检测特定类型数据的时间序列数据中的事件/特征/趋势

Question

数据的背景：来自推土机之类的机器的单个变量的数据（液压的压力，负责其铲斗的移动），其执行诸如装载其铲斗然后移动之类的动作。车辆到倾倒装载材料然后倾倒材料的地方。

我已经标记了加载事件（加载存储桶），拖运事件（机器移动到转储）和转储事件（转储负载）。

因此，一个Load事件，Haul事件和转储事件构成一个完整周期。在提供的图像中，我看到了12个这样的循环。

问题陈述：检测所提供数据中此类循环的次数，并消除噪音（我在图像中标记为红色的噪音）。还要计算每个事件所花费的时间：加载事件，拖运事件和转储事件需要多长时间？将这三者结合起来可以得到完整的循环时间。

我尝试使用移动平均线来检测它，但它并不适合。

有人能建议机器学习/ ANN /更好的方法来准确检测事件吗？

观察图像，可以知道初始峰值是加载然后是运输，最后一个峰值是转储。因此，我们需要根据动态阈值检测峰值。

感谢任何可行的方法来解决这个问题。