Hej! Ako dodávateľ kompaktných transformátorov som bol koleno - hlboko vo svete týchto šikovných zariadení. Jedným z najdôležitejších aspektov, ktoré môžu dosiahnuť alebo prelomiť výkon kompaktných transformátorov, je predbežné spracovanie údajov. Poďme sa teda ponoriť do toho, čo si myslím, že je najlepším spôsobom, ako predbežne spracovať údaje pre tieto transformátory.
Po prvé, prečo sú údaje pred - spracovanie také dôležité pre kompaktné transformátory? Kompaktné transformátory sa používajú v širokej škále aplikácií, odKompaktný transformátorv elektrických mriežkách doNová energetická integrovaná fotovoltaická prefabrikovaná kabína MV a HV Transformátory Cutting - Distribučné zariadenie na okraj. Údaje, ktoré sa zaoberajú, môžu byť chaotické, hlučné a nekonzistentné. Ak správne nevykonávame údaje, môže to viesť k nepresným predpovediam, zlým výkonom a dokonca aj zlyhaniami systému.
Čistenie údajov
Prvým krokom v predbežnom spracovaní údajov je čistenie. Je to ako upratovanie chaotickej miestnosti skôr, ako ju budete môcť efektívne používať. V kontexte kompaktných transformátorov môžu mať údaje, ktoré zhromažďujeme, chýbajúce hodnoty, odľahlé hodnoty alebo nesprávne záznamy.
Chýbajúce hodnoty sú bežným problémom. Môžu sa vyskytnúť v dôsledku porúch senzorov, chýb komunikácie alebo jednoducho ľudskej chyby. Jedným zo spôsobov, ako spracovať chýbajúce hodnoty, je jednoducho odstrániť riadky alebo stĺpce s chýbajúcimi údajmi. Môže to však byť trochu extrémne, najmä ak sa zaoberáme obmedzenými údajmi. Lepším prístupom je napísať chýbajúce hodnoty. Môžeme používať metódy, ako je stredná imputácia, kde nahradíme chýbajúcu hodnotu priemerom nes chýbajúcich hodnôt v tomto stĺpci. Napríklad, ak sa pozrieme na údaje o teplote kompaktného transformátora a chýba vám chýbajúce čítanie teploty, môžeme vypočítať priemernú teplotu všetkých ostatných odčítaní a použiť ju ako náhradu.
Odľahlé hodnoty sú ďalšou bolesťou hlavy. Toto sú dátové body, ktoré sa výrazne líšia od ostatných údajov. Môžu byť spôsobené závadami senzora alebo neobvyklými prevádzkovými podmienkami. Môžeme identifikovať odľahlé hodnoty pomocou štatistických metód, ako je medzikvartilný rozsah (IQR). Keď ich identifikujeme, môžeme ich buď odstrániť, alebo transformovať. Napríklad môžeme použiť transformáciu log na zníženie vplyvu extrémnych hodnôt.
Normalizácia
Po vyčistení údajov je ďalším krokom normalizácia. Je to dôležité, pretože rôzne funkcie v našich údajoch môžu mať rôzne stupnice. Napríklad údaje o napätí kompaktného transformátora sa môžu pohybovať od niekoľkých voltov do tisícov voltov, zatiaľ čo súčasné údaje môžu byť v rozsahu miliamperes po ampéry. Ak nedodržiavame údaje, v analýze môžu dominovať funkcie s väčšími mierkami a môžu byť prehliadané funkcie s menšími mierkami.
Existuje niekoľko metód normalizácie, ktoré môžeme použiť. Jedným z najobľúbenejších je min - maximálna normalizácia. Táto metóda zmenšuje údaje tak, aby všetky hodnoty boli medzi 0 a 1. Vzorec pre min - max normalizáciu je (x_ {norm} = \ frac {x__ {min}} {x_ {max} -x_ {min}}}), kde (x) je pôvodná hodnota, (x_ {min}) je hodnota minimum v dátovej sade v dátovej sade. Ďalšou metódou je normalizácia Z - skóre, ktorá štandardizuje údaje tak, aby mala priemer 0 a štandardnú odchýlku 1. Vzorec pre normalizáciu skóre z - skóre je (z = \ frac {x- \ mu} {\ Sigma}), kde (x) je pôvodná hodnota, (\ mu) je priemer súboru údajov a (\ sigma) je štandardná odchýlka.
