Hej tamo! Kao dobavljač kompaktnih transformatora, bio sam koljeno - duboko u svijetu ovih sjajnih uređaja. Jedan od najsutnijih aspekata koji mogu napraviti ili razbiti performanse kompaktnih transformatora su prerada podataka. Dakle, zaronimo u ono što mislim da je najbolji način za pre - procesiranje podataka za ove transformatore.
Prvo isključeno, zašto su podaci pre - obrada toliko važnih za kompaktne transformatore? Pa, kompaktni transformatori se koriste u širokom rasponu aplikacija, odKompaktni trafostički transformatoru električnim mrežama doNovi energetski integrirani fotonaponski montažni kabine MV & HV Transformers rezanje - oprema za distribuciju ivica. Podaci kojima se bave mogu biti neuredni, bučni i nedosljedni. Ako ne pripremimo podatke pravilno, može dovesti do netačnih predviđanja, loših performansi, pa čak i neuspjeha sustava.
Čišćenje podataka
Prvi korak u preradi prerađivanja podataka je čišćenje. Ovo je poput uređenja neuredne sobe prije nego što ga možete početi efikasno koristiti. U kontekstu kompaktnih transformatora, podaci koje prikupljamo mogu imati nedostajuće vrijednosti, odmetnike ili pogrešne unose.
Nedostajuće vrijednosti su uobičajeni problem. Mogu se pojaviti zbog kvarova senzora, komunikacijskih grešaka ili samo obične ljudske greške. Jedan od načina za rukovanje nedostajućim vrijednostima je jednostavno ukloniti redove ili stupce sa nedostajućim podacima. Ali to može biti malo ekstremno, posebno ako se bavimo ograničenim podacima. Bolji pristup je da imperirate nedostajuće vrijednosti. Možemo koristiti metode poput srednjeg imputacije, gdje zamijenimo vrijednost koja nedostaje uz srednju vrijednost koji nisu nedostajući u tom stupcu. Na primjer, ako gledamo temperaturne podatke kompaktnog transformatora i postoji očitanje temperature koja nedostaje, možemo izračunati prosječnu temperaturu svih ostalih očitanja i upotrijebite to kao zamjenu.
Odmetnici su još jedna glavobolja. Ovo su podatkovne točke koje se značajno razlikuju od ostalih podataka. Oni mogu biti uzrokovan glitvicama senzora ili nenormalnim radnim uvjetima. Možemo identificirati odmere koristeći statističke metode poput interquartile asortimana (IQR). Jednom kada ih identificiramo, možemo ih ukloniti ili pretvoriti. Na primjer, možemo koristiti transformaciju dnevnika da bismo smanjili utjecaj ekstremnih vrijednosti.
Normalizacija
Nakon čišćenja podataka, sljedeći korak je normalizacija. Ovo je važno jer različite karakteristike u našim podacima mogu imati različite vage. Na primjer, podaci napona kompaktni transformator mogu se kretati od nekoliko volti do hiljada volti, dok bi trenutni podaci mogli biti u rasponu miliampera na ampere. Ako ne normalizujemo podatke, značajke sa većim vagama mogu dominirati u analizi, a značajke s manjim vagama mogu se zanemariti.
Postoji nekoliko metoda normalizacije koje možemo koristiti. Jedna od najpopularnijih je MIN - MAX normalizacija. Ova metoda skalira podatke kako su sve vrijednosti između 0 i 1. MIN-a za min - maks. Druga metoda je Z - Score Normalizacija, koja ima srednje vrijednosti 0 i standardno odstupanje od 1. Organizacija za Z - (x) je originalna vrijednost, (\ mu) je srednja vrijednost i (\ sigma) je standardno odstupanje.
Odabir značajki
Odabir značajki sve je u odabiru najrelevantnijih funkcija za našu analizu. U slučaju kompaktnih transformatora mogli bismo prikupiti puno podataka iz različitih senzora, ali ne i svi bi mogli biti korisni. Na primjer, možda bismo prikupljali podatke o boji transformatorovog kućišta, ali to vjerovatno neće imati utjecaja na njegovu performanse.
Postoje dvije glavne vrste metoda odabira značajki: metode filtra i metode omotača. Metode filtra koriste statističke mjere za rangiranje karakteristika na osnovu njihove relevantnosti. Na primjer, možemo koristiti korelacijsku analizu da bismo vidjeli koje su karakteristike snažno povezane sa izlazom koji nas zanima, poput efikasnosti kompaktnog transformatora. Načini omota, s druge strane, koristite algoritam mašinskog učenja za procjenu različitih podskupova karakteristika. Oni počinju s početnim skupom značajki, a zatim dodajte ili uklonite funkcije na temelju načina na koji se model izvodi.
Kodiranje kategoričkih podataka
Pored numeričkih podataka, možda bismo imali i kategoričke podatke u odnosu na kompaktne transformatore. Na primjer, vrsta izolacije koja se koristi u transformatoru može biti kategorička varijabla, a vrijednosti poput "ulja - napunjena", "suha - vrsta", itd. Algoritmi za učenje mašina obično ne mogu direktno nositi sa kategoričkim podacima, tako da ga moramo kodirati.
Jedna uobičajena metoda kodiranja je jedna - vruće kodiranje. To stvara novi binarni stupac za svaku kategoriju. Na primjer, ako imamo tri vrste izolacije: ulje - ispunjeno, suvo - tip i plin - izoliran, jedna - vruće kodiranje stvorit će tri nova stupca. Ako transformator ima ulje - ispunjenu izolaciju, stupac ispunjeni ulje ima vrijednost 1, a druga dva stupca imat će vrijednost 0.
Povećanje podataka
Povećanje podataka odličan je način za povećanje veličine i raznolikosti našeg skupa podataka. U kontekstu kompaktnih transformatora možemo koristiti tehnike poput rotacije, skaliranja i dodavanja buke. Na primjer, možemo dodati malu količinu slučajne buke na napon i trenutne podatke kako bismo simulirali stvarne - svjetske varijacije. Ovo može pomoći našim modelima da postanu robusniji i bolje da se mogu generalizirati na nove podatke.
Zašto je sve važno
Svi ovi koraci prerađivanja su presudni za maksimalno izlaze iz naših kompaktnih transformatora. Čišćenje podataka osiguravamo da se naša analiza temelji na tačnim informacijama. Normalizacija pomaže našim modelima da se brže pretvaraju i izvode bolje. Odabir značajki smanjuje složenost naših modela i poboljšava njihovu prometnost. Kodiranje kategoričkih podataka omogućava nam da koristimo sve dostupne informacije, a povećanje podataka našim modelima čini naše modele otpornijim.
Ako ste na tržištu zaKompaktni transformatori, hteo ćete se pobrinuti da se podaci pre obrade prerade vrši tačno. Preradni skup podataka može dovesti do boljih transformatora, što znači niže troškove, veću efikasnost i manje zastoja.
Hajde da razgovaramo
Ako ste zainteresirani za učenje više o našim kompaktnim transformatorima ili imate bilo kakvih pitanja o preradi podataka, volio bih čuti od vas. Bilo da ste inženjer koji traži najbolje rješenje za vaš projekt ili profesionalni nabavke zaduženim za izvor visokog transformatora, tu smo da pomognemo. Dosežite nas i započnimo razgovor o tome kako možemo udovoljiti vašim potrebama.
Reference
- Han, J., Kamber, M., & Pei, J. (2011). Rudarstvo podataka: pojmovi i tehnike. Morgan Kaufmann.
- Biskup, cm (2006). Priznavanje uzoraka i učenje mašinskog učenja. Springer.