生產(chǎn)管理學中著名的“海恩法則”指出: 每一起嚴重事故的背后，必然有29次輕微事故和300起未遂先兆以及1000起事故隱患。經(jīng)分析，相當多的惡性事故發(fā)生前，現(xiàn)場的傳感器數(shù)據(jù)都表現(xiàn)出了明顯的異常，完全可以通過監(jiān)測、報警等方式及時預警并啟動預案，防患于未然。本文結(jié)合個人實踐經(jīng)驗，主要從監(jiān)督學習與異常檢測這兩種視角看待問題，嘗試在適當?shù)募俣ㄏ陆鉀Q之。監(jiān)督學習視角如果數(shù)據(jù)容易標記，可以標記到時間窗，做有監(jiān)督學習分類模型。這里分為兩種方式：第一種是傳統(tǒng)特征工程設(shè)計，將生成的特征輸入到機器學習模型中。工業(yè)場景中常見的數(shù)據(jù)不平衡、樣本量小、過擬合等問題，都應(yīng)納入基本考量。
第二種是：用NN模型直接進行序列分類。值得一提的是，LSTM-FCN和ALSTM-FCN在序列信號進行分類的任務(wù)中表現(xiàn)出很好的效果。在許多工業(yè)場景中，手工設(shè)計特征需要工業(yè)領(lǐng)域甚至是特定工藝的深入業(yè)務(wù)理解，要設(shè)計基本統(tǒng)計、功率譜參數(shù)、業(yè)務(wù)衍生等多層次特征。特別是業(yè)務(wù)衍生特征，如果現(xiàn)場工程師提供了一個超強的特征（即magic feature），例如某真空蒸發(fā)器在同時出現(xiàn)負壓超過68kPa，溫度超過90℃的情況下極易致使損壞，那么該真空蒸發(fā)器的預警建模難度就會大大降低。樹模型給出的特征重要度可為特征提供優(yōu)良的可解釋性，對異常追根溯源有很好的指導作用。
深度學習的優(yōu)點是端到端的快速解決問題，繞過了成本高昂的特征工程，極大降低了業(yè)務(wù)知識門檻，而缺點是與之俱來的可解釋性問題。好消息是機器學習正朝著更高的易用性、更低的技術(shù)門檻、更敏捷的開發(fā)成本的方向去發(fā)展，Auto-ML極大減少了手工工作，其中自動化特征工程旨在自動創(chuàng)建候選特征。在時序數(shù)據(jù)分類問題上，使用tsfresh可以自動抽取超過100個特征子集（每個特征子集根據(jù)參數(shù)設(shè)置包含一個或多個特征）。
為了避免提取無關(guān)的功能，tsfresh具有內(nèi)置的過濾過程，這一過程評估每個特征的解釋能力和重要性。我們也可使用標準的Filter、Wrapper、Embedded。有時樣本的標記成本高，我們可以使用半監(jiān)督學習的方法--使用協(xié)同學習 (co-training)，用有標記的數(shù)據(jù)迭代生成偽標記。
異常檢測視角接下來讓我們從異常檢測的視角去審視同樣的問題，這里的異常表示廣義的故障，即過程中至少一個特征或變量發(fā)生異常偏離。我們經(jīng)常面對樣本沒有標記或標記主觀差異性大的現(xiàn)實，可以說，無監(jiān)督學習或者基于統(tǒng)計的離群點檢測是工作的重點。一般來說“異?！睌?shù)據(jù)內(nèi)含2個假定：1.具有某種比例稀少的特征。2.最少在某個隱空間中，與其他數(shù)據(jù)是A與A-bar（只有落在某區(qū)域才正常）或者A、B、C、D（異常數(shù)據(jù)自成一類）這樣的關(guān)系。
圖 正常數(shù)據(jù)與異常數(shù)據(jù)的兩種關(guān)系下面介紹幾類效果較好的異常檢測算法的原理及其適用場景。一、基于統(tǒng)計的方法在某個序列不含多個模式的時候，（舉例）我們姑且默認某個數(shù)據(jù)分布近似正態(tài)分布，在1、2、3倍標準差內(nèi)會有68%、95%、99%的數(shù)據(jù)，我們稍微放寬對分布的假設(shè)，可以想到箱線圖。考慮把上下觸須作為數(shù)據(jù)分布的邊界，任何超過內(nèi)限（或者外限）數(shù)據(jù)點都可以認為是離群點或異常值。
在實踐中，應(yīng)當注意“訓練數(shù)據(jù)”的正常性，如果在適用一維GMM的數(shù)據(jù)（例如有開車、停車兩種模式的電流測點數(shù)據(jù)）上使用該方法，效果應(yīng)該不會很理想。二、基于距離的方法基于距離的方法同樣是忽略了時序，只不過對象從單個測量值變成了時窗，在做完特征構(gòu)建后，每個時窗都投射成了高維空間中的點。用簡單的K近鄰就可以很好地進行異常檢驗，前提是我們構(gòu)造特征空間的過程是合適的。一個樣本點和它的第k個近鄰的距離（或平均距離）就可以被當做score，顯然異常點的score比較大。同樣，具有噪聲的基于密度的聚類方法（DBSCAN）和局部離群因子檢測方法( LOF)通過計算數(shù)據(jù)密度來檢測異常。當然，這同樣要求在特征空間異常點所在空間的數(shù)據(jù)點少，密度低。孤立森林（IF）的原理也有異曲同工之妙，它假定遠離主流樣本的點可以被更少的超平面分離。
