Predictive Maintenance
我们的客户设计、制造和租赁工业设备，并提供远程监控设备操作的软件。他们希望 Faststream Technologies 加速软件平台中智能功能的原型设计，从而通过预测和预防故障来减少机器停机时间。
Faststream与我们客户的软件工程团队密切合作，构建了一个预测分析原型，该原型由 2 线电流传感器、一个风速计、设备传感器时间序列数据组成，以预测和防止机器停机。该系统会提醒现场团队有故障风险的单元，因此他们可以在发生任何故障之前主动采取行动。客户的团队能够自行继续工作、维护代码并使用我们创建的数据处理管道和机器学习框架进行进一步的实验。
我们使用的一种传感器是惯性传感器，它包括机器学习核心 (MLC) 和有限状态机 (FSM)。该传感器的一个革命性方面是它具有嵌入式机器学习核心。我们的团队可以使用机器学习算法的开源集合 Weka 配置决策树的特定参数。
工业设备和软件公司：
在加速阶段，Faststream Technologies 会见了项目的业务发起人和软件开发组织，以更明确地定义项目的业务和技术目标。我们帮助我们的客户将业务目标转化为产品规格。
(1)大规模数据工程
我们审核了客户的数据，以更好地了解他们的数据来源、质量和分辨率。 ETL 的大部分工作涉及合并来自客户数据湖的不同格式的多个数据源。我们设计了一种数据工程策略，该策略可获取数 TB 的数据，包括实时流式传感器数据、特定于硬件的人口统计信息、人工生成的维护报告和外部天气数据。
(2)资料准备
在评估数据并定义可预测的目标之后，我们对数据流进行了特征工程，以便为时间序列预测问题创建适当的输入。我们改变了回顾和预测范围窗口，并精心创建了训练和验证数据集，以避免数据泄漏。
(3)模型工程
我们遵循我们的标准流程来评估多种模型架构，从逻辑回归到基于树的集成技术再到神经网络。我们使用没有特征工程的卷积神经网络作为准确度的基线，但选择了两类基于树的模型（随机森林和梯度增强树），因为它们表现出更好的性能，更容易调整并且更易于解释。我们与客户的工程师一起定义专家特征（例如，压力和温度范围），优化模型精度，并解释模型的输出（例如，特征重要性）
(4)业务整合
在为一系列模型优化超参数后，我们创建了一个预测作业，用每日预测更新数据库。
