عملکرد مدل‌ها

سه مدل، یک تصویر کامل

ارزیابی روی داده‌ی آزمون جداشده بر اساس زمان (time-based split) برای جلوگیری از نشت اطلاعات. برای LSTM، عمر باقی‌مانده در سه بازه دسته‌بندی شده است.

Random Forest · Classification · v3.2

طبقه‌بندی نوع خرابی

۴۸ ویژگی: RMS، کورتوسیس، FFT باند ۱x/۲x، دما، فشار، جریان

آخرین آموزش: ۲۳ آبان ۱۴۰۵

۱۸۴٬۳۲۰ نمونه‌ی آموزشی

Accuracy

۹۴٫۲٪

Precision

۹۱٫۸٪

Recall

۸۹٫۶٪

F1

۹۰٫۷٪

ماتریس درهم‌ریختگی · سطر: واقعی، ستون: پیش‌بینی

سالم
سایش یاتاقان
ناهم‌محوری
داغ‌شدن
سالم
۱٬۸۲۰
۲۲
۱۴
۹
سایش یاتاقان
۱۸
۳۱۲
۱۱
۶
ناهم‌محوری
۱۲
۱۵
۲۶۸
۴
داغ‌شدن
۷
۵
۳
۲۴۱

منحنی ROC · AUC = ۰٫۹۷۱

LSTM · Regression (RUL) · v2.1

پیش‌بینی عمر باقی‌مانده

پنجره‌ی ۷۲ گام × ۴ سنسور · MAE: ۴٫۲ روز · RMSE: ۶٫۸ روز

آخرین آموزش: ۲۰ آبان ۱۴۰۵

۹۶٬۰۰۰ نمونه‌ی آموزشی

Accuracy

۸۸٫۷٪

Precision

۸۷٫۲٪

Recall

۸۶٫۱٪

F1

۸۶٫۶٪

ماتریس درهم‌ریختگی · سطر: واقعی، ستون: پیش‌بینی

کمتر از ۷ روز
۷ تا ۳۰ روز
بیش از ۳۰ روز
کمتر از ۷ روز
۱۴۶
۱۷
۲
۷ تا ۳۰ روز
۲۱
۳۸۸
۳۴
بیش از ۳۰ روز
۳
۴۱
۱٬۲۱۰

منحنی ROC · AUC = ۰٫۹۳۴

Isolation Forest · Anomaly Detection · v1.6

تشخیص رفتار غیرعادی

۲۰۰ درخت · contamination=0.03 · ویژگی‌های آماری پنجره‌ی ۱ ساعته

آخرین آموزش: ۲۵ آبان ۱۴۰۵

۲۵۰٬۰۰۰ نمونه‌ی آموزشی

Accuracy

۹۶٫۱٪

Precision

۸۷٫۴٪

Recall

۹۱٫۲٪

F1

۸۹٫۳٪

ماتریس درهم‌ریختگی · سطر: واقعی، ستون: پیش‌بینی

عادی
ناهنجار
عادی
۸٬۶۴۰
۱۹۸
ناهنجار
۱۳۲
۱٬۳۶۶

منحنی ROC · AUC = ۰٫۹۵۸