工程數據特征提取
關注創(chuàng)建者：匿名 創(chuàng)建時間：2021-08-10
工程數據特征提取的視頻教程
十五分鐘掌握python實現特征提取方法（pca和卡方檢驗）和數據訓練預測（pipeline）
介紹了一個具體的案例，從數據處理，特征選擇原理，具體操作，利用pipeline訓練和預測數據，希望對大家有幫助.
￥25 15分鐘 6播放
查看
工程數據特征提取的實例教程
此處的觀察不僅是“可感知的”視覺、觸覺、聽覺的感官觀察，還包括“數據”的觀察。尤其在引用數據分析技術之后，即便是對視覺、觸覺、聽覺得觀察也最終需要轉化成數據來進行所謂的“觀察”。
這種將“狀態(tài)”轉化為“數據”的過程就是特征提取的過程。這種通過數據進行的“觀察”過程就是數據分析。
在分析中，目標是某個設備的“狀態(tài)”。
因此，將設備狀態(tài)進行數據描述的過程，就是設備建模的一部分。之所以說是一個部分，是因為這個建模具有清楚的目標指向“故障診斷”和“壽命預測”。
因為對設備的建模，還有出于其他分析目的更多方式。將所有不同分析目的的設備建模進行綜合，就完成了整個“物理設備”映射到虛擬空間的“數字設備”，這就是“數字孿生”。
題外話：這只是一個通俗的解釋，方便大家理解。更加學術上的定義，還請大家查詢相關的專業(yè)文章和標準。
02
PART
那么到底應該“觀察”哪些“狀態(tài)”呢？從數據分析專業(yè)的術語來說，就是“要提取哪些特征”呢？
這就是一個設備故障診斷與壽命預測中的特征選擇的問題。
對于數據工程師而言，可以通過各種數據特征比對的工具，例如：相關性分析等，在眾多數據中尋找與診斷目標具有最大相關性的參數作為特征。
注意：“數據特征”和“設備故障特征”不是一回事兒。在工業(yè)領域中，對故障的特征參數選擇更加依賴于“機理”本身而非數據的特征。
用一個通俗的比方來說，就是工業(yè)機理可以指明與故障狀態(tài)相關或者可能相關的數據有哪些，而數據工程師可以以此找到最相關的參數，對“故障狀態(tài)”和“數據特征”的相關性進行研究。
展開 在ABAQUS中tigong了三種提取特征值的求解器：AMS (Automatic Multi-level Substructuring) 求解器、Lanczos特征值求解器和子空間迭代求解器。Lanczos特征值求解器是默認的方法。
AMS特征值求解器是一種高效的，針對大規(guī)模問題的能提取大量特征值的方法，主要適用于1百萬自由度以上的模型及500階模態(tài)以上。
它包含3個求解步驟：
（1）生成子結構；
（2）獲得特征值；
（3）從縮減的向量中獲得全部特征向量。在Abaqus中采用AMS特征值求解器的句法（提取100階頻率）
*STEP
*FREQUENCY,ELGENSOLVER=AMS
,,100
對于傳統(tǒng)的結構，Lanczos是默認的特征值提取方法。然而對于大規(guī)模問題，相比AMS方法，Lanczos方法效率較低。使用Lanczos方法，可以指定最大頻率的提取或提取的頻率數量，也可以指定最小頻率的提取。Lanczos特征值求解器允許計算到特征值真正的誤差限制時才終止，可以滿足正常的終止原則。對于多數問題，相對誤差為1.E-12數量級，因此Lanczos求解器的計算結果精度一般要比子空間迭代法高。而子空間迭代法的終止條件是通過判斷從這一次迭代到下一次迭代過程中特征值的相對變化來實現的，如果相對變化小于1.E-5則認為已經收斂，結束計算。
abaqus中的特征值提取.pdf
展開 4.2 傳統(tǒng)特征提取方法與神經網絡特征提取的比較
觀點1：
傳統(tǒng)特征提取方法的研究過程和思路是非常有用的，因為這些方法具有較強的可解釋性，它們對設計機器學習方法解決此類問題提供啟發(fā)和類比。有部分人認為（也有部分人反對）現有的卷積神經網絡與這些特征提取方法有一定類似性，因為每個濾波權重實際上是一個線性的識別模式，與這些特征提取過程的邊界與梯度檢測類似。同時，池化（Pooling）的作用是統(tǒng)籌一個區(qū)域的信息，這與這些特征提取后進行的特征整合（如直方圖等）類似。通過實驗發(fā)現卷積網絡開始幾層實際上確實是在做邊緣和梯度檢測。不過事實上卷積網絡發(fā)明的時候，還沒有這些特征提取方法。
觀點2： 深度學習的數據需求量大對于視覺來說是個偽命題。許多研究成果已經表明深度學習訓練得到的模型具有很強的遷移能力，因此在大數據集上訓練完成的模型只要拿過來在小數據集上用就可以，不需要完全重新訓練。這種方式在小數據集上的結果往往也比傳統(tǒng)方法好。
觀點3：還是需要重新訓練的，只能說大數據集訓練好的模型提供了一個比較好的參數初始化。而且卷積前幾層提取特征僅僅是對分類問題是對的，但是對于一些dense prediction還是不一樣，畢竟提取特征不一定有用，還是task dependent。
觀點4：深度學習是一種自學習的特征表達方法，比SIFT/HOG這些依靠先驗知識設計的feature的表達效果高。早在13年大家都發(fā)現神經網絡的最后一層的local特征和SIFT性質差不多，但是表達能力強太多。SIFT能做的事情CNN都能做，表達效果也強，那深度學習取代SIFT是遲早的事情（或者說已經發(fā)生的事情）。深度神經網絡識別率的提高不需要建立在需求大量訓練樣本的基礎上，拿pre-train好的模型直接用就可以了。
