智能产品平台中的机器学习：预测性维护展示使未来主题变得切实可行

[suchona.kani.z]

预测性维护是机器和系统预测性维护的创新方法，目前正在彻底改变该行业。这项先进技术利用来自物联网 (IoT) 的机器数据和（改造）传感器，有望减少维护工作、大幅减少计划外停机时间并提高系统效率。预测性维护基于对从物联网传感器和其他来源收集的实时（时间序列）数据的分析。这些数据使用先进的算法进行处理，以在早期阶段识别机器中的潜在问题或磨损迹象。这意味着维护工作不再需要按照严格的时间表进行，而是在实际相关时进行。

在这种情况下，我们经常谈论检测时间序列中的异常。但问题实际上出现了：这实际上意味着什么——它是如何运作的？这篇博文介绍了分析时间序列数据和检测异常的方法。您还将了解如何将算法成功集成到智能产品平台中。

时间序列分析和异常检测简介
简而言之，时间序列中的异常是与通常预期不同的数据点或 澳大利亚 whatsapp 数据​ 模式。异常检测的任务是发现这些异常情况。然而，在实践中，这个任务并不那么容易完成，因为可能会出现各种类型的异常，我们将在下面简要介绍。

时间序列中的异常可以有不同的形式。更深入地了解这些类别有助于更好地分析异常检测结果。一方面，个别异常值可能会显示为异常，另一方面，您还要处理可以识别为异常的整个模式。在此范围内，个体异常可分为两大类：全局异常和上下文异常。

全局异常是与时间序列中所有其他数据点显着不同的数据点。相反，上下文异常是那些局部偏离特定模式的异常。

此外，还有集体异常现象。这是一组数据点，代表特定时间段内的变化。

第一张图显示了不同类型的异常。红点代表单个异常，红色区域代表异常的时间窗口。


图 1：异常类型示例，来源：重新审视时间序列异常值检测：定义和基准

正如已经提到的，异常模式也可以归类为异常。这些根据形状、季节性和趋势进行区分。当时间序列的子序列具有与正常过程不同的基本形状时，就会出现形状异常。一个例子是正弦信号突然变成方波函数。对于季节性异常，时间序列的特定子序列的季节性会发生变化 - 例如，正弦波信号可能在短时间内具有更高的频率。最后，存在趋势异常，其中时间序列的形状和季节保持不变，但时间序列在子序列中的偏移发生变化或斜率发生变化。这会导致数据平均值出现偏差。第二张图中显示了形状、季节和趋势异常，其中红色区域也代表异常的时间窗口。