基于卷积核的混合特征学习方法用于ATM事件日志数据故障预测
机器学习
2023-05-18 v1 人工智能
摘要
预测性维护（PdM）方法旨在便于在设备失效前安排维护工作。在此背景下，检测自动柜员机（ATMs）的早期故障变得愈发重要，因为这些机器易受各类不可预测故障的影响。ATM通过生成海量事件日志数据来跟踪执行状态，这些数据收集了与故障事件无关的系统消息。基于事件日志预测机器故障带来了额外挑战，主要在于提取可能代表预示即将发生故障的事件序列的特征。相应地，特征学习方法正被用于PdM，即从 minimally 处理的传感器数据中自动学习信息性特征。然而，这些方法如何用于从基于事件日志的数据中导出相关特征仍待探索。为填补此空白，我们提出一种基于卷积核（MiniROCKET与HYDRA）的预测模型，从原始事件日志数据中提取特征，并使用线性分类器基于所学特征对样本分类。所提方法应用于一个重要的真实世界采集数据集。实验结果表明，所提卷积核之一（即HYDRA）表现出最佳分类性能（准确率0.759，AUC 0.693）。此外，统计分析揭示HYDRA与MiniROCKET模型显著优于文献中已确立的时序分类前沿方法之一（InceptionTime）及三种非时序ML方法。该预测模型已集成到基于容器的决策支持系统中，以协助操作员及时维护ATM。
引用
@article{arxiv.2305.10059,
title = {A hybrid feature learning approach based on convolutional kernels for ATM fault prediction using event-log data},
author = {Víctor Manuel Vargas and Riccardo Rosati and César Hervás-Martínez and Adriano Mancini and Luca Romeo and Pedro Antonio Gutiérrez},
journal= {arXiv preprint arXiv:2305.10059},
year = {2023}
}