使用来自传感器的时间序列预测故障的最佳模型

Posted 2023-02-16

【中文标题】使用来自传感器的时间序列预测故障的最佳模型

【英文标题】：Best model to predict failure using time series from sensors

【发布时间】：2020-09-20 22:46:19

【问题描述】：

我正在与一家公司合作开发用于预测性维护的机器学习模型的项目。我们拥有的数据是日志文件的集合。在每个日志文件中，我们都有来自传感器（温度、压力、MototSpeed 等）的时间序列和一个记录发生故障的变量。这里的目的是建立一个模型，该模型将使用日志文件作为其输入（时间序列）并预测是否会出现故障。为此，我有一些问题： 1）能够做到这一点的最佳模型是什么？ 2）处理不平衡数据的解决方案是什么？事实上，对于某些故障，我们没有足够的数据。 在将时间序列转换为固定长度的子时间序列后，我尝试使用 LSTM 构建 RNN 分类器。如果有故障，目标为 1，否则为 0。与零的数量相比，1 的数量可以忽略不计。结果，模型总是预测为 0。解决办法是什么？

【参考方案1】：

Mohamed，对于这个问题，您实际上可以从传统的 ML 模型（随机森林、lightGBM 或任何类似性质的模型）开始。我建议您专注于您的功能。例如你提到的压力，MototSpeed。看看某个时间窗口倒退。在同一窗口 st.dev 中计算移动平均值、最小值/最大值。要解决这个问题，您需要拥有一组健康的功能。看看 featuretools 包。您可以使用它或了解可以使用时间序列数据创建哪些功能。回到您的问题。

1) 能够做到这一点的最佳模型是什么？如上所述的传统 ML 方法。你也可以使用深度学习模型，但我会先从简单的模型开始。此外，如果您没有大量数据，我可能不会接触 RNN 模型。

2) 处理不平衡数据的解决方案是什么？您可能希望对数据进行过采样或欠采样。对于过采样，请查看 SMOTE 包。

祝你好运