4 шага для получения действий из данных IoT

Сегодня устройства генерируют больше данных IoT, чем социальные сети. Каждое устройство может отправлять данные несколько раз в секунду. При наличии миллионов подключенных устройств может потребоваться типичная платформа обработки данных, чтобы ежедневно обрабатывать миллиарды таких входящих событий.

Несмотря на то, что обработка такого количества данных, очевидно, представляет собой значительную и отнюдь не тривиальную технологическую задачу, ясно, что сами данные устройства - даже если они хранятся в предварительно обработанной форме - не являются чем-то действенным. Чтобы получить полезную информацию, необходимо проанализировать собранные данные.

Одним из типов задач, которые можно эффективно решить с помощью анализа данных в IoT, является обнаружение аномалий . . Его цель - выявить необычное поведение подключенных устройств, которое значительно отличается от того, что наблюдалось ранее, или от ожидаемого.

Источник:Bosch.IO

Все ли в порядке с моими подключенными газонокосилками?

Давайте посмотрим на пример, взятый из одного из наших проектов по обнаружению аномалий. Мы применили наши алгоритмы к парку автономных газонокосилок (ALM). С помощью одного из наших сервисов Bosch IoT Analytics можно рассчитать аномалии для этого парка газонокосилок с поддержкой Интернета вещей в течение сезона кошения. Для этой цели используемые данные содержат сообщения о состоянии и ошибках, отправленные от используемых газонокосилок на серверную часть в облаке.

Предположим, что каждую неделю наш сервис настроен на определение десяти основных аномалий в этих данных. Газонокосилки, которые постоянно появляются в списке основных аномалий, могут быть автоматически отмечены и организованы в список. После этого обслуживающий персонал и / или менеджеры по качеству могут проверить их вручную. Кроме того, результаты обнаружения аномалий могут быть проанализированы на предмет значимых закономерностей и сгруппированы по категориям инцидентов.

Например, определенные шаблоны сообщений о состоянии и ошибках могут указывать на то, что микропрограммное обеспечение отдельных косилок требует обновления или что косилки не были настроены должным образом. Группируя наблюдаемые закономерности по категориям, стратегии решения - то есть конкретные действия - могут быть связаны с ними и запускаться автоматически всякий раз, когда закономерности возникают в данных события. Это может привести к активной установке последней версии прошивки на затронутую газонокосилку или упреждающему обращению к клиенту (при условии, что он дал свое согласие), чтобы предложить поддержку от специалиста по обслуживанию. Это способы повысить удовлетворенность клиентов.

Источник:Bosch.IO

Как вы обнаруживаете аномалии в данных вашего устройства?

Анализ данных - и, в частности, обнаружение аномалий - это не одна процедура, а, скорее, общее название для ряда алгоритмов и преобразований, направленных на извлечение неявных знаний, скрытых в данных. Существует множество различных типов аномалий и множество различных проблемных областей с их конкретными данными и формулировками проблемы.

Процесс анализа данных включает в себя много шагов и использует совершенно разные технологии - от преобразования формата до сложных алгоритмов машинного обучения и построения ценных визуализаций. Обычно процесс анализа данных включает следующие этапы:

Шаг 1. Доступ к данным устройства

После подключения ваших устройств данные, отправленные этими устройствами, должны быть переданы по различным каналам, а затем последовательно сохранены в базе данных, прежде чем их можно будет обработать.

Шаг 2. Предварительная обработка данных устройства

В общем процессе анализа различные задачи предварительной обработки данных могут составлять большинство трудностей. Вот почему так важно выбрать или разработать технологию для эффективной разработки и выполнения таких скриптов. Этот шаг предназначен для решения многих проблем, таких как очистка данных и создание специфичных для домена функций. Это часто называют обработкой данных, которая определяется как итеративное исследование и преобразование данных для проведения анализа.

Шаг 3. Анализ данных с устройства

На этом этапе процесса основное внимание уделяется поиску аномалий во входных данных при выборе подходящего алгоритма интеллектуального анализа данных и точной настройке его параметров.

Шаг 4. Визуализация данных устройства

И последнее, но не менее важное:данные должны быть визуализированы для конечного пользователя. При этом важно выбрать визуальные приемы, соответствующие решаемой задаче и соответствующей проблемной области.

Источник:Bosch.IO Источник:Bosch.IO

Обнаружение аномалий - это лишь первый шаг к более сложным сценариям использования аналитики Интернета вещей, таким как профилактическое обслуживание. После того, как устройства, которые ведут себя аномально, были идентифицированы, они должны быть исследованы экспертами в предметной области и классифицированы по классам проблем. По возможности следует также аннотировать информацию о решении проблемы. Сбор информации об обслуживании и объединение ее с этими данными и результатами анализа позволяет создать чистый и богатый набор данных. В свою очередь, этот набор данных можно использовать для построения модели прогнозирования того типа, который требуется для решений по профилактическому обслуживанию.

Более того, эти результаты обнаружения аномалий не только указывают на проблемы, но также могут указывать экспертам в предметной области на новые (бизнес) возможности. Если определенные аномалии систематически проявляются на разных устройствах, это может быть признаком отсутствия определенной функции. В случае автономных газонокосилок систематические аномалии, обнаруживаемые в подгруппе, могут быть вызваны повторяющимся рисунком особого рельефа в скашиваемых садах. Следовательно, для этого может потребоваться алгоритмическое дополнение для газонокосилки, которое можно будет продавать как расширенную функциональность.

Недавно мы опубликовали информационный документ «Обнаружение аномалий с данными о событиях в Интернете вещей», который вызвал большой интерес. В нем рассматриваются проблемы и передовой опыт для вышеупомянутых этапов обработки и включены наблюдения, которые я сделал в различных проектах по анализу данных.

Скачать информационный документ