使用传感器时间序列预测故障的最佳模型

Question

我正在与一家公司合作开发用于预测性维护的 ML 模型。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）的时间序列和我们记录发生的故障的变量。此处的目的是构建一个模型，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，对于某种故障，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 构建一个 RNN 分类器。如果有故障，则目标为 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？

Answer 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 或任何此类性质）开始。我建议您专注于您的功能。例如，您提到了 Pressure、MototSpeed。回顾过去的某个时间窗口。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。看一下 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。回到你的问题。

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。您也可以使用深度学习模型，但我会首先从简单模型开始。另外，如果你没有大量数据，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度采样或欠采样。对于过采样，请查看 SMOTE 包。

祝你好运