Contexte Métier
Une usine intelligente collecte des données de capteurs (Température, Vibration). On cherche à corréler ces métriques avec un indicateur binaire de panne ('FailureFlag'). Les données sont agrégées, nécessitant l'utilisation d'une variable de fréquence ('freq') et de pondération ('weight') pour représenter l'importance critique de certaines machines.
Préparation des Données
Génération de données de capteurs simulées avec poids et fréquence pour tester la performance et le calcul pondéré.
Copié !
| 1 | |
| 2 | DATA casuser.iot_sensors; |
| 3 | call streaminit(999); |
| 4 | DO i=1 to 5000; |
| 5 | temperature = rand('Uniform') * 100; |
| 6 | vibration = rand('Exponential') * 10; |
| 7 | IF (temperature > 80 or vibration > 20) THEN failure_flag = 1; |
| 8 | ELSE failure_flag = 0; |
| 9 | n_events = rand('Integer', 1, 100); |
| 10 | machine_criticality = rand('Integer', 1, 5); |
| 11 | OUTPUT; |
| 12 | END; |
| 13 | |
| 14 | RUN; |
| 15 |
Étapes de réalisation
1
Exécution de la corrélation croisée (Inputs vs PairWithInput) avec pondération et fréquence.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | SIMPLE.correlation / TABLE={name='iot_sensors'} inputs={{name='temperature'}, {name='vibration'}} pairWithInput={{name='failure_flag'}} freq='n_events' weight='machine_criticality' descriptiveStats=true; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit retourner une matrice rectangulaire montrant la corrélation de la température et de la vibration (Inputs) spécifiquement par rapport au drapeau de panne (PairWithInput), en tenant compte correctement des poids (criticité) et des fréquences (nombre d'événements) dans les calculs statistiques.