【校验】，查看模型预测结果。
如果预测结果与预期相符合，则完成模型检验。若报错，则检查参数格式或查看返回的报错信息，进行相应修改。
模型发布
通过模型校验测试后，则点击右上角【发布上线】，填写相关模型参数，进行模型发布。
点击左侧【发布】，查看已发布的模型。
场景应用
通过发布的API接口，在物联平台上进行业务调用。
查看调用日志。
点击左边菜单中的发布界面，选择目标模型，点击右边的【日志】，进行详情查看。
看板展示数据。
