1. 利用异常检测来管理资产和预测性维护
  2. 利用异常检测来管理资产和预测性维护

利用异常检测来管理资产和预测性维护

异常检测是指识别数据中与预期大不相同稀有项目、事件或观察结果。这在许多行业中用于资产监视和维护。

异常检测服务可帮助您检测时间序列数据中的异常，而无需统计人员或机器学习专家。它提供预构建的算法，并自动解决数据问题。它是一种可通过 REST API 访问的云原生服务，并且可以连接到多个数据源。利用 OCI 控制台、CLI 和 SDK，您可以轻松使用端到端的解决方案。

在此参考架构中，我们重点介绍了 Oracle Cloud Infrastructure 异常检测服务与其他 OCI 数据服务协同工作如何帮助处理以下用例：

资产管理
资产管理专注于资产的最佳运营，可确保绩效指标和 KPI 得到满足，例如吞吐量 / 输出、废料、质量、安全性和产量。
预测性维护
预测性维护是指避免成本并尽可能减少运营中断，从而增加费用，例如安排附加班次、付款加班、加快运费和其他费用。
智能制造
智能制造需要设法提高运营效率，从而增加收入和利润。异常检测可以发现制造周期早期预测产量和产品缺陷的模式，并跟踪产品以分析影响，从而增加吞吐量和输出，提高质量，减少报废。

体系结构

此参考体系结构具有三个主要阶段：收集、分析和操作。这些阶段中有八个技术阶段。

下图说明了此参考体系结构。

后面是 architecture-anomaly-detection.png 的说明
插图 architecture-anomaly-detection.png 的说明

该体系结构包含以下组件：

收集
收集阶段具有以下阶段：
  • 生成数据的设备、传感器和输入。
  • A hub, gateway, or edge that collects the data.
  • 数据传输，通过批处理、流、间隔、实时或其他方法进行处理。
  • 用于分析、管理和未来使用的数据的存储。
分析
  • 整理

    涉及管理数据，从而让用户更方便地进行数据发现和分析。这包括从各种来源收集数据并将其集成到资料档案库中。数据整理包括数据验证、归档、管理、保留检索和表示形式

  • 预处理

    涉及修复与 IoT 时间序列数据收集关联的典型问题，例如不匹配时钟同步、缺少值和低信噪比

  • 模型培训

    这些算法针对完整无异常的示例数据进行了培训。这将创建一个用于比较实时数据的模型。

  • 异常检测

    用于识别数据中的模式和异常的机器学习算法。

    异常检测服务是一组算法，可以挖掘大量数据并查找模式和异常。这是三种技巧的组合：

    • 智能数据预处理 (IDP)：

      这些是用于修复与收集 IoT 时间序列传感器数据相关的典型问题的专利算法。它们由服务根据需要自动应用。IDP 技术的示例包括：

      • 分析取样流程 (ARP)

        ARP 帮助处理不同的抽样率（时钟不匹配问题）。它使用基于插值的向上取样 / 向下取样方法为所有遥测时间序列生成统一的采样间隔。

      • 缺少值计算 (MVI)

        MVI 可帮助智能地估算缺少的值。它使用插值与 MSET 估计值的组合智能地填充盲点（缺少值）。

      • UnQuantization (UnQ)

        UnQ有助于将低分辨率信号转换为更高分辨率

    • 多变量状态估计技术 (MSET)

      此算法用于学习时间序列数据集中多个信号之间的关系，从而得出智能估计。

    • 顺序机率比率测试 (SPRT)

      此测试使用来自 MSET 的数据提前检测异常。

Act（操作）
  • 用户界面

    通过简单易懂的小程序、仪表盘、图形和角色图表（如运营、管理或数据科学家）呈现结果。

  • 业务流程

    将结果纳入标准业务事务处理应用程序以触发操作（如创建服务请求、采购订单、销售订单或远程固件更新）的过程。与其他系统和工具的集成可以最大程度地减少错误、提高工作效率和加快执行速度。

建议

您的要求可能与此处介绍的体系结构有所不同。可将以下建议作为起点。

下图显示了您可以在此体系结构中使用的一些 Oracle 服务。

后面是 solution-anomaly-detection.png 的说明
插图 solution-anomaly-detection.png 的说明
  • 网关

