Этот проект предназначен для прогнозирования сбоев оборудования на основе исторических данных. Проект включает в себя два основных компонента: классификатор причин сбоев и предсказатель сбоев.
-
models/: Директория для хранения обученных моделей.
breakdown_model1.pkl: Модель для прогнозирования вероятности поломки на 1, 3, 30 дней вперед.breakdown_model2.pkl: Модель для предсказания следующей поломки.reason_classifier.pkl: Модель для классификации причин сбоев.
-
resources/: Директория для хранения данных.
Categorical breakdowns (V4).xlsx: Данные о сбоях + разметка (необязательно).Features_3H.xlsx: Сгенерированные признаки.Target_3H.xlsx: Целевые переменные.
-
pipeline/: Основной код проекта.
Pipeline.py: Основной скрипт для генерации признаков, обучения моделей и прогнозирования.ReasonClassifier.py: Классификатор причин сбоев.
- Установка зависимостей:
Убедитесь, что у вас установлены все необходимые зависимости. Вы можете установить их с помощью команды:
pip install -r requirements.txt
Запуск проекта:
Для обучения моделей и прогнозирования сбоев выполните:
python Copy python pipeline/Pipeline.py Убедитесь, что данные в директории resources/ корректны и актуальны.
Основные функции Классификатор причин сбоев (ReasonClassifier) fit_reason_classifier: Обучение модели классификации причин сбоев.
predict_reason_classifier: Предсказание причины сбоя на основе текстового описания.
Предсказатель сбоев (BreakdownPredictor) insert_breakdown: Добавление нового сбоя в данные.
generate_features_and_targets: Генерация признаков и целевых переменных на основе исторических данных.
fit_model: Обучение моделей для прогнозирования сбоев.
predict: Прогнозирование вероятности сбоев на заданный временной диапазон.
Пример использования представлен в Pipeline.py
Лицензия Этот проект распространяется под лицензией MIT. Подробности см. в файле LICENSE.