Предсказание разладки в ходе химического процесса

Еще недавно применение методов глубокого обучения для предсказания поломки в химическом процессе было невозможно из-за недостаточного количества данных. Однако теперь ситуация изменилось с появлением нового симулированного источника данных. В данной работе мы используем для предсказания типа поломки набор из классических моделей глубокого обучения таких, как рекуррентные нейросети, механизм внимания, трансформер и конволюционные нейросети. Другим алгоритмом, рассмотренным в работе, стала генеративное-состязательная нейросеть, которая может быть использована для двух задач: обогащения обучающих данных и применение дискриминатора модели для классификации поломок. Перечисленные модели сталкиваются со сложностями, работая с длинными последовательностями, которыми являются исследуемые данные. Для их решения нами были предложены 2 подхода. Мы сравниваем предложенные модели в терминах доли верно положительных и ложно положительных ответов, а так же задержки нахождения ошибки, которая является одной из главных метрик качества для внедрения моделей в индустрии. Все предложенные алгоритмы демонстрируют качество, превосходящее ранее опубликованные работы. Набор данных, который исследованные в работе, является общедоступным.