ML-Vorhersage von Geräteausfällen aus Sensordaten

Ich erstelle Modelle des maschinellen Lernens, die Geräteausfälle im Voraus vorhersagen, damit Sie Reparaturen planen können, anstatt Notfallreparaturen nach einem Ausfall durchzuführen. Ausgehend von Rohsensordaten und Wartungsprotokollen entwickle ich Merkmale aus Zeitreihen — rollierende Statistiken, spektrale Eigenschaften, Abnutzungstrends — und trainiere dann Modelle, die die verbleibende Nutzungsdauer schätzen und Anomalien erkennen, sobald sie auftreten. Sie erhalten frühzeitige und zuverlässige Warnungen, dass ein Lager, eine Pumpe, ein Motor oder ein Kompressor auf einen Ausfall zusteuert, mit Zeit, um Reparaturen zu planen.

Ich besitze den gesamten Weg von den Daten bis zur Bereitstellung. Ich bereinige und synchronisiere heterogene Sensorhistorien, gehe mit fehlenden Daten und Drift um, kennzeichne seltene Ausfallereignisse und validiere Modelle gegen tatsächliche Ausfallzeiten, sodass die Zahlen Ihre tatsächliche Produktion widerspiegeln. Ich kalibriere die Warnschwellenwerte nach Ihrer Toleranz für falsch-positive Ergebnisse: Ein Modell, dem Sie nicht vertrauen, wird abgeschaltet.

Sie erhalten kalibrierte Ausfallwahrscheinlichkeiten, Schätzungen der verbleibenden Nutzungsdauer und Anomaliewarnungen, die in Werkzeuge einfließen, die Ihre Techniker bereits verwenden. Ich dokumentiere jede Annahme, liefere reproduzierbaren Code und bleibe involviert, um Modelle neu zu trainieren, während sich die Geräte weiterentwickeln.

— Merkmale aus Vibration, Temperatur, Strom und Drucksignalen
— Schätzung der verbleibenden Nutzungsdauer mit Konfidenzintervallen
— Anomalieerkennung ohne Labels für Komponenten mit seltenen Ausfällen
— Schwellenwertanpassung, Backtesting und klare Übergabedokumentation