pythonを使用した機械学習　モーターの故障予知　モデル　リアルタイムモデリング　結果出力　変数の型　について

Pythonを使用した機械学習　モーターの故障予知

pythonを使用して機械学習によるモーターの故障予知を実装しようとしております。
（ラボレベルの小規模の試験です。）
計測データは2点
・モーター負荷電流
・振動値
上記2点をPLCへ入力し、PLC⇒PCへpython上で値を取得しています。
この２つの値を使用し、簡単な機械学習モデルを作成し、
計測した値をリアルタイムでそのモデルに流し、評価を行う、といったものを実装したく考えております。
裏の目的は機械学習の触りを知ってもらうための展示品としての作成です。

発生している問題・エラーメッセージ

１．適切なモデルがわからない。（現在はk近傍法）
２．リアルタイムでのモデリングを行う際に適切な値の格納方法、
　　格納の型についてアドバイスをいただきたい。
　　（イメージは1回/1秒でサンプリングしたデータを10個程度配列型に格納し、
　　　その配列データをモデルに流し込んで結果を出力する、というやり方です。）
３．結果の出力方法についてアドバイスをいただきたい。
　　現在０－１でしか出力ができておらず、可視化するにもチープな状態です。

どれか１つでもアドバイスできそうな項目がございましたらご助言いただけますと幸いでございます。
よろしくお願い致します。

該当のソースコード

python
1import csv
2import socket
3import time
4import pandas as pd
5from sklearn.neighbors import KNeighborsClassifier
6from sklearn.metrics import accuracy_score
7 
8
9host_ip = '192.168.4.10'    # kv-5000のIPアドレス
10host_port = 8501            # 上位リンク通信のポート番号
11
12client = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
13# socket.AF_INETでip4を使うことを指定。socket.SOCK_STREAMでTCPを使うことを指定。
14client.connect((host_ip,host_port))
15    # サーバーに接続(kv-7500にTCP接続/上位リンク通信)
16
17test_data=[]
18learn_data=[]
19learn_label=[]
20test_label=[]
21
22num = 1
23
24df1 = pd.DataFrame({'input1': ['0'],'input2': ['0']},index=[0])
25df2= pd.DataFrame({'input1': ['0'],'input2': ['0']},index=[0])
26
27print("////教師データ入力////")
28print("正常データ入力：エンターを押すと教師データが入力される")
29input_data = input()
30while num < 10 : # 回数分繰り返す
31    
32    comand0 = "RD DM10102.D\r"  # ch0読み出しコマンド
33    comand1 = "RD DM10112.D\r" # ch1読み出しコマンド
34    
35    client.send(comand0.encode("ascii"))    # 上位リンク通信のデータコードがASCIIなのでエンコード
36    client.send(comand1.encode("ascii")) 
37    
38    response0 = client.recv(1024)
39    response1 = client.recv(1024)
40    
41    response0 = response0.decode("UTF-8") # PLCからの返答がbyteデータなのでUTF-8にデコード
42    response1 = response1.decode("UTF-8")
43    
44    response0 = float(response0)/1000 # Float型へ変換し単位をそろえる
45    response1 = float(response1)/1000
46    
47    print(num," ch0 :",response0,"V","  ch1：",response1,"V") # 表示
48    df1.loc[num] =[response0,response1]
49    num +=1
50    time.sleep(0.5) # n秒ごと
51    learn_data.append([response0,response1])
52    learn_label.append(1)
53    
54else:
55#    client.close()
56    print("異常データ入力：エンターを押すと教師データが入力される")
57    input_data = input()
58    while num < 20 :
59
60        comand0 = "RD DM10102.D\r"  # ch0読み出しコマンド
61        comand1 = "RD DM10112.D\r" # ch1読み出しコマンド
62    
63        client.send(comand0.encode("ascii"))    # 上位リンク通信のデータコードがASCIIなのでエンコード
64        client.send(comand1.encode("ascii")) 
65    
66        response0 = client.recv(1024)
67        response1 = client.recv(1024)
68    
69        response0 = response0.decode("UTF-8") # PLCからの返答がbyteデータなのでUTF-8にデコード
70        response1 = response1.decode("UTF-8")
71    
72        response0 = float(response0)/1000 # Float型へ変換し単位をそろえる
73        response1 = float(response1)/1000
74    
75        print(num," ch0 :",response0,"V","  ch1：",response1,"V") # 表示
76        df1.loc[num] =[response0,response1]
77        num +=1
78        time.sleep(0.5) # n秒ごと
79        learn_data.append([response0,response1])
80        learn_label.append(0)
81    else:
82        client.close()
83
84
85
86client = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
87# socket.AF_INETでip4を使うことを指定。socket.SOCK_STREAMでTCPを使うことを指定。
88client.connect((host_ip,host_port))
89
90
91
92print("比較データ入力：エンターを押すと比較データが入力される")
93input_data = input()
94
95num =1
96
97# アルゴリズムを指定。K最近傍法を採用
98clf = KNeighborsClassifier(n_neighbors=1)
99 
100# 学習用のデータと結果を学習する,fit()
101clf.fit(learn_data, learn_label)
102
103while num < 20 : # 回数分繰り返す
104    
105    comand0 = "RD DM10102.D\r"  # ch0読み出しコマンド
106    comand1 = "RD DM10112.D\r" # ch1読み出しコマンド
107    
108    client.send(comand0.encode("ascii"))    # 上位リンク通信のデータコードがASCIIなのでエンコード
109    client.send(comand1.encode("ascii")) 
110    
111    response0 = client.recv(1024)
112    response1 = client.recv(1024)
113    
114    response0 = response0.decode("UTF-8") # PLCからの返答がbyteデータなのでUTF-8にデコード
115    response1 = response1.decode("UTF-8")
116    
117    response0 = float(response0)/1000 # Float型へ変換し単位をそろえる
118    response1 = float(response1)/1000
119    
120
121    print(num," ch0 :",response0,"V","  ch1：",response1,"V") # 表示
122    df1.loc[num] =[response0,response1]
123    num +=1
124    time.sleep(0.5) # n秒ごと
125    test_data.append([response0,response1])
126    test_label = clf.predict(test_data)
127
128else:
129    client.close()
130
131# アルゴリズムを指定。K最近傍法を採用
132
133clf = KNeighborsClassifier(n_neighbors=1)
134 
135# 学習用のデータと結果を学習する,fit()
136clf.fit(learn_data, learn_label)
137 
138# テストデータによる予測,predict()
139test_label = clf.predict(test_data)
140
141print(test_label)

