Utiliser la détection d'anomalies pour la gestion des ressources et la maintenance prédictive

La détection d'anomalies consiste à identifier des éléments rares, des événements ou des observations dans des données qui diffèrent grandement des attentes. Cela est utilisé dans de nombreux secteurs pour la surveillance et la maintenance des actifs.

Anomaly Detection Service permet de détecter les anomalies dans les données de séries temporelles sans avoir besoin de statisticiens ni d'experts en apprentissage automatique. Elle fournit des algorithmes prédéfinis qui traitent automatiquement les problèmes de données. Il s’agit d’un service natif Cloud accessible via des API REST et peut se connecter à de nombreuses sources de données. La console OCI, l’interface de ligne de commande et le kit SDK facilitent l’utilisation dans les solutions de bout en bout.

Dans cette architecture de référence, nous soulignons comment le service de détection d'anomalies Oracle Cloud Infrastructure qui fonctionne avec d'autres services de données OCI peut aider dans les cas d'utilisation suivants :

Gestion des immobilisations

La gestion des actifs se concentre sur le fonctionnement optimal des actifs, en veillant à ce que les indicateurs et les indicateurs de performance clés opérationnels soient respectés, tels que le débit/la sortie, le rebut, la qualité, la sécurité et le rendement.

Maintenance prédictive

La maintenance prédictive consiste à éviter les coûts et à minimiser les perturbations opérationnelles qui augmentent les dépenses, telles que la planification de périodes de travail supplémentaires, le paiement des heures supplémentaires, l’expédition du fret et d’autres coûts.

Smart Manufacturing

La fabrication intelligente implique de trouver des moyens d’améliorer l’efficacité opérationnelle pour augmenter les revenus et les bénéfices. La détection d'anomalies peut repérer des modèles pour prévoir les défauts de rendement et de produit au début du cycle de fabrication, et suivre les produits pour analyser les impacts, ce qui permet d'augmenter le débit et la sortie, d'améliorer la qualité et de réduire les rebuts.

Architecture

Cette architecture de référence comprend trois phases principales : Collecter, Analyser et Agir. Au cours de ces phases se trouvent huit étapes technologiques.

Le diagramme suivant illustre cette architecture de référence.

Description de l'illustration architecture-anomaly-detection.png

L'architecture comporte les composants suivants :

Collecter

La phase de collecte comprend les étapes suivantes :

• Périphériques, capteurs et entrées qui génèrent les données.
• Hub, passerelle ou périphérie qui collecte les données.
• Transport de données pour le traitement par lot, transmission en continu, intervalle, temps réel ou d'autres méthodes.
• Stockage des données à des fins d'analyse, de gestion et d'utilisation future.

Analyser

• Curation

  Implique la gestion des données, ce qui rend les utilisateurs plus utiles pour la découverte et l'analyse des données. Cela inclut la collecte de données provenant de différentes sources et leur intégration dans des référentiels. La curation des données inclut l’authentification, l’archivage, la gestion, l’extraction de la conservation et la représentation des données

• Prétraitement

  Implique la résolution des problèmes typiques associés à la collecte de données de série temporelle IoT, tels que la synchronisation d'horloge non concordante, les valeurs manquantes et le rapport signal sur bruit faible

• Formation sur les modèles

  Les algorithmes sont formés à des données échantillon complètes et exemptes d'anomalies. Cela crée un modèle par rapport auquel les données actives sont comparées.

• de classification par partitionnement

  Algorithmes d'apprentissage automatique pour l'identification des modèles et des anomalies dans les données.

  Le service de détection d'anomalies est un ensemble d'algorithmes qui peuvent extraire de grandes quantités de données et rechercher des modèles et des anomalies. Il s'agit d'une combinaison de trois techniques :

  • Pré-traitement intelligent des données (IDP) :

    Il s'agit d'algorithmes brevetés conçus pour résoudre les problèmes typiques liés à la collecte des données du capteur de série temporelle IoT. Elles sont automatiquement appliquées par le service selon les besoins. Voici quelques exemples de techniques IDP :

    • Processus de rééchantillonnage analytique (ARP)

      L'ARP aide à gérer les différents taux d'échantillonnage (problèmes de concordance d'horloges). Il utilise des méthodes d'échantillonnage ascendant/d'échantillonnage descendant basées sur l'interpolation pour générer des intervalles d'échantillonnage uniformes pour toutes les séries temporelles de télémétrie.

