一、使用随机森林进行系统故障诊断
1、模型选择
sklearn的随机森林+多输出结果模型
model = MultiOutputClassifier(RandomForestClassifier())
2、模型类型
属于分类模型，即判断系统的n个参数是否正确，或是否属于特定的类型。
举例：如参数是否属于正常的范围0~100之内，或者参数属于状态【正常、警告、故障】中的哪一状态
3、模型建立过程
提供系统n个参数的拟合数据=参数取值数据+结果标签数据，不能欠拟合和过拟合的数据，否则诊断结果可能出现误诊的情况。
举例：一个系统有3个参数温度a、整机状态b、传感器状态c，参数定义如下
温度a取值20~30正常、低于20和高于30异常； # 20~30、小于20、大于20为参数取值数据，正常、异常是结果标签数据
整机状态b取值0为正常、1为异常； # 0、1为参数取值数据，正常、异常为结果标签数据
传感器状态c取值0为正常、1为警告、2为故障 # 0、1、2为参数取值数据，正常、警告、故障为结果标签数据
拟合数据和结果标签数据：
| 参数取值数据 | 结果标签数据 |
| [25, 0, 0] | [正常, 正常, 正常] |
| [30, 1, 0] | [异常, 异常, 正常] |
| [25, 0 , 2] | [正常, 正常, 故障 |
| ... | ... |
这样的数据需要足够多，如产生10万条数据，能将实际可能产生的数据都囊括完。产生了拟合数据之后，将数据输入给模型即可完成建模。
注意：产生数据的原则就是数据不要出现欠拟合和过拟合的情况。
欠拟合数据：
只产生了100条数据，不能囊括所有情况；特征数据太少，如一个系统本应由10个参数决定状态，这里只有3个参数。【通过增加数据和特征值解决】
过拟合数据：
产生的数据有错误，如把温度取值100当做了正常；特征值过多，如一个系统本应由2个参数决定状态，这里有3个【通过增加正确数据，减少噪声（多余的特征值）解决】
4、参数诊断及定位
通过输入真实参数取值到模型，模型即可输出对应的标签。如
输入:[25, 0, 0]
模型输出:[正常, 正常, 正常]
5、关于迭代
如有一天因为环境产生了变化，温度正常范围从20~30变成了25~35，重新生成拟合数据重新建模。可将新拟合数据追加到老拟合数据来建模【理论上这样不够正常，但貌似没有更好的方法，因为建模是需要大量时间、CPU资源的过程】
二、使用线性进行系统故障诊断
1、模型选择
sklearn的线性回归
lr = LinearRegression()
2、其他和随机森林类似
模型类型、模型建立过程、参数诊断及定位和上面随机森林皆一致
3、不同之处
随机森林将大量的数据进行简单的分类，是1就是1，是2就是2，然后根据输入的真实数据，在模型中匹配最佳可能结果标签，然后输出最大概率的诊断结果
而线性回归认为，某一时刻的取值和历史的取值是有关系的，如下一时刻的取值可能和历史的100次取值相关，然后根据以前的取值来进行当前的诊断。
可根据实际情况选择不同模型。
三、使用GM11&GM21完成对参数的预测
1、模型选择
greytheory的gm11【gm21还未在实际项目中使用】
grey = GreyTheory()
gm11 = grey.gm11
2、模型类型
对单个参数的预测，单调性参数使用gm11，周期性参数使用gm21【随机性参数使用gm31】
如判断一个单调性参数1天后取值是多少。
3、模型建立过程
输入参数的n个等距历史取值，相邻参数的时间片为预测时间，如每隔1天取1个参数取值，共取1000次，那么gm11最后的输出结果为：预测最后一个数据之后一天的取值。
举例：
某个单调增的参数，如一个城市的人口数，从今天器往前每隔1天取1次数，取1000次：
| 时间 | 人口数 |
| 第一天 | 1000000 |
| 第二天 | 1000100 |
| ... | ... |
如果取值越多、间隔越小，预测结果越准确。
4、参数预测
输入：今天之前每隔1天取值，共1000次取值
模型输出：今天作为起点，1天之后的人口数预测
5、关于迭代
无法迭代，gm11是属于数学公式计算，需要每次输入多个历史取值，根据历史取值推测数下一个取值。