Синтез данных и цифровые двойники. Джейд Картер

as pd

      import numpy as np

      import matplotlib.pyplot as plt

      from sklearn.ensemble import IsolationForest

      from sklearn.preprocessing import StandardScaler

      # Генерация синтетических данных для моделирования данных с сенсоров двигателя

      np.random.seed(42)

      n_samples = 1000

      temperature = np.random.normal(loc=70, scale=5, size=n_samples) # Температура

      vibrations = np.random.normal(loc=10, scale=2, size=n_samples) # Вибрации

      pressure = np.random.normal(loc=100, scale=10, size=n_samples) # Давление

      # Внесем несколько аномалий

      temperature[995:] = np.random.normal(loc=90, scale=1, size=5)

      vibrations[995:] = np.random.normal(loc=20, scale=1, size=5)

      pressure[995:] = np.random.normal(loc=140, scale=1, size=5)

      # Создание DataFrame

      data = pd.DataFrame({'Temperature': temperature, 'Vibrations': vibrations, 'Pressure': pressure})

      # Стандартизация данных для улучшения работы модели

      scaler = StandardScaler()

      data_scaled = scaler.fit_transform(data)

      # Используем Isolation Forest для обнаружения аномалий

      model = IsolationForest(contamination=0.01, random_state=42)

      data['Anomaly'] = model.fit_predict(data_scaled)

      # Аномалии отмечаются как -1

      anomalies = data[data['Anomaly'] == -1]

      # Визуализация данных

      plt.figure(figsize=(10, 6))

      plt.scatter(data.index, data['Temperature'], c='blue', label='Temperature')

      plt.scatter(data.index, data['Vibrations'], c='green', label='Vibrations')

      plt.scatter(data.index, data['Pressure'], c='orange', label='Pressure')

      # Выделение аномалий

      plt.scatter(anomalies.index, anomalies['Temperature'], c='red', label='Anomalies', marker='x')

      plt.title("Engine Sensor Data with Anomaly Detection")

      plt.xlabel("Sample Index")

      plt.ylabel("Sensor Readings")

      plt.legend(loc='best')

      plt.show()

      # Вывод информации об аномалиях

      print("Anomalies detected:")

      print(anomalies)

      ```

      Описание кода:

      1. Синтетические данные: Мы генерируем данные, которые представляют параметры, собираемые с сенсоров на двигателе: температуру, вибрации и давление. В конце датасета специально добавляем аномалии для тестирования.

      2. Стандартизация данных: Для того чтобы алгоритм машинного обучения работал более эффективно, мы стандартизируем данные с помощью `StandardScaler`.

      3. Модель Isolation Forest: Мы используем алгоритм Isolation Forest для обнаружения аномалий. Он предназначен для поиска редких или необычных точек в данных. В нашем случае мы можем обнаружить моменты, когда параметры двигателя начинают отклоняться от нормы, что может указывать на будущую поломку.

      4. Визуализация: Рисуем график, который показывает нормальные данные и выделяет аномалии. Это позволяет визуально увидеть моменты, когда сенсоры фиксируют ненормальные значения.

      Результат:

      Модель определит аномалии в данных сенсоров (например, резкое повышение температуры, вибраций или давления). Выявленные аномалии могут быть сигналом о потенциальных неисправностях двигателя, что позволяет принимать меры заранее, до наступления поломки.