k2health 0.0.5

K2data内部的设备健康分析模板工具包

K2Health

K2Health是K2Assets提供的设备健康模板开发包（以下简称SDK），它提供了一套分析流程，协助数据分析师利用从设备采集的时序数据构造数学模型，进而对设备健康状况进行评分。

一、安装

安装SDK最新版本：

pip install -U k2health

本文档中使用到的样例文件：

• 样例数据文件：baoming_sample_data.csv.zip
• 样例参数表文件：baoming_config.xlsx

二、使用SDK

2.1 SDK概述

在SDK中Pipeline类代表整个分析流程，它由多个分析步骤组成，每个步骤也对应的类名如下：

• 数据清洗： DataCleaner
• 工况识别： ConditionPartitioner
• 模型训练： ModelTrainer
• 残差分析： TODO
• 健康评分： TODO

用户通过参数表文件向分析流程提供必要的配置参数，例如哪些测点作为要预测的测点、使用何种数学模型做预测等等。参数表文件是一个Excel格式的文件，它包含四个sheet，每个sheet代表一组参数用于不同的分析步骤：

• 测点配置：point_config
• 设备信息：device_config
• 设备树：device_tree
• 模型配置：model_config

我们期望在大多数情况下，通过调整参数表中的配置，就可以满足设备健康分析的要求并达到较好的效果。

2.2 使用默认分析

默认方式是指按Pipeline所定义的顺序执行每个分析步骤，并且每个步骤使用的处理逻辑也是默认的。示例代码如下：

from k2health.pipeline import *

config_file = "./health/sampledata/baoming_config.xlsx"

point_config = pd.read_excel(config_file, sheet_name='point_config')
x_col = ['motor_current', 'inlet_temperature', 'oil_temperature', 'total_inlet_flow', 'total_power']
y_col = ['motor_bearing_D_temperature', 'motor_bearing_D_vibX', 'motor_bearing_D_vibY',
         'motor_bearing_ND_temperature', 'motor_bearing_ND_vibX', 'motor_bearing_ND_vibY']
cleaner = DataCleaner(point_config, y_col, x_col)

device_config = pd.read_excel(config_file, sheet_name='device_config')
device_tree = pd.read_excel(config_file, sheet_name='device_tree')
partitioner = ConditionPartitioner(device_config, device_tree)

model_config_sheet = pd.read_excel(config_file, sheet_name='model_config')
trainer = ModelTrainer(y_col, model_config_sheet)

# 使用默认的数据处理器
pipeline = Pipeline(
    cleaner=cleaner,
    partitioner=partitioner,
    trainer=trainer
)

data = pd.read_csv("./health/sampledata/baoming_sample_data.csv")
pipeline.process(data)

2.3 定制化分析

定制化方式是指在每个分析步骤基础上增加额外的处理逻辑，或者重写原有的处理逻辑，以满足特定的业务需求。此时用户需要开发自己的分析步骤类，并将它放到分析流程里。

例如希望在默认的数据清洗完成后，额外对数据再做一次填充空值的处理。实现步骤如下：

1、首先创建一个继承DataCleaner的子类CustomDataCleaner，实现process方法：

class CustomDataCleaner(DataCleaner):
    def process(self, data: DataFrame) -> DataFrame:
        # 先进行默认处理
        data = super().process(data)  
        
        # 再进行定制处理
        data = data.fillna(-1)
        return data

2、在分析流程里引用CustomDataCleaner：

from k2health.pipeline import *

config_file = "./health/sampledata/baoming_config.xlsx"

point_config = pd.read_excel(config_file, sheet_name='point_config')
x_col = ['motor_current', 'inlet_temperature', 'oil_temperature', 'total_inlet_flow', 'total_power']
y_col = ['motor_bearing_D_temperature', 'motor_bearing_D_vibX', 'motor_bearing_D_vibY',
         'motor_bearing_ND_temperature', 'motor_bearing_ND_vibX', 'motor_bearing_ND_vibY']

# 使用定制的分析步骤
cleaner = CustomDataCleaner(point_config, y_col, x_col)

device_config = pd.read_excel(config_file, sheet_name='device_config')
device_tree = pd.read_excel(config_file, sheet_name='device_tree')
partitioner = ConditionPartitioner(device_config, device_tree)

model_config_sheet = pd.read_excel(config_file, sheet_name='model_config')
trainer = ModelTrainer(y_col, model_config_sheet)

pipeline = Pipeline(
    cleaner=cleaner,
    partitioner=partitioner,
    trainer=trainer
)

data = pd.read_csv("./health/sampledata/baoming_sample_data.csv")
pipeline.process(data)