【ML backend】振动样本多标签预测

[undertaker86001]

【ML backend】振动样本多标签预测

概述

基于toklabel框架，为工业互联网PHM（预测性维护）公司提供振动数据AI自动化打标解决方案。系统实现了多标签标注功能，包括转速段标注、故障类型检测、质量分数评估和置信度处理。

核心功能

1. 多标签标注

• 转速标注: 创建多个TimeseriesSpan对象，分别标注低、中、高转速段
• 质量标注: 使用Number类型标注质量分数（0-100）
• 故障检测: 识别不平衡、轴承故障、齿轮故障等
• 置信度处理: 每个预测结果包含置信度信息

2. 振动特征提取

• 时域特征: RMS值、峰值、标准差、峰度、偏度、峰值因子
• 频域特征: 主频、频谱质心、频谱滚降、频谱带宽
• 转速特征: 平均转速、转速稳定性、转速变化范围

3. 智能预测

• 转速段预测: 基于滑动窗口的转速等级识别
• 故障诊断: 基于振动特征的故障类型判断
• 质量评估: 多维度综合评分算法
• 在线学习: 支持标注数据反馈训练(基于IsolationForest)

系统架构

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Label Studio  │    │   ML Backend    │    │   Data Manager  │
│   (标注界面)     │◄──►│   (AI预测)      │◄──►│   (数据管理)     │
└─────────────────┘    └─────────────────┘    └─────────────────┘
         │                       │                       │
         ▼                       ▼                       ▼
┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   PostgreSQL    │    │     Redis       │    │   File Server   │
│   (标注存储)     │    │   (缓存)        │    │   (文件服务)     │
└─────────────────┘    └─────────────────┘    └─────────────────┘

快速开始

1. 环境准备

# 安装依赖
pip install -r ml-backends/vibration_phm/requirements.txt

# 启动PostgreSQL和Redis
docker-compose up -d postgres redis

# 启动Label Studio
label-studio start

2. 数据库初始化

# 创建数据库表结构
python scripts/init_vibration_database.py

# 插入示例数据
python scripts/init_vibration_database.py

3. 启动ML后端

# 使用Docker Compose启动
cd ml-backends/vibration_phm
docker-compose up -d

# 或直接启动
python ml-backends/vibration_phm/_wsgi.py

4. 创建标注项目

# 修改配置参数
vim vibration_project_create.py

# 运行项目创建脚本
python vibration_project_create.py

5. 系统启动

# 一键启动整个系统
python scripts/start_vibration_system.py

配置说明

项目配置文件 (vibration-config.yaml)

# 项目基本信息
project: vibration_phm
project_description: '工业设备振动数据预测性维护标注项目'
project_data_type: 'Timeseries'

# 数据配置
shots:
  min: 240829001
  max: 240829100
t_min: 0
t_max: 60
resolution: 0.001

# 振动传感器数据
raw_data:
  vibration_x:
    data_table_name: vibration_sensors
    channels: [x_axis]
  vibration_y:
    data_table_name: vibration_sensors
    channels: [y_axis]
  vibration_z:
    data_table_name: vibration_sensors
    channels: [z_axis]
  rotation_speed:
    data_table_name: rotation_sensors
    channels: [rpm]

# 标签配置
label_config:
  - name: speed_level
    type: TimeSeriesLabels
    choices: [低转速, 中转速, 高转速]
  - name: fault_type
    type: TimeSeriesLabels
    choices: [正常, 不平衡, 轴承故障, 齿轮故障]
  - name: quality_score
    type: Number
    min: 0
    max: 100
  - name: confidence_level
    type: Number
    min: 0
    max: 1

核心组件

1. 振动预测器 (VibrationPredictor)

from ml_backends.vibration_phm.predictor import VibrationPredictor

# 创建预测器
predictor = VibrationPredictor()

# 执行预测
predictions = predictor.predict(vibration_data)

主要功能:

• 提取时域和频域特征
• 转速段自动分割
• 故障类型识别
• 质量分数计算

2. 数据管理器 (VibrationDataManager)

from vibration_data_manager import VibrationDataManager

# 创建数据管理器
manager = VibrationDataManager(postgres_config, redis_config)

# 导出振动数据
urls = manager.export_vibration_data(shots, t_min=0, t_max=60)

# 查询标注数据
annotations = manager.query_annotations_by_conditions(shot_ids=shots)

主要功能:

• 振动数据导出
• 标注数据存储
• 条件查询
• 训练数据生成

3. 标注分析器 (VibrationAnnotationAnalyzer)

from scripts.annotation_analysis import VibrationAnnotationAnalyzer

# 创建分析器
analyzer = VibrationAnnotationAnalyzer(postgres_config, redis_config)

# 生成标注报告
report = analyzer.export_annotation_report(shots, 'report.json')

# 生成可视化图表
analyzer.generate_comprehensive_charts(shots, 'charts/')

主要功能:

• 标注统计报告
• 质量趋势分析
• 故障分布可视化
• 置信度分析

API接口

ML后端API

# 健康检查
GET http://localhost:9090/health

# 预测接口
POST http://localhost:9090/predict
Content-Type: application/json

{
  "tasks": [
    {
      "data": {
        "shot": 240829001,
        "csv": "http://file-server:8000/data/vibration_data_240829001.csv"
      }
    }
  ]
}

响应格式

{
  "predictions": [
    {
      "result": [
        {
          "from_name": "speed_level",
          "to_name": "ts",
          "type": "timeserieslabels",
          "value": {
            "start": 0.0,
            "end": 30.0,
            "timeserieslabels": ["中转速"]
          },
          "score": 0.85
        },
        {
          "from_name": "quality_score",
          "to_name": "ts",
          "type": "number",
          "value": {
            "number": 85.6
          },
          "score": 0.8
        }
      ],
      "score": 0.825
    }
  ]
}

部署指南

Docker部署

# 构建镜像
cd ml-backends/vibration_phm
docker build -t vibration-phm:latest .

# 启动服务
docker-compose up -d

Kubernetes部署

# 应用部署配置
kubectl apply -f k8s/vibration-phm-deployment.yaml

# 检查服务状态
kubectl get pods -n label-studio
kubectl logs -f vibration-phm-ml-backend-xxx

开发指南

添加新的预测特征

class VibrationPredictor(BasePredictor):
    def extract_features(self, data: pd.DataFrame) -> Dict:
        features = super().extract_features(data)
        
        # 添加新特征
        features['new_feature'] = self._calculate_new_feature(data)
        
        return features
    
    def _calculate_new_feature(self, data: pd.DataFrame) -> float:
        # 实现新特征计算逻辑
        return calculated_value

扩展故障类型

def predict_fault_type(self, data: pd.DataFrame, features: Dict) -> List[TimeseriesSpan]:
    # 添加新的故障检测逻辑
    if features.get('new_indicator', 0) > threshold:
        return [TimeseriesSpan(
            start=time[0],
            end=time[-1],
            label_choice='新故障类型',
            label_group="fault_type"
        )]