Contexte Métier
Une usine connectée collecte les données de température et de pression sur des capteurs industriels. L'objectif est d'identifier les dépendances asymétriques (extrêmes hauts) indiquant une surchauffe critique, sur un grand volume de données historiques.
Préparation des Données
Génération de 50 000 relevés capteurs avec distribution asymétrique.
Copié !
| 1 | |
| 2 | DATA mycas.sensor_data; |
| 3 | call streaminit(42); |
| 4 | DO i=1 to 50000; |
| 5 | temp = rand('WEIBULL', 1.5); |
| 6 | pressure = temp + rand('NORMAL')*0.5; |
| 7 | OUTPUT; |
| 8 | END; |
| 9 | |
| 10 | RUN; |
| 11 |
Étapes de réalisation
1
Exécution de l'ajustement sur gros volume avec génération de pseudo-échantillons
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | copula.copulaFit / TABLE={name='sensor_data'}, var={'temp', 'pressure'}, copulaType='GUMBEL', marginals='EMPIRICAL', outpseudo={name='sensor_uniform', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit traiter les 50 000 lignes rapidement. Une table de sortie 'sensor_uniform' doit être créée contenant les données transformées en probabilités uniformes [0,1], prêtes pour une analyse de dépendance pure.