Predictive-maintenance

Предсказание выхода из строя датчиков в реактивном двигателе от NASA

Для предсказание использовался метод решающих деревьев, такие как от XGBoost, CatBoost и Random Forest

DATA

Dataset from Kaggle

The result of experiments

В качестве проверки работы моделей используется cреднеквадратичная ошибка (RMSE) и коэффициент детерминации ($R^2$)

ML model performance

Conclusion

• Если установить показателя срок службы датчика(RUL) до 115 циклов, то методы решающих деревьев справлются с предсказанием лучше
• Если применить фильтра Savitzky-Golay три раза тоже получим прирост в качестве
• Лучший результат показал классический метод решаюших деревьев
• Поиск гипер-параметров с помощью Optuna не дает значимого прироста, поиск параметров занимает ~50 минут плюс обучения с лучшими параметрами занимает 14 минут, поэтому поиск был только для Random Forest метода
• Производительность RandomForest с лучшими параметрами увеличилась в три раза

References

1. https://gallery.azure.ai/Experiment/Predictive-Maintenance-Template-2
2. https://neptune.ai/blog/anomaly-detection-in-time-series
3. https://github.com/optuna/optuna-examples/blob/main/quickstart.ipynb