使用传感器的时间序列预测故障的最佳模型

Question

我正在与一家公司合作一个项目，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。和一个变量，我们在其中记录发生的故障。这里的目标是构建一个模型，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，对于某些类型的故障，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。如果存在故障，则目标为1；如果没有故障，则目标为0。与0的数量相比，1的数量可以忽略不计。因此，模型总是预测0。解决方案是什么？

Answer 1

穆罕默德，对于这个问题，你实际上可以从传统的ML模型(随机森林，lightGBM或任何类似的模型)开始。我建议你专注于你的功能。例如，你提到了压力，MototSpeed。看着时间之窗回到过去。计算移动平均值，同一窗口中的最小/最大值，st.dev。要解决这个问题，你需要有一组健康的特性。看一看featuretools包。您可以使用它，也可以了解使用时间序列数据可以创建哪些特征。回到你的问题上。

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，但我首先要从简单的模型开始。另外，如果你没有很多数据，我可能不会接触RNN模型。

2)如何处理不平衡数据？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。

祝好运