1. Utilizzare il rilevamento delle anomalie per gestire gli asset e la manutenzione predittiva
  2. Utilizzare il rilevamento delle anomalie per gestire gli asset e la manutenzione predittiva

Utilizzare il rilevamento delle anomalie per gestire gli asset e la manutenzione predittiva

Il rilevamento delle anomalie è l'identificazione di elementi rari, eventi o osservazioni nei dati che differiscono notevolmente dalle aspettative. Ciò ha utilizzato in molti settori per il monitoraggio e la manutenzione degli asset.

Il servizio di rilevamento delle anomalie consente di rilevare le anomalie nei dati delle serie temporali senza la necessità di statistici o di esperti di apprendimento automatico. Fornisce algoritmi predefiniti e risolve automaticamente i problemi dei dati. Si tratta di un servizio cloud nativo accessibile tramite le API REST e può connettersi a molte origini dati. La console, l'interfaccia CLI e l'SDK OCI semplificano l'uso nelle soluzioni end-to-end.

In questa architettura di riferimento evidenziiamo come il servizio di rilevamento delle anomalie di Oracle Cloud Infrastructure che utilizza altri servizi dati OCI può essere utile per i seguenti casi d'uso:

Gestione asset
La gestione degli asset è incentrata sul funzionamento ottimale degli asset, garantendo il rispetto delle metriche operative e dei KPI, ad esempio throughput/output, scarti, qualità, sicurezza e rendimento.
Manutenzione predittiva
La manutenzione predittiva riguarda l'evasione dei costi e la riduzione delle interruzioni operative che aumentano le spese, come la pianificazione di ulteriori turni, il pagamento di straordinari, la spedizione e altri costi.
Produzione intelligente
La produzione intelligente prevede metodi per migliorare l'efficienza operativa e incrementare i ricavi e i profitti. Il rilevamento delle anomalie è in grado di individuare modelli per prevedere i difetti del rendimento e del prodotto all'inizio del ciclo di produzione, nonché di tracciare i prodotti per analizzare gli impatti, aumentando così il throughput e l'output, migliorando la qualità e riducendo gli scarti.

Architettura

Questa architettura di riferimento ha tre fasi principali: Raccolta, Analisi e Atto. All'interno di queste fasi sono otto fasi tecnologiche.

Il diagramma riportato di seguito illustra questa architettura di riferimento.

Segue la descrizione di Architecture-anomaly-detection.png
Descrizione dell'illustrazione Architecture-anomaly-detection.png

L'architettura prevede i componenti elencati di seguito.

Raccolta
La fase di raccolta presenta le seguenti fasi:
  • Dispositivi, sensori e input che generano i dati.
  • Hub, gateway o edge che raccoglie i dati.
  • Trasporto dati per l'elaborazione in base a batch, streaming, intervallo, tempo reale o altri metodi.
  • Storage di dati per analisi, gestione e uso futuro.
Analizza
  • Curation

    Coinvolge la gestione dei dati che li rende più utili per gli utenti coinvolti nella ricerca e nell'analisi dei dati. Ciò include la raccolta di dati da diverse origini e l'integrazione nei repository. La cura dei dati include l'autenticazione, l'archiviazione, la gestione, il recupero e la rappresentazione dei dati

  • Pre-elaborazione

    Coinvolge la risoluzione dei problemi tipici associati alla raccolta dei dati delle serie temporali IoT, ad esempio sincronizzazione del clock non corrispondente, valori mancanti e rapporto segnale/rumore basso

  • Formazione modello

    Gli algoritmi vengono formati su dati di esempio completi e privi di anomalie. Ciò crea un modello in base al quale vengono confrontati i dati attivi.

  • Rilevamento anomalie

    Algoritmi di apprendimento automatico per identificare pattern e anomalie nei dati.

    Il servizio di rilevamento delle anomalie è un set di algoritmi in grado di gestire grandi quantità di dati e cercare modelli e anomalie. Si tratta di una combinazione di tre tecniche:

    • Pre-elaborazione dei dati intelligenti (IDP):

      Si tratta di algoritmi brevettati progettati per risolvere problemi tipici associati alla raccolta dei dati dei sensori della serie temporale IoT. Vengono applicate automaticamente dal servizio in base alle esigenze. Esempi di tecniche IDP includono:

      • Processo di campionamento analitico (ARP)

        ARP aiuta a gestire diversi tassi di campionamento (problemi di mancata corrispondenza a blocchi). Utilizza metodi di up-sampling/down-sampling basati sull'interpolazione per generare intervalli di campionamento uniformi per tutte le serie temporali della telemetria.

