我正在尝试根据警报数据预测机器故障。
情况：
每年大约有 4000 次机器故障。这些标记很差（它是手动输入的，并且对于同一故障可以有多个名称）。该数据集按以下方式由时间戳、故障名称和故障描述组成。
timestamp, name, description
01/01/2020 - 08:10, Motor Failure, Motor failed due to overheating
此外，每年大约有 100 万个警报显示可能存在的问题（系统中有 8000 个可能的警报，但激活的 100 万个警报中只有约 1200 个）。警报会在故障点触发，但在很大比例的情况下，有多个相关警报会在手前数周激活，但由于剪切数而无法采取行动。该数据集由时间戳、警报 ID 和警报描述组成，如下所示。
timestamp, alarm id, description
01/01/2020 - 08:10, MFHeatHiHi, Motor temperature critical
请原谅我的无知，因为我是数据科学的新手。我正在尝试找出最好的方法来清理/修改数据，然后在哪些方向上创建预测。如果我以错误的方式进行操作，或者对从哪里开始有错误的想法，请告诉我。
为相同的事件更新 4000 个具有相同名称的故障（我估计其中大约有 600 个离散故障）。或者我将它们都称为“故障”并仅针对一个变量测试警报，并使用警报描述给我可能导致失败的问题。
将警报分解到发生故障的时间窗口（可能为 30 天或更短）。然后使用警报 id - 描述作为列，以出现次数作为值。
例如：
Failure timestamp, MFHeatHiHi - Motor temperature critical, FanHeatHiHi - Fan temperature critical,
01/01/2020 - 08:10, 4, 3,
然后我想用 R 使用随机森林。
这是正确的方法吗，如果我只使一个变量失败，是删除警报的时间分量并转换为警报数量是正确的方法吗？这是否意味着我需要 8000 列可能的警报。
我很确定我有错误的方法，所以非常感谢一些指导，所以我正朝着正确的方向前进。
谢谢你的帮助，