Predictive maintenance from event logs using wavelet-based features: an industrial application
Résumé
In industrial context, event logging is a widely accepted concept supported by most applications , services, network devices, and other IT systems. Event logs usually provide important information about security incidents, system faults or performance issues. In this way, the analysis of data from event logs is essential to extract key informations in order to highlight features and patterns to understand and identify reasons of failures or faults. The objective is to help anticipate equipment failures to allow for advance scheduling of corrective maintenance. In this paper, we address the problem of fault detection from event logs in the electrical industry. We propose a supervised approach to predict faults from an event log data using wavelets features as input of a random forest which is an ensemble learning method. This work was carried out in collaboration with ENEDIS, the distribution operator of the electrical system in France.
Domaines
Méthodologie [stat.ME]
Fichier principal
main.pdf (436.92 Ko)
Télécharger le fichier
comlam.pdf (23.46 Ko)
Télécharger le fichier
data.png (9.47 Ko)
Télécharger le fichier
data2wav.png (33.16 Ko)
Télécharger le fichier
exempleEvent1.jpg (51.79 Ko)
Télécharger le fichier
exempleEvent2.jpg (43.35 Ko)
Télécharger le fichier
mds_rf.pdf (21.69 Ko)
Télécharger le fichier
perfom_pred_evt_indiv.PNG (31.76 Ko)
Télécharger le fichier
rferreur.pdf (4.72 Ko)
Télécharger le fichier
rferreur.png (29.66 Ko)
Télécharger le fichier
rfoob.png (89.1 Ko)
Télécharger le fichier
samples.pdf (6.14 Ko)
Télécharger le fichier
varimpplot.pdf (6.38 Ko)
Télécharger le fichier
weekly-5.png (31.94 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|