展開 53基于matlab的Tamura紋理特征提取 ￥44.9
基于matlab的Tamura紋理特征提取，包括粗糙度、對比度、方向度、線性度、規(guī)則度、粗糙度六種，可替換自己的數據進行特征提取。程序已調通，可直接運行。
轉子復合碰摩故障特征提取實驗研究<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-13 07:51:02被malong評為5星級，為發(fā)貼者加分100。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
轉子復合碰摩故障特征提取實驗研究.pdf
工程數據特征提取的相關專題、標簽、搜索
工程數據特征提取的最新內容
Ansys Workbench ACT插件，由窗口選中體單元，提取體積和表面積，計算幾何特征尺寸
問題：
在FKM關于結構疲勞評估計算方法中指出：零部件特征尺寸，影響疲勞結果評估。原因是材料的應力壽命曲線是由標準試樣進行試驗測試獲得的。當零部件的特征尺寸與測試樣件不一致時，需要考慮零部件的特征尺寸這一因素。（一般而言，當零部件的尺寸大于材料標準測試樣件時，零部件的表面或內部缺陷發(fā)生的概率會增加
隨著智慧工地與無人化施工技術的推進，隧道施工裝備的數字化轉型已成為行業(yè)焦點。近期，在和眾多該類客戶的溝通過程中，我們觀察到了一些被頻繁提到的客戶需求和場景痛點，針對于此，以隧道運輸設備——MSV膠輪車為例，本文為該類客戶量身定制了一套高性能多模態(tài)數據采集方案。
本文將從客戶的實際痛點出發(fā)，詳細拆解如何在無GPS信號、環(huán)境惡劣的隧道場景中，實現高精度、多傳感器的數據融合與采集。
一、 客戶需求與場景痛點
<p>生活不易，貓貓賣藝。最近搗鼓一個數據集的公眾號，提供數據集出售、咨詢等，985算法團隊???</p><p>各位老板有需要可以關注下公眾號</p><div contenteditable="false" width="100%"><figure class="figure-link" data-title="編程貓的算法屋" data-link="https://i-blog.csdnimg.cn
[圖片]
<p>最近布拉德·皮特主演的電影《F1：狂飆飛車》正在熱映。正如影片所展現的，現代賽車競技已演變?yōu)閿祿c技術的巔峰對決。在這片以毫秒定勝負的戰(zhàn)場上，Prodrive——這個曾助力阿斯頓·馬丁締造賽道傳奇的工程巨頭，正通過 Altair Panopticon實現數據智能的革命。</p><p><br></p><p>從實時解析每輛賽車每秒5000個數據點，到預測關鍵部件故障，再到優(yōu)化進站策略，這場"數字圍場
1.AI 驅動研發(fā)升級：幾何深度學習創(chuàng)造行業(yè)新價值
人工智能正加速推動各行業(yè)研發(fā)能力升級。麥肯錫最新報告顯示，該技術在制藥、化工和航空航天等領域的應用，有望為相關企業(yè)創(chuàng)造高達5600億美元的經濟價值。 AI 技術應用的先行者，全球500強汽車零部件制造商麥格納（Magna）。通過與 Altair 合作，運用幾何深度學習（Geometric Deep Learning, GDL）技術，顯著提升了汽車工程創(chuàng)新效率
以下是在 CAD 中提取塊屬性數據的常用方法：
使用數據提取向導1
打開包含具有要提取屬性的塊的圖形文件，在命令行輸入 “DATAEXTRACTION”，啟動 “數據提取” 向導。
選擇 “創(chuàng)建新數據提取”，點擊 “下一步”。為新的 DXE 文件指定名稱和位置，點擊 “下一步”。
選擇 “圖形 / 圖紙集” 和 “包括當前圖形” 選項，點擊 “下一步”。
清除
<p>工程領域的人工智能 （AI） 已經開始發(fā)揮價值，低代碼和無代碼工具正在使曾經僅屬于專業(yè)數據科學家的 AI 能力變得大眾化。</p><p><br></p><p>然而，并非工程領域的每個人都能從中受益，使用新的便捷的 AI 工具提高工作效率并不難，<strong>工程師們在 AI 應用方面所面臨的挑戰(zhàn)實則體現在更多其他維度。</strong></p><p><br></p><p><img src="
<p>現今，人們正在對科技發(fā)展以及AI技術進行無限探索，在這個過程中，很多工程師可能會感受到“有心無力”，很大程度是因為他們<strong>尚未實現自己的第一個可落地執(zhí)行的人工智能 （AI） 應用案例。</strong></p><p><br></p><p>這個結果讓人感到十分驚訝，因為目前在工程領域人們對 AI 的興趣或投資并不缺乏。研究表明，<strong>86% 的工程師將 AI 視為重要的新興技術
數字工程技術與并行工作流程結合，以減少成本高昂的原型設計，促進跨職能協作并加速產品上市進程
主要亮點
Ansys 支持 SimAI? 云計算的人工智能解決方案現在允許用戶擴展訓練數據，以在后處理過程中獲得更深入的洞察
Ansys System Architecture Modeler（SAM）? 中的新功能包括支持 SysML v2，這不僅可通過在團隊之間建立更緊密的聯系實現更優(yōu)化的產品設計以及顯著的時間節(jié)省
