Prédiction ML des pannes d'équipement à partir des données de capteurs

Je crée des modèles d'apprentissage automatique qui prédisent les pannes d'équipement à l'avance, afin que vous puissiez planifier des réparations au lieu de réparations d'urgence après une panne. En commençant par des flux de capteurs bruts et des journaux de maintenance, j'ingénie des caractéristiques à partir de séries temporelles — statistiques roulantes, caractéristiques spectrales, tendances de dégradation — puis j'entraîne des modèles qui estiment la durée de vie utile restante et détectent les anomalies au fur et à mesure qu'elles apparaissent. Vous recevez un avertissement précoce et fiable qu'un roulement, une pompe, un moteur ou un compresseur est en voie de défaillance, avec le temps de planifier les réparations.

Je possède l'ensemble du parcours, des données au déploiement. Je nettoie et synchronise les historiques de capteurs hétérogènes, gère les données manquantes et le dérive, étiquette les événements de défaillance rares et valide les modèles par rapport aux temps d'arrêt réels afin que les chiffres reflètent votre véritable production. Je calibre les seuils d'alerte selon votre tolérance aux faux positifs : un modèle en qui vous n'avez pas confiance est désactivé.

Vous recevez des probabilités de défaillance calibrées, des estimations de durée de vie utile restante et des alertes d'anomalies qui alimentent des outils que vos techniciens utilisent déjà. Je documente chaque hypothèse, livre un code reproductible et reste impliqué pour réentraîner les modèles à mesure que l'équipement évolue.

— Caractéristiques provenant des signaux de vibration, de température, de courant et de pression
— Estimation de la durée de vie utile restante avec des intervalles de confiance
— Détection d'anomalies sans étiquettes pour les composants avec des pannes rares
— Réglage des seuils, tests rétrospectifs et documentation de transfert claire