Je diagnostiquerai vos données de séries chronologiques avec l'analyse automatisée des bandes de fréquences et la détection des changements d'état

CE QUE C'EST

Ceci est un outil de diagnostic pour les données de séries chronologiques monocanal. Il automatise:
- La recherche des bandes de fréquences qui contiennent une structure
- La classification de chaque bande en l'un des cinq types
- La détection des changements brusques de comportement du système
- La comparaison des données de différentes périodes

Il ne nécessite PAS de données d'entraînement étiquetées, de modèles prédéfinis ou de modèle physique. Il utilise quatre métriques statistiques indépendantes: le coefficient de variation, l'entropie d'échantillon, l'asymétrie d'enveloppe et le taux de récurrence.

Référence académique: prépublication Zenodo DOI 10.5281/zenodo.22837806

CE QUE VOUS OBTENEZ

Un rapport de diagnostic (PDF) avec:
- Des métriques par bande: CV, entropie d'échantillon, asymétrie, taux de récurrence
- Une classification par bande
- Les horodatages de transition détectés
- Une visualisation à trois panneaux (signal brut, CV au fil du temps, entropie au fil du temps)

Un tableau de résultats structuré (CSV) contenant toutes les métriques et étiquettes de bande.

Une note méthodologique expliquant le flux d'analyse, les paramètres et comment lire les résultats.

COMMENT ÇA MARCHE — EN TERMES SIMPLES

Imaginez vos données comme un signal radio. Les outils traditionnels vous disent il y a de l'énergie à 50-80 Hz. Cet outil vous dit le signal à 50-80 Hz est stable et structuré ou le signal à 50-80 Hz change par segments ou cette bande n'est que du bruit aléatoire.

Il vous indique également le moment exact où le comportement a changé — par exemple: à t=568 secondes, le système est passé de stable à instable.

CINQ ÉTIQUETTES DE CLASSIFICATION

- signal: signal stable et structuré
- segmenté: structuré mais changeant par segments
- white_noise: bruit plat et aléatoire
- non stationnaire: fluctuation aléatoire
- signal_low: structure présente, mais données trop courtes pour une analyse complète

CE QUE CET OUTIL NE PEUT PAS FAIRE

- Ne peut pas reconstruire la forme d'onde
- Ne peut pas localiser une source physique
- Ne peut pas prédire l'avenir
- Ne peut pas traiter les données multi-canaux
- Ne peut pas traiter les données de moins de 500 points
- Ne peut pas traiter les données avec une forte tendance à moins d'être d'abord désaisonnalisées

CE QUE VOUS DEVEZ FOURNIR

1. Votre fichier de données de séries temporelles
Format: CSV, TSV, TXT ou HDF5
Contenu: au moins une colonne numérique (horodatage facultatif)
Longueur: 1000 points minimum (5000+ recommandé)

2. Fréquence d'échantillonnage
Exemples: un échantillon par seconde, un par milliseconde, LIGO 16384 Hz

3. Votre objectif
Exemples:
- Trouver quelle bande de fréquences contient un signal
- Détecter le moment exact d'un changement d'état
- Comparer la structure entre deux périodes de données

QUAND L'UTILISER

- Vous avez une longue série temporelle monocanal
- Vous soupçonnez que le comportement du système a changé à un moment donné
- Vous voulez distinguer perturbation de puissance de changement structurel
- Vous avez besoin d'un premier filtrage automatisé avant une analyse plus approfondie

QUAND NE PAS L'UTILISER

- Diffusion en temps réel
- Réseaux multi-capteurs
- Vous avez besoin d'une explication physique
- Vous avez besoin d'une localisation de panne
- Vous avez besoin d'une prédiction future

TARIFS

- Basique: un ensemble de données, rapport + CSV (nous contacter pour un devis)
- Standard: jusqu'à 3 ensembles de données, analyse comparative, une série de questions-réponses
- Avancé: analyse par lots, paramètres personnalisés, licence de code source

FAQ

Q: En quoi est-ce différent de la FFT / PSD?
R: La PSD vous indique combien de puissance à chaque fréquence. Cet outil vous indique quel type de structure se trouve à chaque fréquence, et quand elle change.

Q: Peut-il localiser la panne?
R: Non. Il ne dispose que de données de séries temporelles unidimensionnelles, pas d'informations spatiales. Il vous dit la structure a changé, pas où elle a changé.

Q: Quelle est la précision temporelle?
R: Dépend de la longueur de la fenêtre. Avec une fenêtre de 1 seconde, la détection de transition est précise à environ ±1 seconde.

Q: Peut-il gérer mes données?
R: Première vérification: longueur ≥ 1000 points, pas de forte tendance, et un changement clair attendu. Si c'est le cas, cela devrait fonctionner. Sinon, l'outil vous indiquera qu'il ne peut pas analyser.