Contexte Métier
Une usine utilise des milliers de capteurs acoustiques pour surveiller les vibrations des machines. Le flux de données est massif. Pour entraîner un modèle de maintenance prédictive, les données doivent être normalisées (centrées-réduites) et découpées en fenêtres temporelles strictes (frames) pour être comparables.
Préparation des Données
Génération volumétrique de signaux capteurs simulés (10 000 enregistrements).
Copié !
| 1 | |
| 2 | DATA casuser.sensor_stream; |
| 3 | LENGTH sensor_id $15 _audio_ $32000; |
| 4 | DO i=1 to 10000; |
| 5 | sensor_id=cats('SENS_', i); |
| 6 | _audio_ = repeat('FF'x, 100); |
| 7 | /* Simulation signal */ OUTPUT; |
| 8 | END; |
| 9 | |
| 10 | RUN; |
| 11 |
Étapes de réalisation
1
Calcul intensif avec standardisation des features et fenêtrage spécifique (Hamming Window).
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | audio.computeFeatures / TABLE={name='sensor_stream'} audioColumn='_audio_' featureScalingMethod='STANDARDIZATION' frameExtractionOptions={frameLength=25, frameShift=10, windowType='HAMMING'} casOut={name='std_sensor_features', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Validation que les données sont normalisées (vérification statistique rapide).
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | SIMPLE.summary / TABLE={name='std_sensor_features'}; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
La table de sortie contient des features standardisées (moyenne ~0, variance ~1). L'action a traité le grand volume de données sans erreur mémoire grâce à l'architecture CAS.