Anomalieerkennung für die Anlagenverwaltung und vorausschauende Instandhaltung einsetzen

Die Anomalieerkennung ist die Identifizierung seltener Elemente, Ereignisse oder Beobachtungen in Daten, die stark von den Erwartungen abweichen. Dies hat in vielen Branchen Einsatzmöglichkeiten für die Anlagenüberwachung und -wartung.

Mit Anomalieerkennung Service können Sie Anomalien in Zeitreihendaten erkennen, ohne dass Statistiker oder Machine-Learning-Experten benötigt werden. Sie bietet vordefinierte Algorithmen und behandelt Datenprobleme automatisch. Es handelt sich um einen cloud-nativen Service, der über REST-APIs zugänglich ist und eine Verbindung zu vielen Datenquellen herstellen kann. Die OCI-Konsole, die CLI und das SDK erleichtern die Verwendung in End-to-End-Lösungen.

In dieser Referenzarchitektur wird hervorgehoben, wie Oracle Cloud Infrastructure Anomalieerkennung Service, der mit anderen OCI-Datenservices arbeitet, bei folgenden Anwendungsfällen helfen kann:

Anlagenverwaltung

Das Assetmanagement konzentriert sich auf den optimalen Betrieb von Assets und stellt sicher, dass operative Kennzahlen und KPIs wie Durchsatz/Ausgabe, Ausschuss, Qualität, Sicherheit und Ertrag erfüllt werden.

Vorhersagewartung

Bei der vorausschauenden Wartung geht es um Kostenvermeidung und minimale Betriebsstörungen, die Kosten erhöhen, wie die Planung zusätzlicher Schichten, die Bezahlung von Überstunden, die Beschleunigung des Frachtverkehrs und andere Kosten.

Smart Manufacturing

Intelligente Fertigung umfasst die Suche nach Wegen, die betriebliche Effizienz zu verbessern, um Umsatz und Gewinn zu steigern. Die Anomalieerkennung kann Muster erkennen, um Ausbeute und Produktfehler frühzeitig im Fertigungszyklus vorherzusagen, und Produkte nachverfolgen, um Auswirkungen zu analysieren, wodurch Durchsatz und Output erhöht, die Qualität verbessert und Ausschuss reduziert werden.

Architektur

Diese Referenzarchitektur umfasst drei Hauptphasen: Sammeln, Analysieren und Handeln. Innerhalb dieser Phasen befinden sich acht Technologiestufen.

Das folgende Diagramm veranschaulicht diese Referenzarchitektur.

Beschreibung der Abbildung architecture-anomaly-detection.png

Die Architektur umfasst folgende Komponenten:

Collect

Die Sammelphase umfasst folgende Stufen:

• Geräte, Sensoren und Eingaben, die die Daten generieren.
• Hub, Gateway oder Edge, mit dem die Daten erfasst werden.
• Datentransport zur Verarbeitung nach Batch-, Streaming-, Intervall-, Echtzeit- oder anderen Methoden.
• Speicherung von Daten für Analyse, Verwaltung und zukünftige Verwendung.

Analysieren

• Kuration

  Verwaltet Daten, die es für Benutzer nützlicher machen, die Daten ermitteln und analysieren. Dazu gehört die Erfassung von Daten aus verschiedenen Quellen und deren Integration in Repositorys. Die Datenkuration umfasst Datenauthentifizierung, Archivierung, Verwaltung, Abruf der Aufbewahrung und Darstellung.

• Vorverarbeitung

  Behebt die typischen Probleme im Zusammenhang mit der IoT-Zeitreihendatenerfassung, wie z. B. Falsche Taktsynchronisierung, fehlende Werte und geringes Signal-zu-Rausch-Verhältnis

• Modellschulung

  Die Algorithmen werden an Beispieldaten geschult, die vollständig und ohne Anomalien sind. Dadurch wird ein Modell erstellt, mit dem Live-Daten verglichen werden.

• Anomalieerkennung

  Algorithmen für maschinelles Lernen zur Identifizierung von Mustern und Anomalien in Daten.

  Anomalieerkennung ist eine Reihe von Algorithmen, mit denen große Datenmengen abgebaut und nach Mustern und Anomalien gesucht werden können. Es ist eine Kombination aus drei Techniken:

  • Intelligent Data PreProcessing (IDP):

    Hierbei handelt es sich um patentierte Algorithmen, die zur Behebung typischer Probleme im Zusammenhang mit der Erfassung von IoT-Sensordaten der Zeitreihe entwickelt wurden. Sie werden nach Bedarf automatisch vom Service angewendet. Beispiele für IDP-Techniken:

    • Analytischer Resampling-Prozess (ARP)

      ARP unterstützt den Umgang mit unterschiedlichen Sampling-Raten (Unstimmigkeiten bei der Uhr). Es verwendet interpolationsbasierte Up-Sampling-/Down-Sampling-Verfahren, um einheitliche Sampling-Intervalle für alle Telemetrie-Zeitreihen zu generieren.

