KNIME в настоящее время является наиболее широко используемым инструментом с открытым исходным кодом для визуального программирования, который использует перетаскивание для создания полных моделей машинного обучения без написания кода.

Содержание:
Промышленный Интернет вещей
1. Профилактическое обслуживание
a. Обнаружение аномалий для профилактического обслуживания
b. Данные временного ряда IOT

Это один из инструментов, который становится все более и более известным среди статистиков, специалистов по данным и специалистов в различных областях (производство, фармацевтика, сельское хозяйство, нефть и газ), которые получают данные через IoT для доставки быстрых решений без потребность в программистах Python или R.

ЧТО ТАКОЕ ПРОМЫШЛЕННЫЙ IoT (IIOT)?

Умные бытовые приборы, такие как термостаты и системы безопасности, часто приходят на ум, когда люди думают об Интернете вещей. Однако промышленный интернет вещей возник в результате расширения экосистемы IoT далеко за пределы сферы потребительского использования.

Промышленный IoT, или сокращенно IIoT, связывает оборудование и устройства в отраслях, где поддержание функциональности оборудования имеет важное значение для производительности и безопасности. Технология IIoT используется предприятиями для автоматизации ранее выполняемых вручную операций и удаленного управления своими активами, открывая новые возможности для экономии средств и времени.

Ниже мы рассмотрим пять основных способов, которыми промышленный Интернет вещей меняет правила игры для бизнеса:

  • Отслеживание активов
  • Контроль состояния
  • Управление цепочками поставок
  • Мониторинг соответствия
  • Профилактическое обслуживание

Прогностическое обслуживание

Защита и продление срока службы промышленных активов, таких как системы отопления, вентиляции и кондиционирования воздуха, электрогенераторы и ветряные турбины, зависят от профилактического обслуживания. Глобальные технологические предприятия могут сэкономить миллионы и выполнять процедуры обслуживания только при необходимости с помощью датчиков и технологий IoT.

Простое устройство IoT может отслеживать основные показатели производительности в режиме реального времени и отправлять оповещения в тот момент, когда что-то происходит. Это означает, что операторы могут устранять неисправности до того, как они станут более серьезными проблемами, и более эффективно планировать время простоя.

Обнаружение аномалий для профилактического обслуживания

Способность прогнозировать неизвестное в различных типах данных IoT в настоящее время хорошо известна, и раннее обнаружение обычно высоко ценится с точки зрения денег, ожидаемой продолжительности жизни и/или времени. А вот с этим есть трудности! Поскольку доступные данные часто немаркированы, трудно определить, были ли предыдущие сигналы аномальными или типичными. В результате мы ограничены использованием неконтролируемых моделей, которые рассматривают исключительно регулярное функционирование для прогнозирования разрушительных событий.

Это называется "обнаружением аномалий" в области механического обслуживания. Турбины, роторы, химические реакции, медицинские сигналы, спектроскопия и другие источники данных — это лишь несколько примеров того, что можно использовать для обнаружения аномалий без присмотра.

Аномалии как неожиданные события можно разделить на две категории; динамические, также называемые коллективными аномалиями, и статические, также называемые точечными аномалиями.

Динамическая аномалия. Динамическая аномалия возникает как совокупность точек данных с течением времени. Например, когда ротор медленно изнашивается, одно из измерений может постепенно меняться, пока в конце концов ротор не сломается.

Статическая аномалия.Статическая аномалия – это нераспознанный шаблон, который отличается от своих соседей. Как случайное неизвестное сердцебиение посреди серии стандартных нормальных сердечных сокращений во время сеанса ЭКГ.

Мы будем использовать Knime для обнаружения аномалий для профилактического обслуживания. Обнаружение аномалий для профилактического обслуживания будет состоять из двух частей.

1. Исследовательский анализ данных.

2. Построение авторегрессионных моделей.

В этой части мы увидим, как читать данные и предварительно обрабатывать их с помощью KNIME. Итак, давайте посмотрим на наши данные,

Данные временных рядов Интернета вещей

Данные состоят из 28 предварительно обработанных файлов данных с быстрым преобразованием Фурье (FFT) от 28 датчиков, которые контролируют 8 частей механического ротора. В таблице перечислены механические элементы, контролируемые датчиками.

Быстрое преобразование Фурье (БПФ) – это алгоритм, вычисляющий (ДПФ) последовательности или ее обратный (ИДПФ). Анализ Фурье преобразует сигнал из его исходной области (часто временной или пространственной) в представление в частотной области и наоборот.

Есть 28 файлов от 28 различных датчиков, как показано на рисунке ниже. Текстовые файлы используются для хранения данных.

Мы должны получить вывод, как показано на изображении выше. Источник данных анонимный. Вы можете скачать файл AnomalyDetectionFullDataSet.zip по этой ссылке.

В извлеченной таблице значения амплитуд относятся к дате и полосе частот одного датчика. Полосы частот 28 датчиков составляют всего 313 отдельных столбцов!

За финальным столом можно наблюдать с двух разных точек зрения:

  1. Временной ряд спектральных амплитуд в одной полосе частот

2. Вектор спектральных амплитуд в полосах частот, изменяющийся во времени.

Мы должны предварительно обработать данные, прежде чем сможем их преобразовать. Во время предварительной обработки время и частота должны быть стандартизированы. Метод использования Knime для чтения каждого файла из каталога и преобразования его в нужный формат приведен ниже.

Элементы разрешения по частоте представляют собой интервалы между выборками в частотной области.

Первые две строки выглядят так, потому что мы применили соединительный узел на предыдущем шаге.

Новая переменная потока column0 была добавлена ​​после выполнения этого узла.

Примечание. Цикл выполняется не полностью.

После полной обработки цикла вывод будет аналогичен показанному на изображении ниже.

Итак, до сих пор мы видели этапы чтения и предварительной обработки данных. Для загрузки рабочего процесса. В следующей части мы увидим:

Исследовательский анализ данных и построение моделей авторегрессии для обнаружения аномалий.

Я надеюсь, что эта статья была информативной и предоставила вам необходимую информацию. Если во время чтения блога у вас возникнут вопросы, связанные с Knime Analytics, машинным обучением и документацией по глубокому обучению, напишите мне в Instagram или LinkedIn. Особые благодарности стажерам моей команды: Шреяс, Сиддхид, Урви, Кишан, Пратик

Спасибо…