Комментарии 3
Янина, спасибо за рассказ! Было интересно читать и в конце увидеть хороший результат!
Вы получаете из PSA 3 компонента и рассчитываете T2- и Q-статистики по ним. Далее указанные 3+2 признака вы подаете в LSTM модель с архитектурой encoder-decoder и предсказываете те же 3+2 признака, верно?
"Значение целевой функции у всех проставляем 1". Что вы подразумеваете под целевой функцией?
По первому вопросу:
Да. Из PSA получаем 3 компонента и рассчитываете T2- и Q-статистики по ним. Далее указанные 3+2 признака подаем в LSTM модель с архитектурой encoder-decoder и предсказываем те же 3+2 признака.
Затем в Байесовскую модель подаем не все 5 предсказанных признаков, а только 2 последних (T2- и Q-статистики).
По второму вопросу:
Для обучения Байесовской модели кроме признаков требуется target (целевая переменная). Поскольку мы обучаем Байесовскую модель на эталонных данных (периоды, когда оборудование работало хорошо), в качестве target-а проставляем единицы, что значит «оборудование работает хорошо».
На инференсе Байесовская модель измеряет отклонение от эталона во времени (27 часов, из которых мы отсекаем 3 первых и 3 последних). Сначала на графике видно плавное удаление от единицы, а за 3-4 часа перед остановкой - стремительное снижение в каждом из доступных 61 случаев.
Таким образом, если в прогнозируемом периоде отклонение превышает заранее установленную границу – ожидаем внеплановой остановки оборудования (и принимаем меры к ее предотвращению).
По первому вопросу:
Да. Из PSA получаем 3 компонента и рассчитываете T2- и Q-статистики по ним. Далее указанные 3+2 признака подаем в LSTM модель с архитектурой encoder-decoder и предсказываем те же 3+2 признака.
Затем в Байесовскую модель подаем не все 5 предсказанных признаков, а только 2 последних (T2- и Q-статистики).
По второму вопросу:
Для обучения Байесовской модели кроме признаков требуется target (целевая переменная). Поскольку мы обучаем Байесовскую модель на эталонных данных (периоды, когда оборудование работало хорошо), в качестве target-а проставляем единицы, что значит «оборудование работает хорошо».
На инференсе Байесовская модель измеряет отклонение от эталона во времени (27 часов, из которых мы отсекаем 3 первых и 3 последних). Сначала на графике видно плавное удаление от единицы, а за 3-4 часа перед остановкой - стремительное снижение в каждом из доступных 61 случаев.
Таким образом, если в прогнозируемом периоде отклонение превышает заранее установленную границу – ожидаем внеплановой остановки оборудования (и принимаем меры к ее предотвращению).
Предсказание остановок оборудования с использованием LSTM и Байесовского подхода