Промышленное производство
Промышленный Интернет вещей | Промышленные материалы | Техническое обслуживание и ремонт оборудования | Промышленное программирование |
home  MfgRobots >> Промышленное производство >  >> Industrial Internet of Things >> Интернет вещей

Четыре проверенных шага превращения IoT-данных в действенные инсайты

Сегодня повседневные IoT-устройства генерируют больше данных, чем все соцсети вместе. Каждое устройство может передавать данные несколько раз в секунду, так что типичная аналитическая платформа может обрабатывать миллиарды событий ежедневно.

Обработка такого объёма — существенный технический вызов, но сырой девайс-данные — однажды хранящиеся в предобработанном формате — не напрямую действенны. Извлечение ценности требует тщательного анализа.

Ключевая аналитическая цель в IoT — детекция аномалий, идентифицирующая поведение устройств, резко отклоняющееся от исторических паттернов или ожидаемых норм.

Четыре проверенных шага превращения IoT-данных в действенные инсайты
Источник: Bosch.IO

Ваши автономные газонокосилки работают гладко?

В одном из наших anomaly-detection пилотов мы мониторили флот автономных газонокосилок (ALM). Используя Bosch IoT Analytics, мы вычисляем аномалии по флоту каждый сезон коски. Датасет включает статус и ошибки, посланные косилками в наш облачный бэкенд.

Сконфигурированный на выявление топ-10 аномалий еженедельно, сервис флагает косилки, повторно появляющиеся в списке. Сервисный персонал и менеджеры качества могут затем ревьюить их вручную. Агрегируя паттерны аномалий, мы можем классифицировать инциденты в действенные категории.

Например, повторяющиеся паттерны состояний и ошибок могут сигнализировать, что firmware-апдейты overdue или косилки были misconfigured. Группируя эти паттерны, мы можем маппить каждый к конкретному решению — автоматически пуша firmware, или проактивно контактируя клиентов (с согласием) для предложения техподдержки — улучшая удовлетворённость.

Четыре проверенных шага превращения IoT-данных в действенные инсайты
Источник: Bosch.IO

Как мы детектируем аномалии в данных устройств?

Дата-анализ, и детекция аномалий в частности, охватывает семейство алгоритмов и трансформаций, спроектированных для раскрытия скрытых инсайтов. Типы аномалий и проблемные домены широко варьируются, требуя tailored подходов.

Типичный дата-аналитический воркфлоу включает несколькоISTINCT стадий, от инжеста данных до sophisticated ML-моделей и инсайтфул визуализаций.

Шаг 1: Инжест устройств данных

После подключения устройств, данные, которые они генерируют, должны быть переданы через различные каналы и консистентно сохранены в базе до обработки.

Шаг 2: Data Wrangling & Feature Engineering

Дата-препроцессинг — часто называемый data wrangling — адресует многие вызовы. Он включает очистку данных, генерацию domain-specific фичей и итеративную эксплорацию для энаблинга downstream-анализа.

Шаг 3: Детекция аномалий

Эта стадия фокусируется на локализации аномалий во входных данных путём выбора подходящего data-mining алгоритма и fine-tuning его параметров.

Шаг 4: Визуализация данных

Финально, результаты должны быть визуализированы для энд-юзеров. Селекция визуальных техник, матчинг таск и домен, критична для чистой интерпретации.

Четыре проверенных шага превращения IoT-данных в действенные инсайты
Источник: Bosch.IO
Четыре проверенных шага превращения IoT-данных в действенные инсайты
Источник: Bosch.IO

Идентификация аномалий — первый этап к advanced IoT-аналитике, такой как предиктивное обслуживание. Однажды аномальные устройства зафлажены, доменные эксперты ревьюят и классифицируют их, добавляя детали ремедиации. Мержинг этого знания с сырой датой даёт богатый датасет для построения предиктивных моделей.

Помимо флагинга проблем, инсайты аномалий могут раскрывать новые бизнес-возможности. Системные аномалии через девайсы могут указывать на отсутствующие фичи или terrain-специфические вызовы. Для ALM повторяющиеся паттерны в подмножестве садов могут указывать на нужду в terrain-адаптивном алгоритме, который мог бы быть упакован как премиум-фича.

Наш недавний white paper Anomaly Detection with Event Data in the Internet of Things обозначил вызовы и лучшие практики для каждого шага обработки, опираясь на инсайты из множества аналитических проектов.

Скачать white paper

Интернет вещей

  1. Как страховщики здоровья могут принять IoT за три стратегических шага
  2. Будущий взгляд: продвижение Industrial IoT для производственного превосходства
  3. Новые тренды в IoT-платформах на 2018: Периферийные вычисления, блокчейн и другое
  4. Раскрытие силы визуальных данных в IoT-экосистеме
  5. От Edge к Cloud: мастерство IoT data pipelines
  6. Готово ли ваше производство к IoT? Практическое руководство
  7. Защита глобального IoT: три обязательных шага
  8. Превращение данных IoT в бизнес-ценность: практическое руководство
  9. Топ-3 вызова конфиденциальности данных, которые предприятия должны преодолеть (2021‑23)
  10. Интернет вещей: катализатор бизнес-результатов, а не отдельный рынок