Диагностика акустических данных — домашнее задание

Цель: научиться применять обученную модель акустической диагностики: загружать модель из файла, извлекать параметры, выполнять нормализацию признаков, диагностировать отдельные сегменты и полные сигналы, а также работать с новыми акустическими данными.

Данные:

Bearing.mat — эталонные данные с акустическими сигналами подшипника;
вычислить_признаки.jl — функция расчёта 54 диагностических признаков;
разделить_на_сегменты.jl — функция разбиения сигнала на сегменты;
модель_подшипника.jls — сохранённая модель с тремя случайными лесами и параметрами нормализации;
Подшипник.wav — аудиофайл с акустическим сигналом для диагностики.

Формат сдачи: В проверочную систему Etude нужно вставить числа из вывода проверочных кодовых ячеек ✍️.

Важно: все задания выполняются последовательно в одном скрипте. Каждое последующее задание использует переменные и функции, созданные в предыдущих заданиях. Перед выполнением заданий обязательно запустите подготовительную ячейку, которая загружает все библиотеки и данные.

# ⚙️ ПОДГОТОВИТЕЛЬНЫЙ КОД
#Pkg.add(["MAT", "Statistics", "DSP", "FFTW", "DecisionTree", "StatsBase", "Random", "Serialization", "WAV"])
using MAT, Statistics, DSP, FFTW, DecisionTree, StatsBase, Random, Serialization, WAV
cd( @__DIR__ )
include("data/вычислить_признаки.jl");
include("data/разделить_на_сегменты.jl");
подшипник = matread("data/Bearing.mat");
норма = vec(подшипник["normal"]);
ролик = vec(подшипник["roller"]);
внутр = vec(подшипник["inner"]);
внеш = vec(подшипник["outer"]);
# Скачаем модель, которую обучили на прошлом шаге
using Downloads
src = "https://storage.yandexcloud.net/videohosting555/engee-ltc-school/%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C_%D0%BF%D0%BE%D0%B4%D1%88%D0%B8%D0%BF%D0%BD%D0%B8%D0%BA%D0%B0.jls"
dst = joinpath("$(@__DIR__)/data", "модель_подшипника.jls")
Downloads.download(src, dst)
# Выполните эту ячейку перед началом работы

✏️ Задание 1

Загрузите модель из файла data/модель_подшипника.jls с помощью функции deserialize и сохраните результат в переменную данные.

Подсказка: файл находится в папке data, поэтому путь к нему: "data/модель_подшипника.jls".

Внимание: время выполнения данной кодовой ячейки может составить несколько минут.

данные = # здесь напишите ваш код

for k in keys(данные)
    println(k)
end

Выполните данную ячейку для вывода проверочного числа:

print(Int64(round(данные.эталонный_rms*1000))^2)

✏️ Задание 2

Извлеките из загруженной модели все необходимые параметры в отдельные переменные: три модели случайного леса, векторы средних и СКО, длину сегмента, перекрытие и частоту дискретизации.

Подсказка:

Модели извлекаются через точку: данные.модель_внутр, данные.модель_внеш, данные.модель_ролик.
Векторы нормализации: данные.средние_признаков и данные.ско_признаков.
Параметры сегментации: данные.длина_сегмента, данные.перекрытие, данные.частота_дискретизации.

модель_внутр = # здесь напишите ваш код
модель_внеш = # здесь напишите ваш код
модель_ролик = # здесь напишите ваш код
средние = # здесь напишите ваш код
ско = # здесь напишите ваш код
длина_сегмента = # здесь напишите ваш код
перекрытие = # здесь напишите ваш код
частота_дискретизации = # здесь напишите ваш код

Выполните данную ячейку для вывода проверочного числа:

print(Int64(
    модель_внутр.n_trees + 
    модель_внеш.n_trees + 
    модель_ролик.n_trees + 
    length(средние) +
    length(ско) +
    длина_сегмента +
    Int(перекрытие * 100) +
    частота_дискретизации))

✏️ Задание 3

Напишите функцию нормализовать, которая принимает вектор признаков и приводит его к тому же масштабу, на котором обучалась модель. Функция должна вычитать вектор средних и делить на вектор СКО.

Подсказка:

Функция принимает один аргумент пр — вектор из 54 признаков.
Переменные средние и ско уже загружены в предыдущем задании.
Используйте поэлементные операции: (пр .- средние) ./ ско.

function # здесь напишите ваш код
    return # здесь напишите ваш код
end

Выполните данную ячейку для вывода проверочного числа для Etude:

print(Int64(round(mean(нормализовать(collect(1.0:54.0))))))

✏️ Задание 4

Напишите функцию диагностика_сегмента, которая принимает один сегмент сигнала и частоту дискретизации, вычисляет признаки, нормализует их и предсказывает износ трёх элементов подшипника с помощью трёх моделей случайного леса. Функция должна возвращать словарь с тремя ключами.