    • Imputation de valeur manquante (MVI)

      La MVI permet d'imprimer intelligemment les valeurs manquantes. Il utilise une combinaison d'interpolation et d'estimations MSET pour alimenter intelligemment les spots aveugles (valeurs manquantes).

    • UnQuantization (UnQ)

      UnQ permet de convertir un signal basse résolution en résolution plus élevée

  • Technique d'estimation multi-états (MSET)

    Cet algorithme est utilisé pour apprendre la relation entre plusieurs signaux dans un jeu de données de séries temporelles afin d'obtenir des estimations intelligentes.

  • Test du rapport de probabilité séquentiel (SPRT)

    Ce test utilise les données de MSET pour détecter rapidement les anomalies.

Act

• Interface utilisateur

  Présenter les résultats sous forme d'applets, de tableaux de bord, de graphiques et de graphiques faciles à comprendre pour les personnes ayant des rôles tels que Opérations, Gestion ou Data Scientist.

• Processus métier

  Processus permettant d'incorporer les résultats dans les applications de transaction métier standard pour déclencher une action telle que la création d'une demande de service, d'une commande d'achat, d'une commande client ou d'une mise à jour du microprogramme distant. Les intégrations à d'autres systèmes et outils peuvent minimiser les erreurs, améliorer la productivité et accélérer l'exécution.

Recommandations

Vos besoins peuvent être différents de ceux de l'architecture décrite ici. Utilisez les recommandations suivantes comme point de départ.

Le schéma suivant présente certains des services Oracle que vous pouvez utiliser dans cette architecture.

Description de l'illustration solution-anomaly-detection.png

• Passerelle

  Il peut s'agir d'un hub personnalisé conçu pour la collecte de données de capteurs spécifiques. Il peut également s'agir d'une base de données telle qu'Oracle Autonomous Data Warehouse, Oracle NoSQL ou d'une autre base de données.

• Transport

  Intégration de données : utilisez Intégration de données Oracle Cloud Infrastructure pour migrer toutes les données d'historique hors ligne vers Object Storage. Une fois les données transférées vers Object Storage, elles sont accessibles par tous les services OCI.

  Transmission en continu : utilisez Oracle Cloud Infrastructure Streaming pour l'assimilation en temps réel d'événements et de données pouvant être utilisés ou stockés dans Object Storage.

• Stockage d'objet

  Oracle Cloud Infrastructure Object Storage est le stockage par défaut de cette architecture. Toutes les données doivent être stockées dans Object Storage à partir de tous les services. Toutes les données structurées, semi-structurées et non structurées peuvent être stockées dans Object Storage.

• Intégration de l’interface utilisateur et des processus métier
  • Oracle Analytics Cloud

    Analytics Cloud permet de créer des tableaux de bord, des applets, des visualisations, des rapports et d'autres analyses.

  • Oracle Cloud Infrastructure Data Science

    Cela peut être utilisé pour lire des données provenant de différentes sources afin de créer des visualisations à l'aide de bibliothèques Python dans une session de bloc-notes.

  • Oracle Cloud Infrastructure Data Integration

    Cela permet d'intégrer la solution de détection d'anomalies dans les applications métier pour le traitement automatisé des workflows, en fournissant des notifications au personnel et pour de nombreux autres cas d'emploi.

Remarques

Lors de la création de votre solution de détection d'anomalies, prenez en compte ces options d'implémentation.