    • Fehlende Wertimplementierung (MVI)

      MVI hilft, fehlende Werte intelligent zu behindern. Sie verwendet eine Kombination aus Interpolation und MSET-Schätzungen, um die Blindstellen intelligent zu füllen (fehlende Werte).

    • UnQuantization (UnQ)

      UnQ unterstützt die Konvertierung eines niedrig aufgelösten Signals in eine höhere Auflösung.

  • Multivariate State Estimation Technology (MSET)

    Dieser Algorithmus wird zum Erlernen der Beziehung zwischen mehreren Signalen in einem Zeitreihendatensatz verwendet, um intelligente Schätzungen zu erstellen.

  • Sequenzielle Wahrscheinlichkeitsverhältnisprüfung (SPRT)

    Dieser Test verwendet die Daten aus MSET, um Anomalien frühzeitig zu erkennen.

Act

• Benutzeroberfläche

  Zur Präsentation von Ergebnissen finden Sie leicht verständliche Applets, Dashboards, Diagramme, Diagramme für Personen mit Rollen wie Operations, Management oder Data Scientists.

• Geschäftsprozess

  Prozesse zur Integration der Ergebnisse in Standardanwendungen für Geschäftstransaktionen, um eine Aktion auszulösen, wie die Erstellung einer Serviceanfrage, einer Bestellung, eines Kundenauftrags oder eines Remote-Firmwareupdates. Integrationen mit anderen Systemen und Tools können Fehler minimieren, die Produktivität verbessern und die Ausführung beschleunigen.

Empfehlungen

Ihre Anforderungen können sich von der hier beschriebenen Architektur unterscheiden. Verwenden Sie die folgenden Empfehlungen als Ausgangspunkt.

Das folgende Diagramm zeigt einige der Oracle-Services, die Sie in dieser Architektur verwenden können.

Beschreibung der Abbildung Solution-anomaly-detection.png

• Gateway

  Hierbei kann es sich um einen benutzerdefinierten Hub handeln, der für die spezifische Erfassung von Sensordaten ausgelegt ist. Es kann sich auch um eine Datenbank wie Oracle Autonomous Data Warehouse, Oracle NoSQL oder eine andere Datenbank handeln.

• Transport

  Datenintegration: Verwenden Sie Oracle Cloud Infrastructure-Datenintegration, um alle Historiendaten offline in Object Storage zu migrieren. Sobald Daten an Object Storage übertragen wurden, können alle OCI-Services darauf zugreifen.

  Streaming: Mit Oracle Cloud Infrastructure Streaming können Sie Ereignisse und Daten in Echtzeit aufnehmen, die in Object Storage verbraucht oder gespeichert werden können.

• Objektspeicher

  Oracle Cloud Infrastructure Object Storage ist der Standardspeicher in dieser Architektur. Alle Daten müssen in Object Storage von allen Services gespeichert werden. Alle strukturierten, halbstrukturierten und unstrukturierten Daten können in Object Storage gespeichert werden.

• UI- und Geschäftsprozessintegration
  • Oracle Analytics Cloud

    Mit Analytics Cloud können Sie Dashboards, Applets, Visualisierungen, Berichte und andere Analysen erstellen.

  • Oracle Cloud Infrastructure Data Science

    Damit können Daten aus verschiedenen Quellen gelesen werden, um Visualisierungen mit Python-Librarys in einer Notizbuchsession zu erstellen.

  • Oracle Cloud Infrastructure Data Integration

    Dies kann verwendet werden, um die Anomalieerkennungslösung in Geschäftsanwendungen für automatisierte Workflowverarbeitung, Benachrichtigungen an Mitarbeiter und für viele andere Anwendungsfälle zu integrieren.

Überlegungen

Berücksichtigen Sie beim Erstellen der Anomalieerkennungslösung diese Implementierungsoptionen.

