您好，欢迎来到社区！

当然你可以使用 ML。我会从头脑风暴开始制定问题。所以一个想法可能是序列学习：

1. 注入一个唯一且可识别的数字而不是F并训练一个基于 NN 的模型（在这种情况下使用RNN，例如ESN或LSTM）将在建模内存时学习数据本身的动态。但是为了训练这样的模型，你实际上需要大量的数据（更准确地说，你需要很长的时间序列）。在此解决方案中，任务是查看预测和输出中唯一且可识别的数字是否失败。有关更多信息，请参阅此内容。
2. 隐马尔可夫模型也是为此类任务设计的。

另一个想法可能是：

• 将每个时间序列分割成以失败告终的间隔。例如：

  ts1 = [1,2,1,2,F,1,2,3,4,F1,2,F]

变成

> ts1_1 = [1,2,1,2]
> ts1_2 = [1,2,3,4]
> ts1_3 = [2]

现在您有一组时间序列 1（例如温度）的训练样本（仅限正样本！）。现在从那些不产生“ F ”的序列片段中产生一些负样本，并训练一个模型进行分类。然后在实时预测上，您需要在收到每个新点（例如 temp）后进行预测，看看它是否会导致失败。

免责声明：这种方式不是您在实践中真正做的，但对于该领域的新手学习者来说是一个不错的起点！

我建议你看看这个答案，这个教程和这个视频。

希望能帮助到你！

每当您查看日志时，基本上您都想做异常检测。我尝试过多种方法，并希望使用更多方法：

1) 主题建模 2) 监督学习并可以使用 H2O.ai 进行扩展 3) XGBOOST 如果您使用的是 Elastic Search，则可以使用 NBoost。⚡NBoost 是一个可扩展的搜索引擎增强平台，用于开发和部署最先进的模型以提高搜索结果的相关性。

如果您想利用 Azure 提供的所有其他优势快速扩展，请使用 Azure。您也可以在没有 Azure 的情况下工作。首先清理您的数据并查看日期时间是否对识别模式很重要。例如：CPU 温度可能在设备发生故障之前已经波动了 2-3 天，或者在设备发生故障之前风扇发生故障。C捕获模式并围绕这些模式绘制概率作为特征。

大多数人会推荐 BERT，但除非您为任务创建 OWN BERT，否则 BERT 不会准确执行。

我希望这些观点是有帮助的。