Conseil	Recommandé	Autres options	Raisonnement
Capteurs	Commencez par des capteurs conçus et déjà installés sur l'équipement. Des capteurs non invasifs peuvent être ajoutés à tout moment pour fournir des capacités de surveillance supplémentaires.	Oracle Partner Network comprend de nombreux intégrateurs et revendeurs par secteur et région, qui vendent des capteurs et peuvent aider à déployer tout ou partie d'une solution de détection d'anomalies.	L'ajout de capteurs traditionnels aux équipements actuellement installés est généralement difficile. De nouveaux capteurs tels que les capteurs Vibration et Acoustic Resonance (VARS) sont peu coûteux et faciles à installer. Envisagez d'ajouter ces types de capteurs au lieu de capteurs traditionnels.
Transport	La plupart des cas d’utilisation de la détection d’anomalies impliquant la gestion des actifs, la maintenance prédictive ou la fabrication intelligente n’ont pas besoin d’une surveillance en temps réel. Le transfert par lots de données toutes les quelques minutes est une architecture plus facile à concevoir et à déployer. En outre, lors de l'évaluation des solutions de détection d'anomalies, utilisez un fichier historique de données de capteur de séries temporelles.	Le service de transmission en continu peut être utilisé pour la détection d’anomalies en temps réel ou quasi réel. La détection d'anomalies en bordure est également possible, mais elle ajoute de la complexité.	Selon le type, le nombre et les taux d'échantillonnage des capteurs, l'architecture peut varier considérablement. Certains cas d’utilisation peuvent envoyer par lots des données pour la détection, d’autres sont à proximité d’une détection en temps réel à la périphérie, peut-être en combinaison avec un cloud public. D'autres cas d'utilisation nécessitent une détection en temps réel à la périphérie pour des fonctions de sécurité, de sécurité, de notification, de communication non disponibles ou peu fiables, ou pour d'autres raisons. Cela doit être soigneusement évalué et élaboré afin de parvenir à une solution réussie.
Stockage	Object Storage est la méthode de stockage préférée pour le service de détection d'anomalies	Autonomous Data Warehouse peut être utilisé pour stocker des données structurées afin d’accélérer l’extraction. Vous pouvez écrire des données dans Data Warehouse à partir de Data Integration, Data Flow ou de n'importe quel autre service. L’entrepôt de données est également un magasin de service et de présentation.	Object Storage est une plate-forme de stockage hautes performances, à l'échelle d'Internet, qui offre une durabilité fiable et rentable en matière de données.
de classification par partitionnement	Pour garantir les meilleures performances avec Anomaly Detection Service, veillez à former le modèle ADS à l'aide de données non anormales. Pour ce faire, vous devez supprimer les anomalies d'un fichier de données historique, de sorte qu'elles représentent une "image d'or" d'une opération d'équipement idéale.		Si les anomalies ne sont pas supprimées des données du modèle de formation, celles qui restent sont considérées comme étant optimisées et normales. Par conséquent, ils ne seront pas identifiés comme des anomalies puisque le modèle a été formé avec eux en place
IU	Utilisez Oracle Analytics Cloud pour créer les interfaces utilisateur afin de déterminer ce qui et comment corriger la situation détectée. Les notifications peuvent être des visualisations, des workflows, des applets, des tableaux de bord, etc.		Une fois qu'une anomalie est détectée, il est important de savoir quelle action prendre pour corriger la situation. De nombreuses personnes peuvent être averties. Le développement de l'interface utilisateur appropriée pour ces personnes aura un impact majeur sur le succès de votre cas d'utilisation de détection d'anomalies.
Intégration de processus métier	Utilisez Oracle Integration Cloud pour connecter votre solution de détection d'anomalies aux applications back-office qui pourraient automatiser la réponse à une anomalie détectée.		La connexion de votre solution de détection d’anomalies à vos applications back-office peut améliorer la vitesse et la précision de votre réponse en traitant l’anomalie. En fonction du type et de la gravité de l'anomalie, voici quelques exemples de valeur significative de cette intégration : Un niveau de stock faible identifié signale une commande d'achat générée automatiquement pour le réapprovisionnement. Une panne de composant est prévue, ce qui entraîne le traitement d'un ticket de service pour un technicien sur site. Le workflow intelligent escalade automatiquement un message de notification en fonction du temps écoulé.

Plus d'informations

• Page d'accueil de la documentation pour le service Anomaly Detection. La page d'accueil contient des liens vers les documents d'API, le kit SDK, les forums de la communauté et le support technique Oracle.
• Structure des meilleures pratiques pour Oracle Cloud Infrastructure