README.ru.md

Time Series Analysis for Simulation of Technological Processes - TSAD

Содержание

• Содержание
• Введение
• Документация
• Приступая к работе
  • Системные требования
  • Установка
  • Пример использования API
• Сравнение со похожими библиотеками
• Рекомендации
• Цитирование TSAD

Введение

TSAD - это мощный модуль на Python, предназначенный для упрощения работы исследователей, использующих методы машинного обучения, специально разработанные для решения ключевых задач в промышленных областях.

Основная цель TSAD - предоставить исследователям эффективные инструменты для решения сложных проблем, связанных с:

• Обнаружение неисправностей в промышленном оборудовании:

  • Точно выявляйте и устраняйте неисправности в промышленном оборудовании, обеспечивая оптимальную производительность и надежность оборудования..

• Совершенствование технологических процессов:

  • Повысить общую производительность для повышения операционной эффективности.
  • Внедрить экономически эффективные меры по сокращению операционных расходов.
  • Усилить контроль качества и методы управления для достижения превосходных результатов.

Решение проблемы обнаружения неисправностей

В TSAD проблема обнаружения неисправностей сводится к проблеме обнаружения аномалий временных рядов с использованием хорошо известной методики:

• Прогнозирование многомерного временного ряда (TS) на один пункт вперед (также работает для одномерных TS)
• Вычисление остатков между прогнозируемыми и истинными значениями
• Применяйте анализ остатков и, таким образом, находите аномалии

Применение

1. Прогностический и предписывающий анализ:

   • Прогнозировать развитие ситуаций на основе анализа данных.
   • Автоматизировать принятие решений по диагностике и ремонту оборудования.

2. Прогнозируемое техническое обслуживание оборудования:

   • Использование методов математического моделирования, включая машинное обучение.
   • Снижение частоты поломок оборудования и связанных с ними повреждений.
   • Снижение затрат на диагностику и техническое обслуживание машин и промышленного оборудования.
   • Создание систем искусственного интеллекта для прогнозируемого технического обслуживания.

3. Ультракороткосрочное прогнозирование:

   • Анализ потоков данных в режиме реального времени.
   • Прогнозирование нештатных ситуаций.
   • Внедрение систем искусственного интеллекта для мониторинга в режиме реального времени.

4. Обнаружение аномалий в производственных процессах:

   • Выявление аномалий в производственных процессах.
   • Исследование первопричин аномалий.
   • Разработка систем искусственного интеллекта на основе алгоритмов математического моделирования, машинного обучения и исторических данных.

5. Широкомасштабное прогнозирование временных рядов:

   • Прогнозирование временных рядов в широком смысле, выходящее за рамки диагностики технических систем.

6. Обнаружение аномалий в широком контексте:

   • Обнаружение аномалий в различных контекстах, не ограничиваясь диагностикой технической системы.

7. Обнаружение неисправности датчика:

   • Обнаружение неисправных датчиков.

8. Создание виртуальных датчиков:

   • Разработка виртуальных датчиков.

9. Прогнозирование качества продукции:

   • Прогноз качества продукции.

Эти примеры прикладного использования демонстрируют универсальность TSAD в решении широкого спектра сценариев анализа промышленных данных. Будь то прогнозирование отказов оборудования, мониторинг потоков данных в режиме реального времени или прогнозирование качества продукции, TSAD предоставляет мощные решения для повышения эффективности принятия решений и оптимизации операционных процессов.

Ключевые функции

Ознакомьтесь с мощными возможностями, предлагаемыми TSAD для всестороннего тестирования, оценки и точного анализа данных:

Возможности тестирования:

• Оцените TSAD с помощью вашего собственного набора данных.
• Протестируйте пользовательские алгоритмы обнаружения аномалий и прогнозирования.

Разведочный анализ данных:

• Анализ распределения, отсутствующих данных и закономерностей.

Эффективное решение проблем с данными:

• Выявляйте и решайте проблемы с данными с помощью оценочных метрик.

Применение машинного обучения:

• Используйте машинное обучение для задач обнаружения аномалий и прогнозирования.

Оценка производительности:

• Оценка качества алгоритмов обнаружения аномалий.

Документация

Документация охватывает широкий круг тем, включая:

• Начало работы:

  • Пошаговое руководство по установке TSAD и настройке вашей среды.
  • Примеры быстрого запуска, которые помогут вам начать работу с минимальными усилиями.

• Обзор библиотеки:

  • Подробные объяснения основных компонентов и концепций библиотеки TSAD.
  • Понимание структуры и дизайна архитектуры для эффективного использования.

• Руководства по использованию и туториалы:

  • Подробные руководства по использованию конкретных функций библиотеки.
  • Практические примеры и варианты использования для демонстрации реальных приложений.

• Ссылка на API:

  • Полная документация по TSAD API.
  • Подробные описания классов, методов и параметров для продвинутых пользователей.

Приступая к работе

В этом разделе вы ознакомитесь с процессом начала работы с библиотекой TSAD.

Системные требования

Убедитесь, что ваша система соответствует следующим спецификациям оборудования для обеспечения оптимальной производительности TSAD:

• Минимальное количество процессоров (Intel): 2
• Минимальная частота процессора (ГГц): 2,0
• Минимальный объем оперативной памяти (ГБ): 4,0
• Минимальный объем видеопамяти (для внешнего видеоадаптера) (МБ): 512
• Тип конфигурации RAID и минимальное пространство на жестком диске (ГБ): RAID 5; 500

Эти требования призваны обеспечить руководство по минимальным техническим характеристикам оборудования, которые должны быть доступны в системе, в которой развернут TSAD. Могут потребоваться корректировки в зависимости от размера и сложности обрабатываемых данных временных рядов.

