Geschäftskontext
Ein Fertigungsunternehmen sammelt Sensordaten von seinen Maschinen, um Ausfälle vorherzusagen. Aufgrund von Sensorstörungen oder Übertragungsproblemen sind die Daten oft unvollständig. Das Ziel ist es, ein robustes Modell zu trainieren, das mit diesen fehlenden Werten umgehen kann, um kostspielige Ausfallzeiten zu vermeiden.
Über das Set : neuralNet
Training klassischer künstlicher neuronaler Netze.
Entdecken Sie alle Aktionen von neuralNet Datenaufbereitung
Erstellung einer simulierten Sensordaten-Tabelle für Maschinen, wobei absichtlich fehlende Werte in kritischen Messgrößen eingefügt werden.
Kopiert!
| 1 | DATA casuser.SENSOR_DATEN; |
| 2 | call streaminit(555); |
| 3 | DO i = 1 to 10000; |
| 4 | TEMPERATUR = 80 + rand('NORMAL', 0, 5); |
| 5 | DRUCK = 100 + rand('NORMAL', 0, 2); |
| 6 | VIBRATION = 5 + rand('NORMAL', 0, 1.5); |
| 7 | LAUFZEIT_STUNDEN = rand('UNIFORM') * 1000; |
| 8 | /* Fehlende Werte simulieren */ |
| 9 | IF rand('UNIFORM') < 0.15 THEN TEMPERATUR = . ; |
| 10 | IF rand('UNIFORM') < 0.10 THEN VIBRATION = . ; |
| 11 | /* Zielvariable: Ausfallwahrscheinlichkeit steigt mit Temperatur und Vibration */ |
| 12 | prob_ausfall = 1 / (1 + exp(-( -10 + 0.1*TEMPERATUR + 0.8*VIBRATION ))); |
| 13 | AUSFALL_IN_24H = rand('BERNOULLI', prob_ausfall); |
| 14 | OUTPUT; |
| 15 | END; |
| 16 | RUN; |
Étapes de réalisation
1
Laden der Sensordaten mit fehlenden Werten in den CAS-Server.
Kopiert!
| 1 | PROC CASUTIL; |
| 2 | load DATA=casuser.SENSOR_DATEN casout='SENSOR_DATEN' replace; |
| 3 | RUN; |
| 4 | QUIT; |
2
Training eines neuronalen Netzwerks unter Verwendung der 'MEAN'-Imputation für fehlende Werte und des 'ADAM'-Optimierers.
Kopiert!
| 1 | PROC CAS; |
| 2 | neuralNet.annTrain / |
| 3 | TABLE={name='SENSOR_DATEN'}, |
| 4 | inputs={{name='TEMPERATUR'}, {name='DRUCK'}, {name='VIBRATION'}, {name='LAUFZEIT_STUNDEN'}}, |
| 5 | target='AUSFALL_IN_24H', |
| 6 | nominals={'AUSFALL_IN_24H'}, |
| 7 | hiddens={15}, |
| 8 | acts={'RECTIFIER'}, |
| 9 | targetAct='SOFTMAX', |
| 10 | errorFunc='ENTROPY', |
| 11 | missing='MEAN', /* Wichtiger Testparameter */ |
| 12 | nloOpts={algorithm='ADAM', adamOpt={learningRate=0.005}, maxIters=50}, |
| 13 | seed=111, |
| 14 | code={casOut={name='WARTUNG_SCORE_CODE', replace=true}}; |
| 15 | RUN; |
| 16 | QUIT; |
Erwartetes Ergebnis
Die Aktion wird ohne Fehler ausgeführt und beweist, dass die Option `missing='MEAN'` die fehlenden Werte erfolgreich imputiert hat, was ein stabiles Training ermöglicht. Das Trainingsprotokoll zeigt eine konvergierende Verlustfunktion. Eine Tabelle 'WARTUNG_SCORE_CODE' wird erstellt, die den SAS DATA Step-Code enthält, um neue Maschinendaten (auch mit fehlenden Werten) zu bewerten.