時序數(shù)據(jù)庫DolphinDB基于機(jī)器學(xué)習(xí)的異常預(yù)警方案
數(shù)據(jù)異常預(yù)警在工業(yè)安全生產(chǎn)中是一項(xiàng)重要工作，對于監(jiān)控生產(chǎn)過程的穩(wěn)定性、保障生產(chǎn)數(shù)據(jù)的有效性、維護(hù)生產(chǎn)設(shè)備的可靠性具有重要意義。隨著大數(shù)據(jù)技術(shù)在生產(chǎn)領(lǐng)域的深入應(yīng)用，基于機(jī)器學(xué)習(xí)的智能預(yù)警已經(jīng)成為各大生產(chǎn)企業(yè)進(jìn)行生產(chǎn)數(shù)據(jù)異常預(yù)警的一種有效解決方案。
什么是智能預(yù)警？
智能預(yù)警就是利用機(jī)器學(xué)習(xí)的算法，通過大數(shù)據(jù)監(jiān)測和分析，預(yù)測指標(biāo)趨勢、識別異常跡象，向運(yùn)維人員發(fā)出預(yù)警，從而做到提前有效規(guī)避故障。例如在一個大型風(fēng)電廠，風(fēng)機(jī)監(jiān)控人員需要實(shí)時監(jiān)控并盡量保證發(fā)電量的平穩(wěn)性。當(dāng)檢測到風(fēng)機(jī)發(fā)電量可能出現(xiàn)異常時，監(jiān)控人員需要遠(yuǎn)程實(shí)時調(diào)整風(fēng)機(jī)參數(shù)以維持發(fā)電量的平穩(wěn)。我們來拆解一下這個場景。首先，數(shù)據(jù)采集是后續(xù)分析和預(yù)測的基礎(chǔ)。我們需要選擇能夠合理衡量風(fēng)機(jī)發(fā)電穩(wěn)定性的指標(biāo)，采集這些指標(biāo)數(shù)據(jù)并存儲到數(shù)據(jù)庫中，然后進(jìn)行監(jiān)測分析。第二步是模型預(yù)測。當(dāng)設(shè)備數(shù)據(jù)源源不斷采集落庫時，我們需要通過模型訓(xùn)練對未來一段時間的風(fēng)機(jī)發(fā)電量進(jìn)行實(shí)時預(yù)測。這里就要用到各種機(jī)器學(xué)習(xí)算法，例如較簡單的 KNN ( K-NearestNeighbor ) 監(jiān)督學(xué)習(xí)算法，又叫 K 鄰近算法，既可以用于分類計(jì)算，也可以用于模型回歸。
如何判斷是否會出現(xiàn)異常？
這就需要我們將未來發(fā)電量與當(dāng)前發(fā)電量進(jìn)行異常比對，并設(shè)定一個預(yù)警的閾值。當(dāng)異常率超過一定閾值時，機(jī)器就會向風(fēng)機(jī)監(jiān)控人員遠(yuǎn)程報(bào)警。當(dāng)然，異常率也可以通過 Grafana 面板 更直觀地可視化展示出來。
實(shí)時數(shù)據(jù)異常率預(yù)警的實(shí)現(xiàn)
關(guān)注DolphinDB公眾號了解上圖所示的完整方案。
DolphinDB + 機(jī)器學(xué)習(xí) 一套解決方案
在這個解決方案中，我們將復(fù)雜的真實(shí)場景進(jìn)行了簡化，選取了風(fēng)速、濕度、氣壓、溫度和設(shè)備使用壽命這五個指標(biāo)來指代影響風(fēng)機(jī)發(fā)電的主要因素。同時，由于生產(chǎn)數(shù)據(jù)的敏感性，進(jìn)行了 DolphinDB 數(shù)據(jù)仿真操作，使用模擬數(shù)據(jù)代替真實(shí)記錄集。
- 設(shè)備數(shù)目：100臺
- 時間單位：毫秒級 （1 ms = 0.001 s）
- 單臺設(shè)備采集數(shù)據(jù)傳輸量：1條/ms
- 總采集數(shù)據(jù)傳輸量：10萬條/s
當(dāng)生產(chǎn)任務(wù)開啟后，模型預(yù)測任務(wù)與預(yù)警計(jì)算任務(wù)將同步開啟。運(yùn)維人員可登錄 Grafana，實(shí)時監(jiān)控異常情況，并根據(jù)預(yù)警結(jié)果實(shí)時調(diào)整風(fēng)機(jī)設(shè)備參數(shù)。
各時段的異常率
查看各時段的預(yù)警情況（0不進(jìn)行預(yù)警，1進(jìn)行預(yù)警）
從這一個簡單的物聯(lián)網(wǎng)企業(yè)生產(chǎn)場景中，我們可以看到，利用 DolphinDB 的存儲引擎、內(nèi)置的機(jī)器學(xué)習(xí)框架算法以及插件，可以實(shí)現(xiàn)從數(shù)據(jù)采集監(jiān)測、構(gòu)建回歸模型到實(shí)時數(shù)據(jù)異常預(yù)警的業(yè)務(wù)全流程。感興趣的小伙伴可以關(guān)注DolphinDB公眾號，查看完整解決方案～