Имейте в виду, что эти спецификации рекомендуются для обеспечения оптимальной производительности, и отклонения могут повлиять на эффективность работы библиотеки.

Установка

Установите последнюю стабильную версию tsad, используя pip для Python 3.10:

pip install -U tsad

В качестве альтернативы вы можете установить последнюю версию для разработки непосредственно из репозитория GitHub:

pip install git+https://github.com/waico/tsad.git

Пример использования API

Чтобы быстро увидеть TSAD в действии, начните с использования простого примера в вашем скрипте на Python. Ниже приведен базовый пример:

# Импорт необходимых модулей
import sys
sys.path.insert(1, '../')
from tsad.base.pipeline import Pipeline
from tsad.base.datasets import load_skab
from tsad.pipelines import ResidualAnomalyDetectionTaskSet

# Загрузка данных
dataset = load_skab()
targets = dataset.target_names 
data = dataset.frame.drop(columns=targets).droplevel(level=0)

# Создайте конвейер и обучите/спрогнозируйте
pipeline = Pipeline(ResidualAnomalyDetectionTaskSet)
pred = pipeline.fit_predict(data,n_epochs=5)

После этого вы сможете увидеть:

Посетите Руководство в репозитории TSAD на GitHub, чтобы ознакомиться с практическими примерами и идеями.

Дорожная карта и будущие разработки

Мы приветствуем активное участие сообщества и ценим ваши отзывы о желаемых функциях TSAD. Наши текущие планы развития включают:

1. Усовершенствованная предварительная обработка временных рядов:

   • Изучение более сложных методов предварительной обработки, в частности решение проблем, связанных с сокращением временных рядов до одной частоты дискретизации, особенно в случаях неравномерно распределенных временных рядов.

2. Внедрение самых современных алгоритмов (SOTA):

   • Постоянные усилия по интеграции дополнительных самых современных алгоритмов в TSAD, гарантирующие, что библиотека остается актуально в анализе временных рядов.

3. Гибкая реализация модели:

   • Предоставление функции, которая позволяет пользователям легко внедрять и интегрировать свои модели в наш конвейер, предоставляя прямую ссылку на их репозитории на GitHub. Эта функция направлена на облегчение сотрудничества между исследователями, которые часто стремятся проверить и сравнить свои модели с другими.

4. Интеграция с эталонными показателями:

   • Работа над интеграцией TSAD с различными эталонными показателями прогнозирования и обнаружения аномалий. Эта интеграция позволит пользователям оценивать эффективность TSAD в соответствии с установленными стандартами, повышая прозрачность и надежность анализа временных рядов.

Ваш вклад и сотрудничество имеют важное значение для формирования будущего развития TSAD. Мы рекомендуем вам делиться своими мыслями, предложениями и вкладами в повышение функциональности и универсальности библиотеки. Вместе мы сможем продолжать продвигать анализ временных рядов в сообществе TSAD.

Сравнение со похожими библиотеками

Сравнение TSAD с другими библиотеками в различных аспектах:

	Merlion	Alibi Detect	Kats	pyod	GluonTS	RRCF	STUMPY	Greykite	Prophet	pmdarima	deepad	TSAD
Прогнозирование	✅		✅		✅			✅	✅	✅	✅	✅
Поиск аномалий	✅	✅	✅	✅		✅	✅	✅	✅		✅	✅
Алгоритмы оценки	✅			✅	✅						✅	✅
Ансамбли	✅			✅		✅						✅
Бенчмарки и датасеты	✅			✅	✅							✅
Визуализация результатов	✅		✅	✅				✅	✅			✅
Предварительная обработка данных			✅									✅
Автоматизированный разведочный анализ данных												✅

Рекомендации

Дополнительне материалы и библиотеки для изучения:

1. https://github.com/salesforce/Merlion
2. https://github.com/fastforwardlabs/deepad
3. https://github.com/HendrikStrobelt/LSTMVis
4. https://github.com/TezRomacH/python-package-template
5. https://github.com/khundman/telemanom
6. https://github.com/signals-dev/Orion
7. https://github.com/NetManAIOps/OmniAnomaly
8. https://github.com/unit8co/darts
9. https://github.com/tinkoff-ai/etna-ts
10. https://github.com/yzhao062/pyod
11. https://www.radiativetransfer.org/misc/typhon/doc/modules.html#datasets
12. https://github.com/AutoViML/Auto_TS
13. https://nuancesprog.ru/p/15161/
14. https://www.sktime.org/en/stable/
15. https://github.com/zalandoresearch/pytorch-ts
16. https://github.com/qdata/spacetimeformer
17. https://joaquinamatrodrigo.github.io/skforecast/0.6.0/index.html

Цитирование TSAD

Если вы используете TSAD в своих исследованиях или приложениях, пожалуйста, укажите, используя этот BibTeX:

@misc{TSAD2013,
  author = {Viacheslav Kozitsin and Oleg Berezin and Iurii Katser and Ivan Maksimov},
  title = {Time Series Analysis for Simulation of Technological Processes - TSAD},
  year = {2023},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/waico/tsad}},
}