Подсказка:

Вычислите признаки: пр = нормализовать(вычислить_признаки(сигнал, fs)).
Преобразуйте вектор в матрицу: м = reshape(пр, 1, :).
Предсказания выполняются через DecisionTree.predict(модель_внутр, м)[1].
Для каждого элемента используйте clamp(значение, 0, 100), чтобы ограничить диапазон.
Верните словарь с ключами "Износ внутреннего кольца", "Износ внешнего кольца", "Износ ролика".

function # здесь напишите ваш код
    пр = # здесь напишите ваш код
    м = # здесь напишите ваш код
    
    износ_внутр = # здесь напишите ваш код
    износ_внеш = # здесь напишите ваш код
    износ_ролик = # здесь напишите ваш код
    
    return Dict(
        "Износ внутреннего кольца" => # здесь напишите ваш код
        "Износ внешнего кольца"    => # здесь напишите ваш код
        "Износ ролика"       => # здесь напишите ваш код
    )
end

Выполните данную ячейку для вывода проверочного числа:

результат = диагностика_сегмента(норма[1:4000], 10000)
print(Int64(10e5*round(результат["Износ внутреннего кольца"] + 
            результат["Износ внешнего кольца"] + 
            результат["Износ ролика"], digits=5)))

✏️ Задание 5

Напишите функцию диагностика, которая принимает полный сигнал и частоту дискретизации, разделяет его на сегменты, диагностирует каждый сегмент и усредняет результаты. Функция должна возвращать словарь с округлёнными до одного знака после запятой значениями.

Подсказка:

Разделите сигнал: сегменты = разделить_на_сегменты(полный_сигнал, длина_сегмента, перекрытие).
Диагностируйте каждый сегмент через генератор списка: [диагностика_сегмента(сег, fs) for сег in сегменты].
Усредните по каждому элементу с помощью mean([р["ключ"] for р in результаты]).
Верните словарь с round(clamp(среднее, 0, 100), digits=1).

function # здесь напишите ваш код

    сегменты = # здесь напишите ваш код
    результаты = # здесь напишите ваш код
    ср_внутр = # здесь напишите ваш код
    ср_внеш = # здесь напишите ваш код
    ср_ролик = # здесь напишите ваш код
    
    return Dict(
        "Износ внутреннего кольца" => # здесь напишите ваш код
        "Износ внешнего кольца"    => # здесь напишите ваш код
        "Износ ролика"             => # здесь напишите ваш код
        )
    
end

Выполните данную ячейку для вывода проверочного числа:

результат = диагностика(внеш, 10000)
print(Int64((10*round(результат["Износ внутреннего кольца"] + 
                       результат["Износ внешнего кольца"] + 
                       результат["Износ ролика"], digits=1))))

✏️ Задание 6

Выполните диагностику полностью исправного подшипника. Используйте эталонный сигнал норма и частоту дискретизации. Сохраните результат в переменную ans6.

Подсказка:

Вызовите диагностика(норма, частота_дискретизации).
Для исправного подшипника все три значения должны быть близки к нулю.

ans6 = # здесь напишите ваш код

Выполните данную ячейку для вывода проверочного числа:

print(Int64((10*round(ans6["Износ внутреннего кольца"] + 
                       ans6["Износ внешнего кольца"] + 
                       ans6["Износ ролика"], digits=1))^3))

✏️ Задание 7

Выполните диагностику комбинированного сигнала с несколькими дефектами. Создайте смесь из нормального сигнала с добавлением дефектных составляющих внутреннего кольца, внешнего кольца и тела качения. Используйте формулу смешивания: внутреннее кольцо изношено на 8 процентов, внешнее кольцо на 7 процентов, тело качения (ролик) на 12 процентов. Сохраните результат в переменную ans7.

Подсказка:

Общая формула смешивания выглядит так: норма + степень_внутр*(внутр-норма) + степень_внеш*(внеш-норма) + степень_ролик*(ролик-норма).
Здесь каждый коэффициент степень — это доля дефекта от 0 до 1, где 0 означает отсутствие дефекта, а 1 — полный дефект.
Передайте смесь в диагностика вместе с частота_дискретизации.

ans7 = # здесь напишите ваш код

Выполните данную ячейку для вывода проверочного числа:

print(Int64((10*round(ans7["Износ внутреннего кольца"] + 
                       ans7["Износ внешнего кольца"] + 
                       ans7["Износ ролика"], digits=1))^1))

✏️ Задание 8

Выполните диагностику аудиофайла Подшипник.wav. Загрузите файл с помощью функции wavread, затем передайте полученный сигнал в функцию диагностика. Сохраните результат в переменную ans8.

Подсказка:

Для чтения аудиофайла используйте функцию wavread, которая возвращает сигнал и частоту дискретизации. Укажите путь "data/Подшипник.wav".
Полученный сигнал передайте в функцию диагностика.
Результат сохраните в переменную ans8.

подшипник, fs = # здесь напишите ваш код
ans8 = # здесь напишите ваш код

Выполните данную ячейку для вывода проверочного числа:

print(Int64((10*round(ans8["Износ внутреннего кольца"] + 
                       ans8["Износ внешнего кольца"] + 
                       ans8["Износ ролика"], digits=1))^2))

Заключение

Поздравляем! Вы успешно применили обученную модель для диагностики акустических данных. Вы научились загружать модель из файла, извлекать параметры, нормализовать признаки, диагностировать отдельные сегменты и полные сигналы, а также работать с аудиофайлами. Эти навыки позволят создавать готовые системы промышленного мониторинга, которые определяют состояние оборудования по акустическим сигналам.

Модуль 4 - Школа анализа инженерных данных

Диагностика акустических данных — домашнее задание

✏️ Задание 1

✏️ Задание 2

✏️ Задание 3

✏️ Задание 4

✏️ Задание 5

✏️ Задание 6

✏️ Задание 7

✏️ Задание 8

Заключение

Тип

Краткое описание

Связанные материалы

Теги

Категории

Языки

Форматы

Уровень

Статус

Опубликовано

Обновлено

Источник