Výber funkcií
Výber funkcií je o výbere najrelevantnejších funkcií pre našu analýzu. V prípade kompaktných transformátorov by sme mohli zbierať veľa údajov z rôznych senzorov, ale nie všetky by mohli byť užitočné. Napríklad by sme mohli zhromažďovať údaje o farbe puzdra transformátora, ale pravdepodobne to nebude mať žiadny vplyv na jeho výkon.
Existujú dva hlavné typy metód výberu funkcií: metódy filtra a metódy obalu. Metódy filtra používajú štatistické opatrenia na hodnotenie funkcií na základe ich relevantnosti. Môžeme napríklad použiť korelačnú analýzu na zistenie, ktoré vlastnosti sú silne korelované s výstupom, o ktorý sa zaujímame, napríklad účinnosť kompaktného transformátora. Na druhej strane metódy obalu používajú algoritmus strojového učenia na vyhodnotenie rôznych podskupín funkcií. Začínajú počiatočnou sadou funkcií a potom pridávajú alebo odstránia funkcie na základe toho, ako dobre model funguje.
Kódovanie kategorických údajov
Okrem numerických údajov by sme mohli mať aj kategorické údaje pri riešení kompaktných transformátorov. Napríklad typ izolácie použitej v transformátore môže byť kategorická premenná s hodnotami ako „olej - vyplnený“, „suchý - typ“ atď. Algoritmy strojového učenia zvyčajne nedokážu zvládnuť kategorické údaje priamo, takže ich musíme kódovať.
Jednou z bežných metód kódovania je jedna - horúce kódovanie. Tým sa vytvára nový binárny stĺpec pre každú kategóriu. Napríklad, ak máme tri typy izolácie: olej - vyplnený, suchý - typ a plyn - izolované, jedno - horúce kódovanie vytvorí tri nové stĺpce. Ak má transformátor izoláciu naplnený olejom, stĺpec naplnený olejom bude mať hodnotu 1 a ďalšie dva stĺpce budú mať hodnotu 0.
Rozšírenie údajov
Rozšírenie údajov je skvelý spôsob, ako zväčšiť veľkosť a rozmanitosť nášho súboru údajov. V kontexte kompaktných transformátorov môžeme použiť techniky, ako je rotácia, škálovanie a pridanie hluku. Napríklad môžeme pridať malé množstvo náhodného šumu do napätia a aktuálnych údajov, aby sme simulovali variácie reálneho sveta. To môže pomôcť našim modelom stať sa robustnejšími a lepšie schopnými zovšeobecniť nové údaje.
Prečo to všetko záleží
Všetky tieto kroky pred - spracovanie sú rozhodujúce pre to, aby sa čo najviac vyťažili z našich kompaktných transformátorov. Čistením údajov zabezpečujeme, aby naša analýza bola založená na presných informáciách. Normalizácia pomáha našim modelom konvergovať rýchlejšie a lepšie fungovať. Výber prvkov znižuje zložitosť našich modelov a zlepšuje ich interpretabilitu. Kódovanie kategorických údajov nám umožňuje používať všetky dostupné informácie a rozšírenie údajov robí naše modely odolné.
Ak ste na trhu preKompaktné transformátory, budete sa chcieť uistiť, že predprviny dát je vykonané správne. Sada vopred spracovaných údajov môže viesť k lepšiemu vykonávaniu transformátorov, čo znamená nižšie náklady, vyššiu účinnosť a menšie prestoje.
Poďme sa rozprávať
Ak máte záujem dozvedieť sa viac o našich kompaktných transformátoroch alebo máte nejaké otázky týkajúce sa údajov o údajoch, rád by som sa od vás dozvedel. Či už ste inžinier, ktorý hľadá najlepšie riešenie pre váš projekt alebo profesionál v oblasti obstarávania zodpovedný za získavanie vysokých kvalitných transformátorov, sme tu, aby sme pomohli. Oslovte nás a začnime rozhovor o tom, ako môžeme splniť vaše potreby.
Odkazy
- Han, J., Kamber, M., & Pei, J. (2011). Ťažba údajov: koncepty a techniky. Morgan Kaufmann.
- Bishop, CM (2006). Rozpoznávanie vzoru a strojové učenie. Springer.