Utilize detecção de anomalias para gerenciar ativos e manutenção preditiva

A detecção de anomalias é a identificação de itens raros, eventos ou observações em dados que diferem muito das expectativas. Isso tem usos em muitos setores para monitoramento e manutenção de ativos.

O Anomaly Detection Service ajuda a detectar anomalias em dados de séries temporais sem a necessidade de estatísticos ou especialistas em aprendizado de máquina. Ele fornece algoritmos pré-criados e resolve problemas de dados automaticamente. É um serviço nativo da nuvem acessível em APIs REST e pode se conectar a muitas fontes de dados. A Console, a CLI e o SDK do OCI facilitam o uso em soluções completas.

Nesta arquitetura de referência, destacamos como o Serviço de Detecção de Anomalia do Oracle Cloud Infrastructure que trabalha com outros serviços de dados do OCI pode ajudar nos seguintes casos de uso:

Gerenciamento de Ativos: O gerenciamento de ativos se concentra na operação ideal de ativos, garantindo que as métricas operacionais e os KPIs sejam atendidos, como throughput/saída, sucata, qualidade, segurança e rendimento.
Manutenção Preditiva: A manutenção preditiva consiste em evitar custos e minimizar interrupções operacionais que aumentam as despesas, como agendar turnos adicionais, pagar horas extras, expedição de frete e outros custos.
Manufatura Inteligente: A manufatura inteligente envolve encontrar maneiras de melhorar a eficiência operacional para aumentar receitas e lucros. A detecção de anomalias pode descobrir padrões para prever o rendimento e os defeitos do produto no início do ciclo de manufatura, e rastrear produtos para analisar impactos, aumentando assim o rendimento e a saída, melhorando a qualidade e reduzindo o desperdício.

Arquitetura

Essa arquitetura de referência tem três fases principais: Coletar, Analisar e Agir. Dentro dessas fases estão oito estágios de tecnologia.

O diagrama a seguir ilustra essa arquitetura de referência.

Descrição da ilustração architecture-anomaly-detection.png

A arquitetura tem os seguintes componentes:

Coletar

A fase de coleta tem os seguintes estágios:

Dispositivos, sensores e entradas que geram os dados.
Um hub, gateway ou borda que coleta os dados.
Transporte de dados para processamento por lote, fluxo, intervalo, tempo real ou outros métodos.
Armazenamento de dados para análise, gerenciamento e uso futuro.

Analisar

Curation
Envolve o gerenciamento de dados que o torna mais útil para os usuários envolvidos na descoberta e análise de dados. Isso inclui a coleta de dados de diversas fontes e a sua integração com repositórios. A curadoria de dados inclui autenticação, arquivamento, gerenciamento, recuperação da preservação e representação de dados
Pré-Processando
Envolve corrigir os problemas típicos associados à coleta de dados da série de tempo IoT, como sincronização de relógio com correspondência incorreta, valores ausentes e baixa relação sinal-ruído
Treinamento de Modelo
Os algoritmos são treinados em dados de amostra que são completos e livres de anomalias. Isso cria um modelo com o qual os dados ativos são comparados.
Detecção de Anomalia
Algoritmos de aprendizagem de máquina para identificar padrões e anomalias em dados.

O Anomaly Detection Service é um conjunto de algoritmos que podem minar grandes quantidades de dados e procurar padrões e anomalias. É uma combinação de três técnicas:
- Processamento inteligente de dados (IDP):
  Estes são algoritmos patenteados projetados para corrigir problemas típicos associados à coleta de dados do sensor de série temporal IoT. Elas são aplicadas automaticamente pelo serviço, conforme necessário. Exemplos de técnicas de IDP incluem:
  - Processo de Resampling Analítico (ARP)
    O ARP ajuda a lidar com diferentes taxas de amostragem (questões de incompatibilidade de relógio). Utiliza métodos de amostragem vertical/abaixo baseados em interpolação para gerar intervalos de amostragem uniformes para todas as séries de tempo de telemetria.
  - Imputação de Valor Ausente (MVI)
    MVI ajuda a impor de forma inteligente os valores ausentes. Utiliza uma combinação de interpolação e estimativas de MSET para preencher inteligentemente as manchas cegas (valores ausentes).
  - UnQuantization (UnQ)
    UnQ ajuda a converter um sinal de baixa resolução para uma resolução mais alta
- MET (Multivariate State Estimation Technique)
  Esse algoritmo é usado para aprender a relação entre vários sinais em um conjunto de dados de séries temporais para criar estimativas inteligentes.
- Teste de Proporção de Probabilidade Sequencial (SPRT)
  Este teste usa os dados de MSET para fornecer detecção precoce de anomalias.

Act

Interface de Usuário
Para apresentar resultados em applets, painéis de controle, gráficos, gráficos de fácil compreensão para pessoas com funções como Operações, Gerenciamento ou Cientistas de Dados.
Processo de Negócios
Processos para incorporar os resultados em aplicativos de transação comercial padrão a fim de acionar uma ação, como criar uma solicitação de serviço, uma ordem de compra, uma ordem de venda ou uma atualização remota de firmware. Integrações com outros sistemas e ferramentas podem minimizar erros, melhorar a produtividade e acelerar a execução.

Recomendações

Os requisitos podem diferir da arquitetura descrita aqui. Use as recomendações a seguir como ponto de partida.

O diagrama a seguir mostra alguns dos serviços Oracle que você pode usar nesta arquitetura.

Descrição da ilustração solutions-anomaly-detection.png

Gateway
Pode ser um hub personalizado projetado para coleta de dados específicos do sensor. Pode também ser um banco de dados, como Oracle Autonomous Data Warehouse, Oracle NoSQL ou outro banco de dados.
Transporte
Integração de Dados: Use o Oracle Cloud Infrastructure Data Integration para migrar todos os dados históricos off-line para o Object Storage. Assim que os dados forem transferidos para o Object Storage, eles poderão ser acessados por todos os serviços do OCI.

