【问题标题】：Condition Based Monitoring | CBM基于状态的监控 |煤层气
【发布时间】：2017-03-31 16:09:44
【问题描述】：
机器学习 (ML) 可以从振动/声学信号用于状态监测 (CBM) 做两件事：
1.特征提取 (FT) 和
2.分类
但是，如果我们仔细研究研究/过程，那么为什么信号处理技术用于预处理而 ML 用于其余部分？我是说分类？
对于所有这些，我们只能使用 ML。但是我已经看到了两种技术的合并模型：传统的信号处理方法和机器学习。
我想知道具体原因。为什么研究人员使用这两个；他们只能用机器学习；但他们两者都用。
【问题讨论】：
标签：
machine-learning
classification
signal-processing
feature-extraction
fault
【解决方案1】：
是的，您可以这样做。然而，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，您会期望频谱主要取决于旋转频率。但是，如果出现问题，频谱会发生变化。这通常可以通过例如 SVMS 检测到。
如果您不进行 FFT，而只给出原始信号，那么 SVM 就会遇到困难。
尽管如此，我看到了最近使用深度卷积网络的实际示例，这些示例已经学会了预测原始振动数据的问题。但是，缺点是您确实需要更多数据。一般来说，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 ;-) - 是一个问题。
另一件事是 ConvNet 自己学习了 FFT。但是，如果你有这些，为什么不使用先验知识.....