Informationen zum Erkennen von Anomalien zur Vorhersage von Ausfällen

Bei der Anomalieerkennung werden seltene Elemente, Ereignisse oder Beobachtungen in Daten identifiziert, die sich stark von den Erwartungen unterscheiden. Dies gilt in vielen Branchen für Anlagenüberwachung und -wartung.

Bestimmte Methoden für die Anlagenwartung sind entweder reaktiv (nach Ausfall ersetzen) oder vorschriftsmäßig (nach Nutzung oder Zeit ersetzen). Zusätzlich zu den tatsächlichen Kosten für den Ersatz oder die Reparatur der Anlage müssen Organisationen die Kosten im Zusammenhang mit Zuverlässigkeit, Ausfallzeiten und Lieferkettenrückständen tragen. Ein Anomalieerkennungsservice, der frühzeitig vor bevorstehenden Ausfällen warnt, kann diese Kosten senken.

Mit dem Anomalie-Erkennungsservice von Oracle Cloud Infrastructure 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.

Architektur

Diese Architektur zeigt, wo Anomalieerkennungsservice in den Workflow passt.

Je nach Anforderungen werden Daten mit OCI Streaming, OCI Data Integration Service oder beidem aufgenommen. Das System kann sowohl Batch- als auch Streaming-Workloads verarbeiten.

Der Workflow umfasst zwei Hauptphasen: Schulungen und Erkennung. Während der Schulungsphase werden Daten bereinigt und für die Schulung vorbereitet. Anschließend wird das Modell geschult und bereitgestellt. In der Erfassungsphase erkennt Anomalieerkennung Anomalien in Produktionsdaten. Die Anomalien werden gemeldet, und Aktionen werden basierend auf den Vorhersagen durchgeführt.

Beschreibung der Abbildung Overview.png

Im Folgenden finden Sie eine ausführliche Beschreibung des Prozesses:

1. Daten werden aus einer oder mehreren Datenquellen aufgenommen und in Object Storage gespeichert.
2. Ein oder mehrere Tools werden verwendet, um die Daten für das Training des Modells während der Schulungsphase und für jede Vorverarbeitung vorzubereiten, die möglicherweise für die Produktionsphase erforderlich ist. Die Ergebnisse werden in Object Storage gespeichert (nicht dargestellt).
3. Anomalieerkennungsservice erstellt das Modell während der Schulungsphase und führt die Anomalieerkennungsalgorithmen während der Produktionsphase aus.
4. Die Ergebnisse der Anomalieerkennung werden an eine oder mehrere Apps gesendet, die die Daten konsumieren und für die Präsentation für Endbenutzer vorbereiten.

Überblick

Der Kernalgorithmus unseres Anomalgorithmus zur Erkennung von Anomalien ist ein von Oracle patentierter Algorithmus zur Erkennung von Multivariate Time-Series-Anomalien, der als MSET bezeichnet wird.

MSET ist eine nicht lineare, nicht parametrische Anomalieerkennung maschinelles Lernen, die das erwartete Verhalten eines Systems basierend auf historischen Daten aus der normalen Betriebsabfolge der überwachten Signale kalibriert. Es integriert das erlernte Verhalten eines Systems in ein persistentes Modell, das das normale geschätzte Verhalten darstellt. Sie wurde ursprünglich von Oracle Labs entwickelt und wurde erfolgreich in mehreren Branchen zur Prognoseanalyse verwendet.

Anomalieerkennung - Servicekonzepte

• Projekt: Projekte sind gemeinsame Workspaces für die Organisation von Datenassets, Modellen, Deployments und Detektionsportalen.
• Datenasset: Ein Datenasset ist eine abstrakte Datendarstellung einer Datenquelle. Das Datenasset befindet sich in Object Storage. Es kann sich um Trainingsdaten handeln, die für die Modellschulungsphase gereinigt und vorbereitet werden. Es kann sich um Produktionsdaten handeln, die dem Anomalie-Erkennungsdienst nach der Schulung und Bereitstellung eines Modells präsentiert werden.
• Modell: Das maschinelle Lernmodell, das aus dem Trainingsdatenasset erstellt wird.
• Deployment: Wenn die Modelltraining abgeschlossen ist, wird sie bereitgestellt. Dadurch ist sie für den Anomalieerkennungsprozess verfügbar.
• Erkennung: Damit werden Produktionsdaten im bereitgestellten Modell dargestellt, um Anomalien in den Produktionsdaten zu finden.

Anomalieerkennungsprozess

Auf hoher Ebene wird hier ein vollständiger Zyklus der Verwendung von Anomalie-Erkennungsdienst abgeschlossen.

1. Erstellen Sie ein Projekt. Ein Projekt ist ein Ort, an dem Sie verschiedene Assets, Modelle und Deployments im selben Workspace erfassen und organisieren.
2. Erstellen Sie ein Datenasset. Dies sind die Produktionsdaten, die Anomaly Detection Service zur Analyse vorgelegt werden.
3. Modell trainieren. Nachdem Sie ein Trainingsdatenasset und die Trainingsparameter angegeben haben, trainieren Sie ein Anomalieerkennungsmodell. Die Schulung kann je nach Größe des Datenassets und der von Ihnen gewählten falschen Alarmwahrscheinlichkeit fünf Minuten oder mehr dauern.
4. Bereitstellen eines Modells. Stellen Sie ein Modell nach der Schulung bereit.
5. Erkennung mit neuen Daten. Senden Sie Produktionsdaten mit denselben Attributen wie die Schulungsdaten an den Deployment-Endpunkt, oder laden Sie sie in die Deployment-UI hoch.

Beachten Sie, dass ein Projekt mehrere Datenassets, mehrere Modelle und Deployments haben kann.