Streaming: Use o Streaming do Oracle Cloud Infrastructure para ingestão em tempo real de eventos e dados que podem ser consumidos ou armazenados no Object Storage.
Armazenamento de Objetos
O Oracle Cloud Infrastructure Object Storage é o armazenamento padrão nesta arquitetura. Todos os dados devem ser armazenados no Object Storage de todos os serviços. Todos os dados estruturados, semiestruturados e não estruturados podem ser armazenados no Object Storage.
Integração de IU e processos de negócios
- Oracle Analytics Cloud
  O Analytics Cloud pode ser usado para criar painéis, applets, visualizações, relatórios e outras análises.
- Oracle Cloud Infrastructure Data Science
  Isso pode ser usado para ler dados de diferentes origens para criar visualizações usando bibliotecas Python em uma sessão de notebook.
- Oracle Cloud Infrastructure Data Integration
  Isso pode ser usado para integrar a solução de Detecção de Anomalia em aplicativos de negócios para processamento automatizado de fluxo de trabalho, fornecendo notificações ao pessoal e para muitos outros casos de uso.

Considerações

Ao criar sua solução de detecção de anomalias, considere estas opções de implementação.

Orientação	Recomendado	Outras Opções	Base Lógica
Sensores	Comece com sensores projetados e já instalados no equipamento. Sensores não invasivos podem ser adicionados a qualquer momento para fornecer recursos de monitoramento adicionais.	O Oracle Partner Network possui muitos integradores e revendedores por setor e região que vendem sensores e podem ajudar a implementar alguma ou toda uma solução de detecção de anomalias.	A adição de sensores tradicionais ao equipamento instalado atualmente geralmente é difícil. Novos sensores, como Vibration e sensores de ressonância acústica (VARS), são baratos e fáceis de instalar. Considere adicionar esses tipos de sensores em vez de sensores tradicionais.
Transporte	A maioria dos casos de uso de detecção de anomalias que envolvem gerenciamento de ativos, manutenção preditiva ou manufatura inteligente não precisam de monitoramento em tempo real. Transferência em lote de dados a cada alguns minutos é uma arquitetura mais fácil de projetar e implantar. Além disso, ao avaliar soluções de detecção de anomalias, use um arquivo histórico de dados do sensor de séries temporais.	O serviço de streaming pode ser utilizado para detecção de anomalias em tempo real ou quase em tempo real. A detecção de anomalias na borda também é possível, mas adiciona complexidade adicional.	Dependendo do tipo, número e taxas de amostragem de sensores, a arquitetura pode variar significativamente. Alguns casos de uso podem enviar dados para detecção em lote; outros são quase detecção em tempo real no limite, talvez em combinação com uma nuvem pública. Outros casos de uso requerem detecção em tempo real por segurança, segurança, notificação, recursos de comunicação indisponíveis ou não confiáveis ou outros motivos. Isso deve ser cuidadosamente avaliado e arquitetado para obter uma solução bem-sucedida.
Armazenamento	O Armazenamento de Objetos é o método preferido de armazenamento para o Serviço de Detecção de Anomalia	O Autonomous Data Warehouse pode ser usado para armazenar dados estruturados para recuperação mais rápida. Você pode gravar dados no Data Warehouse em Integração de Dados, Fluxo de Dados ou em qualquer outro serviço. O Data Warehouse também é uma loja de serviço e apresentação.	O Object Storage é uma plataforma de armazenamento de alto desempenho em escala de internet que oferece durabilidade de dados confiável e econômica.
Detecção de Anomalia	Para garantir o melhor desempenho com o Anomaly Detection Service, certifique-se de treinar o modelo ADS usando dados não anômalos. Isso exige a remoção das anomalias de um arquivo de dados histórico para que ele represente uma "imagem dourada" de uma operação de equipamento ideal.		Se as anomalias não forem removidas dos dados do modelo de treinamento, as que permanecerão serão assumidas como uma operação normal otimizada. Portanto, elas não serão identificadas como anomalias desde que o modelo foi treinado com elas em vigor
IU	Use o Oracle Analytics Cloud para criar as interfaces do usuário que resolvem o que e como corrigir a situação detectada. As notificações podem ser visualizações, fluxos de trabalho, applets, painéis de controle etc.		Uma vez detectada uma anomalia, é importante saber qual ação tomar para corrigir a situação. Pode haver vários indivíduos que devem ser notificados. O desenvolvimento da interface de usuário apropriada para esses indivíduos terá um grande impacto no sucesso do caso de uso da detecção de anomalias.
Business Process Integration	Use o Oracle Integration Cloud para conectar sua solução de Detecção de Anomalias a aplicativos de back-office que podem automatizar a resposta a uma anomalia detectada.		A conexão da solução de detecção de anomalias com seus aplicativos de back-office pode melhorar a velocidade e a precisão da sua resposta ao abordar a anomalia. Com base no tipo e na severidade da anomalia, aqui estão alguns exemplos de como essa integração pode ser de valor significativo: Um nível de estoque baixo identificado sinaliza uma Ordem de Compra gerada automaticamente para reposição. Uma falha de componente é prevista, fazendo com que um tíquete de serviço seja processado para um técnico local. O workflow inteligente encaminha uma mensagem de notificação automaticamente com base na quantidade de tempo decorrido.

Mais Informações

Página inicial da documentação do serviço de Detecção de Anomalia. A página inicial inclui links para os documentos da API, SDK, fóruns da comunidade e Suporte Técnico da Oracle.
Estrutura de melhores práticas para o Oracle Cloud Infrastructure