企业官网建设流程全解析

吉安做网站的公司,html网站模板下载,wordpress软件站模板,广州制作软件视频效果#xff1a;变压器三种方法下故障诊断Python代码_哔哩哔哩_bilibili代码运行要求#xff1a;tensorflow版本2.4.0,Python3.6.0即可#xff0c;无需修改数据路径。 1.数据集介绍#xff1a; 采集数据的设备照片 变压器在电力系统中扮演着非常重要的角色。…视频效果变压器三种方法下故障诊断Python代码_哔哩哔哩_bilibili代码运行要求tensorflow版本2.4.0,Python3.6.0即可无需修改数据路径。1.数据集介绍采集数据的设备照片变压器在电力系统中扮演着非常重要的角色。尽管它们是电网中最可靠的部件但由于内部或外部的许多因素它们也容易发生故障。可能有许多启动器会导致变压器故障但可能导致灾难性故障的启动器如下机械故障电介质故障等这些数据是从2019年6月25日到2020年4月14日通过物联网设备收集的每15分钟更新一次。第一个文件打开 10列特征第二个文件打开 6列特征最后一列是标签正常状态为0故障为1参数说明电流电压VL1-相线1VL2-相线2VL3-相线3IL1-电流线路1IL2-电流线路2IL3-电流线路3VL12-电压线1 2VL23-电压线2 3VL31-电压线3 1INUT-中性点电流概述OTI-机油温度指示器WTI-绕组温度指示器ATI-环境温度指示器OLI-油位指示器OTI_A-油温指示器报警OTI_T-油温指示器跳闸MOG_A-标签正常未0故障为1.2.整个代码流程导入和配置库导入了所需的数据处理、数据可视化和机器学习相关的库并进行了matplotlib和seaborn的样式和参数配置。数据预处理读取了两个CSV文件Overview.csv和CurrentVoltage.csv将它们转换为DataFrame并对其中的日期时间列进行了格式转换。数据合并将两个DataFrametf和cv根据时间戳列DeviceTimeStamp合并为一个新的DataFrametransformer。数据可视化使用matplotlib和seaborn库绘制了多个图表包括散点图、折线图、计数柱状图和饼图来可视化不同传感器数据的变化趋势、分布情况等。机器学习模型训练和评估使用scikit-learn库中的机器学习模型Logistic Regression、SVM、K-Nearest Neighbors对数据进行了训练并进行了模型准确率的评估。具体步骤包括数据预处理特征缩放将特征值缩放到0到1的范围内。训练集和测试集划分将数据集划分为训练集和测试集。模型训练分别使用Logistic Regression、SVM和K-Nearest Neighbors模型对训练集进行训练。预测和评估使用训练好的模型对测试集进行预测并计算模型的训练准确率和测试准确率。分类报告和混淆矩阵打印出分类报告包括精确率、召回率和F1分数等指标同时绘制混淆矩阵来展示模型的分类结果。3.原始数据特征展示3.1.使用sns.relplot函数绘制tf DataFrame中的OTI、ATI和WTI列的关系图根据MOG_A列进行着色。3.2. 绘制油温指示器图3.3.绘制绕组温度指示器警报图3.4.绘制油温指示器警报 OTIT 图3.5.绘制温度指示器行程图3.6 绘制油位指示器图3.7.绘制磁性油位指示器图3.8分别绘制OTI_T列和MOG_A列的计数柱状图和饼图4.三种不同模型下的诊断准确率log:逻辑回归svc:支持向量机knn方法训练集和测试集的特征输入。训练集和测试集的标签输入。三种方法下测试集的混淆矩阵