4 stappen voor het afleiden van acties uit IoT-gegevens

Tegenwoordig genereren apparaten meer IoT-gegevens dan sociale netwerken. Elk apparaat kan meerdere keren per seconde data versturen. Met miljoenen verbonden apparaten kan een typisch gegevensverwerkingsplatform nodig zijn om elke dag miljarden van dergelijke inkomende gebeurtenissen af ​​te handelen.

Hoewel het verwerken van deze hoeveelheid gegevens duidelijk een aanzienlijke en zeker geen triviale technologische uitdaging is, is het duidelijk dat de apparaatgegevens zelf - zelfs wanneer ze in een voorverwerkte vorm worden opgeslagen - niet iets zijn waar actie op kan worden ondernomen. Om bruikbare inzichten te krijgen, moeten de verzamelde gegevens worden geanalyseerd.

Een type taak dat effectief kan worden aangepakt met data-analyse in het IoT is detectie van afwijkingen . Het doel is om ongebruikelijk gedrag in verbonden apparaten te identificeren dat aanzienlijk afwijkt van wat eerder is waargenomen of van wat wordt verwacht.

Bron:Bosch.IO

Is alles in orde met mijn aangesloten grasmaaiers?

Laten we eens kijken naar een voorbeeld uit een van onze anomaliedetectieprojecten. We hebben onze algoritmen toegepast op een vloot van autonome grasmaaiers (ALM's). Met behulp van een van onze Bosch IoT Analytics-services kunnen afwijkingen worden berekend voor deze vloot van IoT-compatibele grasmaaiers gedurende het maaiseizoen. Hiervoor bevatten de gebruikte gegevens status- en foutmeldingen die van de in gebruik zijnde grasmaaiers naar de backend in de cloud worden gestuurd.

Laten we aannemen dat onze service elke week wordt geconfigureerd om de top tien anomalieën in deze gegevens te identificeren. Grasmaaiers die herhaaldelijk in de lijst met topafwijkingen verschijnen, kunnen automatisch worden gemarkeerd en georganiseerd in een lijst. Servicepersoneel en/of kwaliteitsmanagers kunnen deze dan handmatig inspecteren. Bovendien kunnen de resultaten van de anomaliedetectie worden geanalyseerd op significante patronen en gegroepeerd in categorieën van incidenten.

Bepaalde statuspatronen en foutmeldingen kunnen bijvoorbeeld een indicatie zijn dat de firmware van individuele maaiers moet worden bijgewerkt of dat de maaiers niet goed zijn ingesteld. Door de waargenomen patronen in categorieën te groeperen, kunnen oplossingsstrategieën - d.w.z. specifieke acties - eraan worden gekoppeld en automatisch worden geactiveerd wanneer de patronen in de gebeurtenisgegevens opduiken. Dit kan resulteren in het actief pushen van de nieuwste firmware op de betrokken maaier, of het proactief contact opnemen met de klant (mits deze toestemming heeft gegeven) om ondersteuning te bieden van een servicemonteur. Dit zijn manieren om de klanttevredenheid te verhogen.

Bron:Bosch.IO

Hoe detecteert u afwijkingen in uw apparaatgegevens?

Data-analyse – en anomaliedetectie in het bijzonder – is niet één procedure, maar eerder een verzamelnaam voor een aantal algoritmen en transformaties die erop gericht zijn impliciete kennis te extraheren die verborgen is in de data. Er zijn veel verschillende soorten anomalieën en veel verschillende probleemdomeinen met hun specifieke gegevens en probleemformuleringen.

Het proces van gegevensanalyse omvat veel stappen en maakt gebruik van heel verschillende technologieën - van formaattransformaties tot geavanceerde algoritmen voor machine learning en de constructie van waardevolle visualisaties. Een proces voor gegevensanalyse omvat doorgaans de volgende stappen:

Stap 1:Apparaatgegevens beschikbaar maken

Nadat uw apparaten zijn aangesloten, moeten de gegevens die door deze apparaten worden verzonden, via verschillende kanalen worden overgedragen en vervolgens consistent worden opgeslagen in een database voordat ze kunnen worden verwerkt.

Stap 2:Apparaatgegevens voorverwerken

In het algehele analyseproces kunnen verschillende gegevensvoorverwerkingstaken de meeste problemen veroorzaken. Daarom is het belangrijk om een ​​technologie te kiezen of te ontwikkelen voor het efficiënt ontwikkelen en uitvoeren van dergelijke scripts. Deze stap is bedoeld om veel problemen op te lossen, zoals het opschonen van gegevens en het genereren van domeinspecifieke functies. Het wordt vaak data-ruzie genoemd, wat wordt gedefinieerd als iteratieve gegevensverkenning en -transformatie om analyse mogelijk te maken.

Stap 3:Apparaatgegevens analyseren

Deze processtap is gericht op het vinden van afwijkingen in de invoergegevens, terwijl een geschikt datamining-algoritme wordt gekozen en de parameters worden verfijnd.

Stap 4:Apparaatgegevens visualiseren

Last but not least moeten de data gevisualiseerd worden voor de eindgebruiker. Daarbij is het belangrijk om visuele technieken te kiezen die passen bij de taak die wordt opgelost en het betreffende probleemdomein.

Bron:Bosch.IO Bron:Bosch.IO

Het detecteren van anomalieën is slechts een eerste stap in de richting van complexere toepassingen van IoT-analyse, zoals voorspellend onderhoud. Zodra apparaten die zich abnormaal gedragen zijn geïdentificeerd, moeten ze worden onderzocht door domeinexperts en worden ingedeeld in probleemklassen. Indien mogelijk moet informatie over de oplossing van het probleem ook worden geannoteerd. Door onderhoudsinformatie samen te stellen en samen te voegen met deze gegevens en de analyseresultaten, kan een schone en rijke dataset worden opgebouwd. Deze dataset kan op zijn beurt worden gebruikt om een ​​voorspellingsmodel te bouwen van het type dat nodig is voor oplossingen voor voorspellend onderhoud.

Bovendien brengen deze anomaliedetectieresultaten niet alleen problemen aan het licht, maar kunnen ze domeinexperts ook wijzen op nieuwe (zakelijke) kansen. Als specifieke anomalieën op een systematische manier op verschillende apparaten verschijnen, kan dit een indicatie zijn dat een bepaalde functie ontbreekt. In het geval van de autonome grasmaaiers kunnen systematische afwijkingen in een subgroep worden veroorzaakt door een herhaald patroon van speciale topografie in de tuinen die worden gemaaid. Daarom kunnen deze een algoritmische toevoeging voor de grasmaaier vereisen die als geavanceerde functionaliteit kan worden verkocht.

We hebben onlangs een whitepaper gepubliceerd over "Anomaliedetectie met gebeurtenisgegevens in het internet der dingen" die veel belangstelling wekte. Het richt zich op de uitdagingen en best practices voor de bovengenoemde verwerkingsstappen en omvat observaties die ik heb gemaakt in verschillende data-analyseprojecten.

Witboek downloaden