      • Imputazione valore mancante (MVI)

        MVI aiuta ad imputare in modo intelligente i valori mancanti. Utilizza una combinazione di interpolazione e stime MSET per popolare in modo intelligente i punti ciechi (valori mancanti).

      • UnQuantization (UnQ)

        UnQ aiuta a convertire un segnale a bassa risoluzione in una risoluzione più alta

    • Tecnica di stima dello stato multivariato (MSET)

      Questo algoritmo viene utilizzato per apprendere la relazione tra più segnali in un set di dati serie temporale per elaborare stime intelligenti.

    • Test del rapporto di probabilità sequenziale (SPRT)

      Questo test utilizza i dati forniti da MSET per individuare tempestivamente le anomalie.

Ag.
  • Interfaccia utente

    Per presentare i risultati in applet, dashboard, grafici e grafici di facile comprensione per le persone con ruoli quali Operations, Management o Data Scientists.

  • Processo aziendale

    Processi per incorporare i risultati in applicazioni di transazioni aziendali standard per attivare un'azione come la creazione di una richiesta di servizio, un ordine di acquisto, un ordine di vendita o un aggiornamento del firmware remoto. Le integrazioni con altri sistemi e strumenti possono ridurre al minimo gli errori, migliorare la produttività e velocizzare l'esecuzione.

Suggerimenti

I requisiti potrebbero essere diversi dall'architettura descritta in questa sezione. Utilizzare i seguenti suggerimenti come punto di partenza.

Il diagramma riportato di seguito mostra alcuni servizi Oracle che è possibile utilizzare in questa architettura.

Segue la descrizione di solution-anomaly-detection.png
Descrizione dell'illustrazione solution-anomaly-detection.png
  • Gateway

    Può trattarsi di un hub personalizzato progettato per la raccolta di dati specifici dei sensori. Potrebbe trattarsi anche di un database come Oracle Autonomous Data Warehouse, Oracle NoSQL o altri database.

  • Trasporto

    Integrazione dei dati: utilizzo di Integrazione dei dati di Oracle Cloud Infrastructure per eseguire la migrazione di tutti i dati della cronologia offline nello storage degli oggetti. Una volta trasferiti i dati nello storage degli oggetti, è possibile accedervi da tutti i servizi OCI.

    Streaming: utilizza lo streaming Oracle Cloud Infrastructure per l'inclusione in tempo reale di eventi e dati che possono essere utilizzati o memorizzati nello storage degli oggetti.

  • Memorizzazione degli oggetti

    Oracle Cloud Infrastructure Object Storage è lo storage predefinito di questa architettura. Tutti i dati devono essere memorizzati nello storage degli oggetti da tutti i servizi. Tutti i dati strutturati, semistrutturati e non strutturati possono essere memorizzati nello storage degli oggetti.

  • Integrazione dell'interfaccia utente e dei processi aziendali
    • Oracle Analytics Cloud

      Analytics Cloud può essere utilizzato per creare dashboard, applet, visualizzazioni, report e altre funzioni di analitica.

    • Oracle Cloud Infrastructure Data Science

      Può essere utilizzato per leggere dati da origini diverse per creare visualizzazioni utilizzando le librerie Python in una sessione di notebook.

    • Integrazione dei dati di Oracle Cloud Infrastructure

      Ciò può essere utilizzato per integrare la soluzione di rilevamento anomalie nelle applicazioni aziendali per l'elaborazione automatica del flusso di lavoro, fornendo notifiche al personale e per molti altri casi d'uso.

Considerazioni

Quando si crea una soluzione di rilevamento delle anomalie, prendere in considerazione queste opzioni di implementazione.

