Time series classification is an area of machine learning where attributes are ordered and there may be discriminatory features dependent on said ordering of data. The major research is determining how to find a suitable time series machine learning classifier algorithm by using the IEC standard 60034-1 as an example. Finding a performant and lightweight model for the duty cycles defined in the IEC standard would allow for the industry to be able to automatically classify which duty cycle a motor is currently in and, by consequence, make an analysis of it’s performance. The first major problem was a lack of training data. There existed two major approaches to solving it, a semi-supervised learning approach or a synthetic signal generator. It was determined that a synthetic signal generator is more advantageous because there is a lack of available unlabelled training data and the creation of said data requires a large amount of time. Multiple machine learning techniques such as learning curves and exploratory learning were used in order to find an effective machine learning model. As a result of this approach, multiple lightweight and high performance time series classifiers were found. Specifically, it was shown that a TimeSeriesForestClassifier, an interval based classifier, performs the best on this training data. This thesis, however, proposes a methodology for how to effectively find a time series classifier that is both lightweight and performant. The methodology is as follows: remove high complexity models, train multiple lightweight models, determine if the data is being underfitted or overfitted then take appropriate actions in order to rectify it. 

Klassificering av tidsserier är ett område inom maskininlärning där attribut är ordnade och där det kan finnas särskiljande egenskaper som beror på denna ordnande av data. Den huvudsakliga forskningen går ut på att fastställa hur man hittar en lämplig algoritm för maskininlärning för klassificering av tidsserier genom att använda IEC-standarden 60034-1 som exempel. Om man hittar en effektiv och lättviktig modell för de arbetscykler som definieras i IEC-standarden skulle industrin automatiskt kunna klassificera vilken arbetscykel en motor befinner sig i och följaktligen göra en analys av dess prestanda. Det första stora problemet var bristen på träningsdata. Det fanns två huvudsakliga metoder för att lösa detta problem, en halvövervakad inlärningsmetod eller en syntetisk signalgenerator. Det fastställdes att en syntetisk signalgenerator är mer fördelaktig eftersom det finns en brist på tillgängliga omärkta träningsdata och skapandet av dessa data kräver mycket tid. Flera tekniker för maskininlärning, t.ex. inlärningskurvor och explorativ inlärning, användes för att hitta en effektiv modell för maskininlärning. Som ett resultat av detta tillvägagångssätt hittades flera lättviktiga och högpresterande tidsserieklassificatorer. Det visades särskilt att en TimeSeriesForestClassifier, en intervallbaserad klassificerare, presterar bäst på dessa träningsdata. I denna avhandling föreslås emellertid en metod för hur man effektivt kan hitta en tidsserieklassificator som är både lätt och effektiv. Metoden är följande: ta bort modeller med hög komplexitet, träna flera lättviktsmodeller, avgöra om data är under- eller överanpassade och vidta lämpliga åtgärder för att rätta till det.