除這些方法外，也可以直接對樣本的協(xié)方差矩陣分析，把樣本的馬氏距離看作樣本點的異常度。三、基于重建誤差如果我們能標記或取得一些正常樣本點，我們可以用“有罪推定”的想法，即“不像好的，那就是壞的”，利用重建誤差做異常檢測。在工業(yè)生產(chǎn)中，取正常樣本是較為簡單的事。假設(shè)數(shù)據(jù)在低維空間上有嵌入，那么在低維空間投射后表現(xiàn)不好的數(shù)據(jù)點就可以認為是異常點。具體來說，PCA找到k個特征向量，計算每個樣本再經(jīng)過這k個特征向量投射后的重建誤差，正常點的重建誤差應(yīng)小于異常點。
圖 基于PCA的重構(gòu)數(shù)據(jù)計算利用同樣的思想，我們也可以用自動編碼器（AE）/GAN實現(xiàn)，基本上假設(shè)是異常點服從不同的分布。根據(jù)正常數(shù)據(jù)訓練出來的AE，能夠?qū)⒄颖局亟ㄟ€原，但是卻無法將異于正常分布的數(shù)據(jù)點較好地還原，重建誤差較大。在LSTM-GAN中，以 LSTM 為基本模型來捕獲時間上的依賴關(guān)系，并將其嵌入到 GAN 的框架中，利用 GAN 的生成器和判別器來檢測異常，利用判別器得到判別損失，利用生成器得到重建的損失。
四、基于時間序列預測在工業(yè)場景中考慮時序的異常檢測，與客流量預測、網(wǎng)絡(luò)KPI異常檢測等不太一樣，因為很多測點的劇烈升降是客觀的操作行為，我們可以結(jié)合監(jiān)督學習過濾掉這些手動操作產(chǎn)生的錯誤告警。一般來說，考慮時序的異常檢測可以分為對比與預測這兩大類的方法。對比方法指的是移動平均、絕對偏差等方法，這類方法用時序上最近的若干數(shù)據(jù)點做樣本，和一個總體序列進行比對，不同的只是比對的對象。計算后常用殘差的標準差判定異常。
預測方法包含統(tǒng)計上的分解方法、其他可用于時序預測的ML模型。這類方法實際上是預測某個時間點的數(shù)值，再衡量這個時間點的真實值與預測值的差值是否超過給定閾值，從而判定異常。其中，STL會把時間序列分解為趨勢項、季節(jié)項和余項。這種方法該方法的優(yōu)點在于其簡單性和健壯性。
同樣，我們也可使用LSTM等模型得到預測序列，之后可用使用格拉布斯法判斷殘差值。
五、預警上下限/預警帶在很多工業(yè)監(jiān)測平臺上，都標配預警上下限/預警帶功能，這一功能直觀且具有兜底能力，工廠管理人員與技術(shù)人員對此接受程度很高。
1. 只能針對一種工況，即使只有“開車/停車”，也只能設(shè)置-0.2-9.7這種包含兩種模式大部分數(shù)據(jù)的預警帶；結(jié)合基于距離、時間序列的一些方法，我們優(yōu)化了預警帶的效果。針對不同的工況，模型會給出特定的預警帶，實現(xiàn)了更準確的監(jiān)控，順便也完成了不同工況生產(chǎn)的數(shù)據(jù)統(tǒng)計。
未來展望故障監(jiān)測、預測的解決方案與實施路徑是很多的，在探索這些問題的同時，還可以結(jié)合壽命預測與維修決策共同研究：1. 通過不同類型異常事件與設(shè)備壽命的建模，可以做基于預測信息的細化設(shè)備健康管理研究。2. 工廠中有大量手工填寫的維修記錄表，如果可以做好基于NLP的粗糙故障信息知識表示與故障信息挖掘研究，有望形成故障樹或者其他形式的智能維修決策。工業(yè)場景中，我們探索如何從傳感器數(shù)據(jù)中提取有價值的信息，工廠的數(shù)字化使得企業(yè)能夠?qū)⑷肆劢褂诩兇獾纳a(chǎn)。智能化的預知故障能夠及時發(fā)現(xiàn)早期故障及隱患，減少繼發(fā)性事故及惡性事故發(fā)生，對安全生產(chǎn)具有重要意義。18個行業(yè)，106個中國大數(shù)據(jù)應(yīng)用最佳實踐案例： （1）《贏在大數(shù)據(jù):中國大數(shù)據(jù)發(fā)展藍皮書》； 免費試讀：https://item.jd.com/12058569.html （2）《贏在大數(shù)據(jù):金融/電信/媒體/醫(yī)療/旅游/數(shù)據(jù)市場行業(yè)大數(shù)據(jù)應(yīng)用典型案例》； 免費試讀：https://item.jd.com/12160046.html （3）《贏在大數(shù)據(jù):營銷/房地產(chǎn)/汽車/交通/體育/環(huán)境行業(yè)大數(shù)據(jù)應(yīng)用典型案例》； 免費試讀：https://item.jd.com/12160064.html （4）《贏在大數(shù)據(jù):政府/工業(yè)/農(nóng)業(yè)/安全/教育/人才行業(yè)大數(shù)據(jù)應(yīng)用典型案例》。 免費試讀：https://item.jd.com/12058567.html
|