Linea guida Consigliato Altre opzioni Motivazione
Sensori Iniziare con sensori progettati e già installati sull'apparecchiatura. I sensori non invasivi possono essere aggiunti in qualsiasi momento per fornire funzionalità di monitoraggio aggiuntive. Oracle Partner Network prevede numerosi integratori e rivenditori per settore e area geografica che vendono sensori e possono agevolare la distribuzione di una soluzione di rilevamento di anomalie o di parte di essa. L'aggiunta di sensori tradizionali alle apparecchiature attualmente installate è in genere difficile. Nuovi sensori come Vibration e Acoustic Resonance Sensor (VARS) sono economici e facili da installare. Si consideri la possibilità di aggiungere questi tipi di sensori al posto dei sensori tradizionali.
Trasporto La maggior parte dei casi d'uso relativi al rilevamento delle anomalie che coinvolgono la gestione degli asset, la manutenzione predittiva o la produzione intelligente non richiedono un monitoraggio in tempo reale. Il trasferimento in batch di dati ogni pochi minuti è un'architettura più semplice per la progettazione e la distribuzione. Inoltre, durante la valutazione delle soluzioni di rilevamento delle anomalie, utilizzare un file storico dei dati dei sensori della serie temporale.
  • Il servizio di streaming può essere utilizzato per il rilevamento delle anomalie in tempo reale o quasi.
  • Anche il rilevamento dell'anomalia all'estremità è possibile, ma aggiunge ulteriore complessità.
 A seconda del tipo, del numero e della frequenza di campionamento dei sensori, l'architettura può variare in modo significativo. Alcuni casi d'uso possono inviare in batch i dati per il rilevamento, altri sono quasi il rilevamento in tempo reale a margine, forse in combinazione con un cloud pubblico. Altri casi d'uso richiedono il rilevamento in tempo reale a margine di sicurezza, sicurezza, notifica, funzionalità di comunicazione non disponibili o inaffidabili o per altri motivi. Questo deve essere valutato con attenzione e progettato per arrivare a una soluzione di successo.
Storage Lo storage degli oggetti è il metodo di storage preferito per il servizio di rilevamento di anomalie Autonomous Data Warehouse può essere utilizzato per memorizzare i dati strutturati per un recupero più rapido. È possibile scrivere dati in Data Warehouse da Integrazione dati, Flusso di dati o da qualsiasi altro servizio. Data Warehouse è anche un negozio di servizio e presentazione. Lo storage degli oggetti è una piattaforma di storage su scala Internet ad alte prestazioni che garantisce un'affidabilità dei dati a costi contenuti.
Rilevamento anomalie Per garantire le migliori prestazioni con il servizio di rilevamento anomalie, assicurarsi di formare il modello ADS utilizzando dati non anomali. Ciò richiede la rimozione delle anomalie da un file di dati storico in modo che rappresenti un'immagine d'oro di un'operazione di equipaggiamento ideale.   Se le anomalie non vengono rimosse dai dati del modello di formazione, quelle rimanenti verranno considerate come operazioni ottimizzate e normali. Pertanto, non verranno identificate come anomalie in quanto il modello è stato formato con loro in loco
Interfaccia utente Utilizza Oracle Analytics Cloud per creare le interfacce utente necessarie per risolvere il problema e le modalità di correzione della situazione rilevata. Le notifiche possono essere visualizzazioni, workflow, applet, dashboard e così via.   Una volta rilevata un'anomalia, è importante sapere quali azioni intraprendere per correggere la situazione. Potrebbero esservi molte persone che devono essere avvisate. Lo sviluppo dell'interfaccia utente appropriata per queste persone avrà un impatto significativo sul successo del caso d'uso di rilevamento delle anomalie.
Integrazione dei processi aziendali Utilizza Oracle Integration Cloud per connettere la soluzione di rilevamento delle anomalie alle applicazioni di back office che potrebbero automatizzare la risposta a un'anomalia rilevata.  

Collegare la soluzione di rilevamento delle anomalie alle applicazioni di back-office può migliorare la velocità e l'accuratezza della risposta affrontando l'anomalia. Di seguito sono riportati alcuni esempi di come questa integrazione può avere un valore significativo in base al tipo e alla gravità dell'anomalia.

  • Un livello di magazzino basso identificato segnala un ordine di acquisto generato automaticamente per il rifornimento.
  • Si prevede un guasto del componente che provoca l'elaborazione di un ticket di servizio per un tecnico in loco.
  • Il flusso di lavoro intelligente aumenta automaticamente un messaggio di notifica in base al periodo di tempo trascorso.

Ulteriori informazioni