    这可以是专为特定传感器数据收集而设计的定制集线器。它也可以是 Oracle Autonomous Data Warehouse、Oracle NoSQL 或其他某个数据库等数据库。

  • 传输

    数据集成：使用 Oracle Cloud Infrastructure 数据集成将所有历史数据脱机迁移到对象存储。数据传输到对象存储后，所有 OCI 服务都可以访问该数据。

    流处理：使用 Oracle Cloud Infrastructure 流处理可以实时摄取或存储在对象存储中的事件和数据。

  • 对象存储

    Oracle Cloud Infrastructure Object Storage 是此体系结构中的默认存储。所有数据都应从所有服务存储在对象存储中。所有结构化、半结构化和非结构化数据都可以存储在对象存储中。

  • UI 和业务流程集成
    • Oracle Analytics Cloud

      分析云可用于构建仪表盘、小程序、可视化、报表和其他分析。

    • Oracle Cloud Infrastructure 数据科学

      这可用于从不同来源读取数据，以在记事本会话中使用 Python 库来创建可视化。

    • Oracle Cloud Infrastructure Data Integration

      这可用于将异常检测解决方案集成到业务应用程序中，以便进行自动工作流处理、向人员发送通知以及用于许多其他用例。

考虑事项

构建异常检测解决方案时，请考虑以下实施选项。

指南 推荐 其他选项 原理
传感器 首先，设计并已在设备上安装传感器。可以随时添加非侵入式传感器来提供额外的监视功能。 Oracle 合作伙伴网络有许多按行业和区域推销集成商和重新销售商，可以销售传感器并帮助部署部分或全部异常检测解决方案。 向当前安装的设备添加传统传感器通常比较困难。振动和声感应传感器 (VARS) 等新传感器不贵，安装方便。考虑添加这些类型的传感器而非传统传感器。
传输 大多数异常检测用例涉及资产管理、预测性维护或智能制造，不需要进行实时监视。每隔几分钟成批传输数据，是一个易于设计和部署的架构。此外，在评估异常检测解决方案时，请使用时间序列传感器数据的历史文件。
  • 流式处理服务可以用于实时或接近实时异常检测。
  • 还可以在边缘检测异常，但增加了复杂性。
 根据传感器的类型、数量和采样率，体系结构可能会有显著差异。某些用例可以批量发送数据进行检测，而其他用例则近乎实时地在边缘检测，这可能与公有云相结合。其他用例要求在边缘实时检测安全、安全性、通知、不可用或不可靠的通信功能或其他原因。要获得成功的解决方案，必须仔细评估和存档。
存储 对象存储是用于异常检测服务的首选存储方法 Autonomous Data Warehouse 可用于存储结构化数据，以便加快检索速度。您可以从数据集成、数据流或任何其他服务将数据写入数据仓库。数据仓库也是一家服务和演示商店。 对象存储是互联网规模的高性能存储平台，可提供经济高效的可靠数据持久性。
异常检测 为了确保使用异常检测服务获得最佳性能，请确保使用非异常数据训练 ADS 模型。这需要从历史数据文件中删除异常，以使其表示理想设备操作的“黄金图像”。   如果未从培训模型数据中删除异常，则剩余异常将被视为已优化的正常操作。因此，由于已经对模型进行了培训，因此不会将它们确定为异常
UI 使用 Oracle Analytics Cloud 创建用户界面，以处理检测到的情况以及如何纠正。通知可以是可视化通知、工作流、小程序、仪表盘等。   检测到异常后，务必了解采取什么操作来纠正这种情况。可能有许多人需要通知。为这些人员开发合适的用户界面将对异常检测用例的成功产生重大影响。
业务流程集成 使用 Oracle Integration Cloud 将异常检测解决方案连接到可自动响应检测到异常的后台应用程序。  

将异常检测解决方案连接到后端应用可以提高响应速度和准确性，从而解决异常。根据异常的类型和严重性，以下是此集成可能具有重要价值的一些示例：

  • 标识的低库存水平表示自动生成的采购订单进行补充。
  • 预测组件故障，导致现场技术人员处理服务单。
  • 智能工作流根据用时量自动升级通知消息。

更多信息