Richtlinien	Empfohlen	Andere Optionen	Begründung
Sensoren	Beginnen Sie mit Sensoren, die auf dem Gerät entworfen und bereits installiert sind. Nicht-invasive Sensoren können jederzeit hinzugefügt werden, um zusätzliche Überwachungsfunktionen bereitzustellen.	Das Oracle Partner Network verfügt über viele Integratoren und Wiederverkäufer nach Branche und Region, die Sensoren verkaufen und bei der Bereitstellung einer Anomalieerkennung ganz oder teilweise helfen können.	Das Hinzufügen herkömmlicher Sensoren zu aktuell installierten Geräten ist in der Regel schwierig. Neue Sensoren wie Vibrations- und akustische Resonanzsensoren (VARS) sind kostengünstig und einfach zu installieren. Sie sollten diese Arten von Sensoren anstelle herkömmlicher Sensoren hinzufügen.
Transport	In den meisten Anwendungsfällen zur Anomalieerkennung, die Anlagenverwaltung, vorausschauende Instandhaltung oder intelligente Fertigung umfassen, ist keine Echtzeitüberwachung erforderlich. Die Batch-Übertragung von Daten in nur wenigen Minuten ist eine einfachere Architektur für Design und Deployment. Verwenden Sie beim Auswerten von Anomalieerkennungslösungen außerdem eine historische Datei mit Zeitreihen-Sensordaten.	Streaming-Service kann für die Erkennung von Anomalien in Echtzeit oder nahezu in Echtzeit verwendet werden. Eine Anomalieerkennung am Rand ist ebenfalls möglich, erhöht jedoch zusätzliche Komplexität.	Je nach Art, Anzahl und Abtastraten von Sensoren kann die Architektur erheblich variieren. Einige Anwendungsfälle können Daten im Batch versenden, andere sind nahezu in Echtzeiterkennung am Rand, möglicherweise in Kombination mit einer Public Cloud. Andere Anwendungsfälle erfordern eine Echtzeiterkennung an der Edge für Sicherheit, Sicherheit, Benachrichtigung, nicht verfügbare oder unzuverlässige Kommunikationsfunktionen oder andere Gründe. Diese muss sorgfältig ausgewertet und entworfen werden, um zu einer erfolgreichen Lösung zu gelangen.
Storage	Object Storage ist die bevorzugte Speichermethode für den Anomalie-Erkennungsservice	Autonomous Data Warehouse kann zum Speichern strukturierter Daten für einen schnelleren Abruf verwendet werden. Sie können Daten aus Data Integration, Data Flow oder einem beliebigen anderen Service in Data Warehouse schreiben. Data Warehouse ist auch ein Serving- und Präsentationslager.	Object Storage ist eine internetbasierte, leistungsstarke Speicherplattform, die zuverlässige und kostengünstige Dauerhaftigkeit von Daten bietet.
Anomalieerkennung	Um die beste Performance mit Anomaly Detection Service sicherzustellen, müssen Sie das ADS-Modell mit nicht anomalen Daten trainieren. Dies erfordert das Entfernen der Anomalien aus einer historischen Datendatei, so dass es ein "goldenes Bild" eines idealen Gerätebetriebs darstellt.		Werden Anomalien nicht aus den Daten des Trainingsmodells entfernt, werden die verbleibenden als optimierter, normaler Betrieb angenommen. Daher werden sie nicht als Anomalien erkannt, da das Modell mit ihnen trainiert wurde.
UI	Mit Oracle Analytics Cloud können Sie die Benutzeroberflächen erstellen, um die erkannten Probleme zu beheben und zu beheben. Benachrichtigungen können Visualisierungen, Workflows, Applets, Dashboards usw. sein.		Sobald eine Anomalie erkannt wurde, ist es wichtig zu wissen, welche Maßnahmen zur Korrektur der Situation ergriffen werden müssen. Möglicherweise müssen viele Personen benachrichtigt werden. Die Entwicklung der entsprechenden Benutzeroberfläche für diese Personen hat erhebliche Auswirkungen auf den Erfolg Ihres Anwendungsfalls zur Anomalieerkennung.
Geschäftsprozessintegration	Mit Oracle Integration Cloud können Sie Ihre Anomalieerkennungslösung mit Backoffice-Anwendungen verbinden, die die Reaktion auf eine erkannte Anomalie automatisieren könnten.		Die Verbindung Ihrer Anomalieerkennungslösung mit Ihren Backoffice-Anwendungen kann die Geschwindigkeit und Genauigkeit Ihrer Reaktion bei der Behandlung der Anomalie verbessern. Je nach Art und Schweregrad der Anomalie gibt es im Folgenden einige Beispiele dafür, wie diese Integration von signifikantem Wert sein kann: Eine identifizierte niedrige Bestandsmenge signalisiert eine automatisch generierte Bestellung zur Bestandsauffüllung. Ein Komponentenfehler wird prognostiziert, wodurch ein Serviceticket für einen Techniker vor Ort verarbeitet wird. Smart Workflow eskaliert eine Benachrichtigung automatisch basierend auf der verstrichenen Zeit.

Weitere Informationen

• Dokumentations-Homepage für den Anomalie-Erkennungsservice. Die Homepage enthält Links zu API-Dokumenten, SDK, Communityforen und Oracle Support.
• Best Practices-Framework für Oracle Cloud Infrastructure