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(duì)于監(jiān)控生產(chǎn)過(guò)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(guò)大數(shù)據(jù)監(jiān)測(cè)和分析，預(yù)測(cè)指標(biāo)趨勢(shì)、識(shí)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(gè)大型風(fēng)電廠，風(fēng)機(jī)監(jiān)控人員需要實(shí)時(shí)監(jiān)控并盡量保證發(fā)電量的平穩(wěn)性。當(dāng)檢測(cè)到風(fēng)機(jī)發(fā)電量可能出現(xiàn)異常時(shí)，監(jiān)控人員需要遠(yuǎn)程實(shí)時(shí)調(diào)整風(fēng)機(jī)參數(shù)以維持發(fā)電量的平穩(wěn)。我們來(lái)拆解一下這個(gè)場(chǎng)景。首先，數(shù)據(jù)采集是后續(xù)分析和預(yù)測(cè)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(chǔ)到數(shù)據(jù)庫(kù)中，然后進(jìn)行監(jiān)測(cè)分析。第二步是模型預(yù)測(cè)。當(dāng)設(shè)備數(shù)據(jù)源源不斷采集落庫(kù)時(shí)，我們需要通過(guò)模型訓(xùn)練對(duì)未來(lái)一段時(shí)間的風(fēng)機(jī)發(fā)電量進(jìn)行實(shí)時(shí)預(yù)測(cè)。這里就要用到各種機(jī)器學(xué)習(xí)算法，例如較簡(jiǎn)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(huì)出現(xiàn)異常？
這就需要我們將未來(lái)發(fā)電量與當(dāng)前發(fā)電量進(jìn)行異常比對(duì)，并設(shè)定一個(gè)預(yù)警的閾值。當(dāng)異常率超過(guò)一定閾值時(shí)，機(jī)器就會(huì)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(guò) Grafana 面板 更直觀地可視化展示出來(lái)。
實(shí)時(shí)數(shù)據(jù)異常率預(yù)警的實(shí)現(xiàn)
DolphinDB + 機(jī)器學(xué)習(xí) 一套解決方案
在這個(gè)解決方案中，我們將復(fù)雜的真實(shí)場(chǎng)景進(jìn)行了簡(jiǎn)化，選取了風(fēng)速、濕度、氣壓、溫度和設(shè)備使用壽命這五個(gè)指標(biāo)來(lái)指代影響風(fēng)機(jī)發(fā)電的主要因素。同時(shí)，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(tái)
- 時(shí)間單位：毫秒級(jí) （1 ms = 0.001 s）
- 單臺(tái)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(wàn)條/s
當(dāng)生產(chǎn)任務(wù)開啟后，模型預(yù)測(cè)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(shí)監(jiān)控異常情況，并根據(jù)預(yù)警結(jié)果實(shí)時(shí)調(diào)整風(fēng)機(jī)設(shè)備參數(shù)。
各時(shí)段的異常率
查看各時(shí)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(gè)簡(jiǎn)單的物聯(lián)網(wǎng)企業(yè)生產(chǎn)場(chǎng)景中，我們可以看到，利用 DolphinDB 的存儲(chǔ)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(cè)、構(gòu)建回歸模型到實(shí)時(shí)數(shù)據(jù)異常預(yù)警的業(yè)務(wù)全流程。
