Ich versuche, einen Prozess zu entwickeln, der Sensorwerte erfasst und anhand der auftretenden Spitzenformen diejenigen kategorisier, die einer Reihe von „Indikatoren“ für ein Prozessproblem am nächsten kommen. Zu diesem Zweck verfüge ich über einen Datensatz mit Indikatorspitzen (siehe oben) und „Test“-Spitzen (siehe oben), den ich über die Functional Data Explorer-Plattform laufen lasse. Von dieser Plattform aus wende ich das Modell an, um die „Indikator“-Spitzen anzupassen (wobei ich die Testspitzen als Validierungssatz belasse) und speichere dann die generierten FPC-Werte.
Was ich jetzt tun möchte, ist, die „Test“-Spitzen anhand ihrer FPC-Werte in diejenigen zu klassifizieren, die den „Indikator“-Spitzen am nächsten kommen (siehe Beispielvisualisierung unten). Mein Problem besteht darin, eine geeignete Methode zum Klassifizieren dieser Spitzen zu finden. Ich ziele nur auf eine Kategorie ab, nämlich „Indikator“. Ich habe keine andere eindeutige Gruppe für „normal“, da dies eine beliebige Anzahl von Formen, Gestalten usw. sein könnte, was zu einem großen Trainingssatz führen würde. Kann mir jemand einen Vorschlag machen, wie ich die Test-Spitzen finden kann, die am ehesten übereinstimmen?
Ich weiß, dass eine Clusterung möglich ist, aber gäbe es eine Möglichkeit zur Clusterung mit einer „Kontrolle“, bei der die Clusterung im Vergleich zu den Indikatoren erfolgt?
Es wäre auch toll, wenn jemand allgemeinere Ideen zu meinem Ansatz hätte.
Danke!
Hallo,
interessante Frage! Lass es uns beginnen:)
Handelt es sich bei den Referenz-/Indikatorspitzen um die 7 Kurven im oberen Diagramm? Sind sie gemessen oder künstlich?
Haben Sie einen Beispieldatensatz, den Sie weitergeben können?
Am besten
Florian
