Mining infrequent group of motifs from multidimensional time series: A case study at Alfa Laval AB
Notice bibliographique
Résumé
In collaboration with an industrial partner, Alfa Laval AB, this thesis discusses a novel approach for identifying operational modes, specifically a cleaning mode, in separator machines without the benefit of labelled data and with very limited operating knowledge. Understanding the operational modes is crucial for comprehending the machine’s behaviour and ensuring its optimal performance. Alfa Laval AB relies on a threshold-based fault detection system. The cleaning mode triggers vibrations that confuse the machine’s fault detection system, resulting in false alarms. The primary challenge revolves around the limited understanding of this infrequent cleaning mode, occurring periodically for 1-2 hours at intermittent intervals. To tackle this, we approach the problem as a data mining task. Matrix Profile (MP), a powerful tool in time series data analysis excels at identifying motifs and discords but struggles to distinguish between frequent and non-frequent motifs. To address the drawback, we introduced an innovative approach capable of detecting frequent motifs and non-frequent motifs from the matrix profile output. The fundamental concept involves extracting the top-K motif matches using the Matrix Profile (MP) and systematically monitoring the evolution of structural similarity through pairwise similarity matrix calculation, progressing from pairs of two motifs to a group of K motifs. This approach helps us to identify infrequent motifs that contain the most similar patterns which will be a good fit to address our challenge of identifying the cleaning mode.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».