機械学習（ML）は、条件ベースの監視（CBM）のための振動/音響信号から2つを実行できます。 1。フィーチャ抽出（FT）および 2。分類条件ベースの監視| CBM
しかし、研究/プロセスを見れば、前処理には信号処理技術が使用され、残りの部分には信号処理技術が使用される理由は、私は分類を意味する？ これらはすべてMLのみ使用できます。しかし、私は2つの手法の合併モデルを見てきました。従来の信号処理手法とMLです。
具体的な理由を知りたいのですが。なぜ研究者がこれら2つを使用するのか。彼らはMLだけで行うことができます。彼らは両方を使用します。
はいできます。しかし、この作業はより複雑になります。 たとえば、FFTは入力スペースをより意味のある表現に変換します。回転機器がある場合、スペクトルは主に回転の周波数にあると予想されます。しかし、問題があればスペクトルが変化します。これは、例えばSVMSによってしばしば検出され得る。
FFTを実行せず、生の信号のみを与える場合、SVMには苦労します。
しかし、生の振動データの問題を予測することを学んだDeep Convolutional Networksを使用した最近の実用例を見てきました。しかし、欠点は、より多くのデータが必要であることです。多くのデータは一般的には問題ではありませんが、たとえば風力タービンを使用した場合、より多くの失敗データが明らかに - またはうまくいけば----問題です。 もう1つは、ConvNetがFFTをすべて単独で学習したことです。しかし、あなたはそれを持っている場合、事前知識を使用しないでください.....