Hello 大家好，今天繼續(xù)為大家?guī)韊IQ Time Series Studio系列講解，上期咱們講到“Utilities”模塊中的“Data Labeling”數(shù)據(jù)標簽工具。數(shù)據(jù)標簽工具使用戶能夠通過可視化界面將相應的數(shù)據(jù)標簽（如電弧或無電?。糜诋斍皵?shù)據(jù)圖形的不同部分，從而對導入的原始數(shù)據(jù)進行分類。然后，該工具根據(jù)標簽對原始數(shù)據(jù)進行細分，并創(chuàng)建用于訓練機器學習模型的優(yōu)化數(shù)據(jù)集。本節(jié)會繼續(xù)介紹“Utilities”模塊中的“Data Intelligence”數(shù)據(jù)智能工具。

“Data Intelligence”

數(shù)據(jù)智能為用戶提供了一種非常有價值的工具，它能夠自動并智能地分析數(shù)據(jù)集，以完成分類和異常檢測任務。本節(jié)介紹數(shù)據(jù)集分析的過程，并列出了優(yōu)化和重新收集數(shù)據(jù)的步驟，以提高性能并從分析結果中獲取更多數(shù)據(jù)信息。

數(shù)據(jù)智能的重要性

用戶通常根據(jù)自身經驗和對數(shù)據(jù)的了解導入時間序列數(shù)據(jù)集。然而，由于經驗和時間等限制，對數(shù)據(jù)的分析不夠全面無法得出令人滿意的結果。例如，采樣頻率可能高于相應的應用需求?；蛘撸瑢τ诜诸惾蝿?，每個類別的訓練數(shù)據(jù)量可能不均衡。為了應對這些挑戰(zhàn)，數(shù)據(jù)智能工具可以幫助用戶評估數(shù)據(jù)集的平衡性，并確定各個數(shù)據(jù)通道/軸的重要性。該工具不僅標記不平衡的數(shù)據(jù)集，還會建議忽略冗余通道。此外，該工具還可以幫助確定最佳采樣頻率和窗口大小，從而優(yōu)化數(shù)據(jù)集，提高質量和分析結果。

數(shù)據(jù)集配置

第一步是配置導入數(shù)據(jù)的必需參數(shù)（以分類示例中風扇狀態(tài)檢測為例）。

輸入以下信息：

數(shù)據(jù)集類型：“Segmented Data”分段數(shù)據(jù)或“Continuous Data”連續(xù)數(shù)據(jù)。

通道數(shù)：每個數(shù)據(jù)點由有多少個通道組成。

類別數(shù)：用戶數(shù)據(jù)需要分析的類別數(shù)。

使用的采樣頻率：用戶原始數(shù)據(jù)的采樣頻率。

最小頻率：可設置的最低分頻系數(shù)。

設置完成后，點擊“Confirm”按鈕，若有設置錯誤，可點擊“Reset”并重新配置。

設置通道數(shù)后，用戶可以為每個通道分配單獨的別名，有助于區(qū)分各個通道并便于用戶理解分析報告。

數(shù)據(jù)集導入

數(shù)據(jù)集配置后，導入用戶數(shù)據(jù)：

點擊每個類別旁邊的“+”按鈕彈出文件選擇窗口并加載文件。文件中的分隔符、行數(shù)和列數(shù)都會被自動識別。

請確保每個文件符合指定的設置：當數(shù)據(jù)分段時，列數(shù)必須等于窗口大小乘以通道數(shù)。當數(shù)據(jù)連續(xù)時，列數(shù)必須等于通道數(shù)。同時還可以修改每個類別的別名，以便于標注各類別的表現(xiàn)。

完成這些步驟后，點擊“START DATA ANALYSIS”按鈕，繼續(xù)進行數(shù)據(jù)分析并生成報告。

數(shù)據(jù)分析報告

點擊“START DATA ANALYSIS”按鈕后，啟動分析，系統(tǒng)會自動處理數(shù)據(jù)，然后顯示分析結果。

Segmented Data數(shù)據(jù)分析報告

Segmented Data數(shù)據(jù)分析報告主要包括：數(shù)據(jù)平衡，通道相關性，通道重要性和最佳采樣參數(shù)分析。

Data Balance-數(shù)據(jù)平衡

用五星對數(shù)據(jù)量的平衡進行評價，點亮的星數(shù)越多，表明各分類的數(shù)據(jù)集量越平衡。

Channel Correlation-通道相關性

僅適用于通道數(shù) >= 2 的情況。

顯示混淆矩陣表，說明不同通道之間的相關值。

絕對值越高，通道之間的相關性越高。值越接近于零，表示通道彼此獨立。該信息可用于識別并可能刪除冗余通道。刪除冗余通道有助于優(yōu)化數(shù)據(jù)集以用于訓練步驟。

Channel Importance-通道重要性

僅適用于分段數(shù)據(jù)集。

僅適用于通道數(shù) >= 2 的情況。

在排名欄中顯示每個通道的重要性得分，分數(shù)越高說明該通道越重要。

Best Sampling Params-最佳采樣參數(shù)

采樣頻率：輸出原始采樣頻率的推薦分頻。此建議旨在幫助消除數(shù)據(jù)中潛在的高頻噪聲成分。通過這種方式降低頻率，用戶可以節(jié)省資源和功耗，同時保留基本信息。

窗口大小：輸出推薦的窗口大小。對于分段數(shù)據(jù)，此大小保持不變，僅適用于連續(xù)數(shù)據(jù)。

采樣時長：單個樣本數(shù)據(jù)的采樣時間。

Continuous Data數(shù)據(jù)分析報告

前面主要介紹導入“Segmented”數(shù)據(jù)后的數(shù)據(jù)分析報告，而導入“Continuous”的數(shù)據(jù)分析報告略有不同，如“Best Sampling Params”功能描述

在窗口大小和采樣頻率矩陣中，最推薦使用采樣頻率fs/1和窗口大小64的組合。

區(qū)分度：僅適用于連續(xù)數(shù)據(jù)。輸出在最佳分段窗口大小和采樣頻率下連續(xù)數(shù)據(jù)的數(shù)據(jù)區(qū)分度。

用戶可以將連續(xù)數(shù)據(jù)導入到“ Data Operation”中。使用生成數(shù)據(jù)樣本并嘗試推薦的采樣參數(shù)，生成用于機器學習的樣本數(shù)據(jù)集。如果推薦的采樣頻率不是fs/1，則數(shù)據(jù)會根據(jù)分頻和推薦的窗口大小進行降采樣。例如，如果智能分析后得到的分頻為fs/2，則數(shù)據(jù)集將按如下方式進行降采樣并保存。

最后，用戶可以選擇“quality”并點擊 “Save PDF”按鈕將分析報告保存在本地PC中。

結論

該數(shù)據(jù)智能工具可自動生成數(shù)據(jù)集質量報告，并向用戶提供反饋，無需恩智浦的直接工程支持。分析的功能包括數(shù)據(jù)平衡、通道相關性、通道重要性、最佳采樣參數(shù)和窗長。這些功能使用戶能夠就數(shù)據(jù)重新收集或重新格式化做出明智的決策，確保其數(shù)據(jù)集處于最佳狀態(tài)以供后續(xù)處理。