試したこと

Kaggleで勝つ　データ分析の技術　という本を読みました。

補足情報（FW/ツールのバージョンなど）

jupyterNotebookを使用してます。

行動規範の内容に同意します

回答1件

ベストアンサー

１．適切なモデルがわからない。（現在はk近傍法）

こちらの記事が参考になると思います。k近傍法は基本なので、初手としてはよいと思います。

２．リアルタイムでのモデリングを行う際に適切な値の格納方法

上記の記事のソースを見るとわかりますが、発生するデータは配列にどんどん溜め込んで、スライスで必要な箇所を取り出すイメージです。真面目にやると、センシング側と分析・表示側でスレッドを分けるか完全に別プロセスにして、時系列DBを介してデータの読み書きをするとよいです。いわゆるIoTシステムのアーキテクチャーになります。

３．結果の出力方法についてアドバイスをいただきたい。

k近傍法の予測結果を出す関数には、ラベルとの距離を出力するものがありますので、それをお使いいだたくのがよいと思います。平常であるクラス0との距離をグラフ化してください。最初に示した記事もそうなっていますし、お使いいただいているKNeighborsClassifierにも距離を出す関数があります。

また、こちらの記事のように、リアルタイムでグラフ表示更新をすることと組み合わせると、デモとしては映えると思います。なお、リアルタイムグラフで「魅せる」には、サンプリング間隔は1秒では物足りないです。100ms程度にすると、ヌルヌル感がしてよいと思います。

投稿2021/01/30 00:34

編集2021/02/13 08:42

toast-uz

総合スコア3266

endo_t

2021/02/12 05:15

リンクが消えていました、、、、再度張り付けいただくことはできますか？

endo_t

2021/02/12 05:37

また、時系列DBを介しての読み書き、非常に助かるアドバイスでした。有難うございます。リアルタイムでDBへ書き込みについて、例えば、 time 　　　　device1 device2 00:00:00:00　0.28 　0.17 00:00:00:05　0.28 　0.17 00:00:00:10　0.28　 0.17 00:00:00:15　0.28 　0.17 ・・のように時系列DBを作成し、そのDBをモデルを動かすプログラムで周期的に読みに行く（1秒に１回とか）といったイメージでしょうか？時系列DBについてググってみましたが、ローカル上にDBファイルを作成することはできるんですかね、、皆様AzureやAWS等にアクセスしており参考にできるソースなどが見つけられず、、ご助言いただけますと幸いです。時系列DBを作成する方法もぐぐっているところでございます。。