Data Science pour série temporelle
Découvrir la Data Science pour les Séries Temporelles industrielles
7 étapes pour comprendre notre méthodologie de Data Science pour la détection de pannes en mode aveugle et l’exploration des données issues de capteurs.
Nos Data-Scientists vous présentent comment tirer profit de vos données et comment effectuer une exploration approfondie grâce à DiagFit.
Via notre concept de Chalk & Talk, nous voulons introduire des concepts simples de Data Science au travers de courtes vidéos tech, animées par notre équipe. Notre objectif est de vous expliquer de manière très vulgarisée notre savoir-faire et nos innovations au sein du logiciel DiagFit.
1. L'approche "aveugle"
Caractériser le fonctionnement nominal de l’équipement pour la création de l’espace de normalité.
2. La génération de caratéristiques
Extraire plus d’information de la série temporelle pour en générer un espace de normalité précis et plus robuste.
3. Le score de santé de l'équipement
Définir la frontière de l’espace de normalité pour obtenir le meilleur compromis qui répondra aux enjeux du cas d’usage.
4. La labellisation des anomalies
Améliorer le modèle avec de nouvelles données et labelliser les comportements non sains.
5. Analyse & exploitation des séries temporelles
Nettoyer le signal d’un capteur pour en extraire de l’information pertinente.
6. Décomposition du signal et capteurs virtuels
Filtrer un signal issue de séries temporelles industrielles et création de capteurs virtuels.
7. Des sous-groupes de capteurs à l'indicateur de santé global
Modéliser le comportement sain d’un équipement en découpant le comportement global en sous éléments plus simples.
De l’analyse des signaux brutes à la génération d’un ou plusieurs détecteurs d’anomalies en mode aveugle, toutes ces étapes de Data Science sont présentes dans DiagFit. Grâce à ces fonctionnalités semi-automatisées l’expert métier peut tirer le meilleur parti de ses données.
