基於時間序列數據的案例 ID 檢測：以礦業應用案例為例

核心概念

本文提出了一種基於時間序列數據分析的案例 ID 檢測新算法，該算法特別適用於缺乏明確案例標識符的傳感器數據，並在礦業應用案例中得到驗證。

摘要

參考文獻：
Brzychczy, E., Pełech-Pilichowski, T., & Dworakowski, Z. (2023). Case ID detection based on time series data -- the mining use case. Paper presented at the undefined.
研究目標：
本研究旨在開發一種基於時間序列模式的案例 ID 檢測算法，以解決原始傳感器數據中缺乏明確案例標識符的問題，特別是在循環運行的工業流程中。
方法：
研究人員開發了一種基於規則的算法，用於從時間序列數據中識別模式。該算法基於對所選變量的短期平均值變化進行分析，以檢測顯著變化，從而識別案例 ID。
主要發現：

該算法在包含異常值的原始數據集和經過清理的數據集上均成功識別了案例 ID，F1 分數分別為 96.8% 和 97%。
該算法在製造業數據集上的評估也顯示出良好的結果，F1 分數達到 92.6%。
主要結論：

基於時間序列模式分析的算法可以有效地用於從傳感器數據中識別案例 ID，即使數據中存在異常值。
該算法適用於其他物聯網應用案例，其中案例 ID 與傳感器數據中記錄的重複行為相關。
意義：
本研究為基於傳感器數據的流程挖掘提供了新的解決方案，特別是在缺乏明確案例標識符的情況下。
局限性和未來研究方向：

該算法對變量值的突然變化很敏感，未來的工作將側重於開發自適應版本的算法。
未來還需要在更多樣化的數據集上對算法進行評估，以進一步驗證其有效性和泛化能力。

統計資料

在原始數據集中，專家標記了 56 個挖掘機循環和 33 個異常數據標籤（總共 89 個循環）。
該算法在原始數據集（包含 352668 個樣本，每秒讀數）中檢測到 93 個模式（挖掘機循環），而在清理後的數據中檢測到 62 個模式。
與原始數據集相比，清理後的數據集（不包含異常值）的評估指標差異不大，因為原始數據集中標記的異常值數量相對較少（10,591 個）。
與原始數據集的啟發式方法相比，該算法在精確率（提高了 2 個百分點）、召回率（提高了 17.7 個百分點）和 F1 分數（提高了 10.8 個百分點）方面均有所提高；對於清理後的數據集，則分別提高了 2.2 個百分點、17.7 個百分點和 11 個百分點。

從以下內容提煉的關鍵洞見

Case ID detection based on time series data -- the mining use case

by Edyt... 於 arxiv.org 11-01-2024

https://arxiv.org/pdf/2410.23846.pdf

深入探究

在非循環流程中，如何應用基於時間序列數據的案例 ID 檢測方法？

雖然本文提出的算法主要針對循環流程中案例 ID 的識別，但其核心概念可以應用於非循環流程，但需要進行一些調整：

識別非循環模式： 與尋找重複模式不同，需要識別非循環流程中獨特的時間序列特徵。這可能包括：

趨勢變化： 例如，在生產過程中，原材料的消耗量可能會呈現下降趨勢，直到達到需要補充的臨界點。
突發事件： 例如，機器故障可能會導致傳感器讀數出現明顯的峰值或異常值。
特定事件序列： 例如，產品組裝過程可能包含一系列按特定順序發生的事件。

定義案例邊界： 需要根據識別出的時間序列特徵定義案例的開始和結束。這可能需要結合領域知識或其他數據源。例如：

時間窗口： 可以根據時間窗口對數據進行分段，每個窗口代表一個案例。
狀態變化： 可以根據流程中不同狀態的變化來定義案例邊界。

調整算法參數： 需要根據非循環流程的特點調整算法參數，例如 Yth 和 Lwzth，以適應不同的時間序列模式。

總之，基於時間序列數據的案例 ID 檢測方法可以應用於非循環流程，但需要根據具體流程的特點進行調整。

如果傳感器數據的質量很差，例如存在大量噪聲或缺失值，那麼該算法的性能會如何受到影響？

如果傳感器數據質量差，存在大量噪聲或缺失值，該算法的性能會受到顯著影響，主要體現在以下幾個方面：

誤判模式： 噪聲會導致時間序列數據出現虛假的峰值或波動，算法可能會將其誤判為模式的一部分，導致錯誤地識別案例 ID。
遺漏真實模式： 缺失值會導致時間序列數據不完整，算法可能會因此遺漏真實的模式，導致無法正確識別案例 ID。
參數敏感性： 算法的參數，例如 Yth 和 Lwzth，是根據特定數據集的特點設定的。當數據質量差時，這些參數可能不再適用，需要重新調整，否則會影響算法的性能。

為了減輕數據質量差對算法性能的影響，可以採取以下措施：

數據預處理： 在應用算法之前，對傳感器數據進行預處理，例如：

噪聲過濾： 使用濾波算法去除噪聲，例如移動平均濾波、中值濾波等。
缺失值填補： 使用插值算法填補缺失值，例如線性插值、樣條插值等。

算法優化： 可以對算法進行優化，使其更具魯棒性，例如：

動態調整參數： 根據數據質量動態調整算法的參數，例如 Yth 和 Lwzth。
引入其他信息： 結合其他信息來輔助案例 ID 的識別，例如領域知識、其他傳感器數據等。

總之，數據質量對該算法的性能有重要影響。在應用算法之前，需要對數據進行預處理，並根據數據質量對算法進行優化，以提高案例 ID 識別的準確性。

如何將該算法與其他流程挖掘技術相結合，以更全面地分析和改進工業流程？

將該算法與其他流程挖掘技術相結合，可以更全面地分析和改進工業流程。以下是一些結合方式：

流程發現：

在識別案例 ID 後，可以使用流程發現算法（例如 Alpha 算法、Heuristic Miner 算法）構建流程模型，以可視化流程並識別瓶頸。
可以利用識別出的案例 ID 對流程模型進行更細粒度的分析，例如比較不同案例的執行時間、資源使用情況等。

一致性檢查：

可以使用一致性檢查技術比較實際流程執行數據與流程模型之間的一致性，以識別偏差和異常。
可以利用識別出的案例 ID 對不同案例的一致性進行分析，以找出哪些案例更容易出現偏差。

流程增強：

可以利用識別出的案例 ID 和流程模型，結合其他數據分析技術（例如機器學習），進行更深入的流程分析，例如預測流程執行時間、資源需求等。
可以根據分析結果，對流程模型進行優化，例如調整任務順序、資源分配等，以提高流程效率和質量。

以下是一些具體的應用場景：

生產流程優化： 通過分析不同產品批次的生產數據，識別生產流程中的瓶頸，並優化生產計劃和資源分配。
設備故障預測： 通過分析設備傳感器數據，識別設備故障的先兆模式，並提前進行維護，以減少停機時間。
供應鏈管理： 通過分析供應鏈中不同環節的數據，識別供應鏈中的延誤和瓶頸，並優化供應鏈流程。
總之，將該算法與其他流程挖掘技術相結合，可以充分利用傳感器數據，更全面地分析和改進工業流程，提高流程效率、質量和可靠性。