İstatistiksel Anomali Tespiti

Sert eşikler (örneğin, "Sıcaklık > 100 ise Uyarı Ver") yararlıdır ancak sınırlıdır. Bir makinenin normalden biraz daha fazla titremesi ancak yine de "güvenli" sınırlar içinde kalması gibi ince sorunları tespit etmekte başarısız olurlar.

Standart eşik tabanlı mantık için Görsel Kural Editörü sayfasına bakın.

Proxus Anomali Tespiti, veri akışınızın "normal" taban çizgisini gerçek zamanlı olarak oluşturmak ve sapmaları otomatik olarak işaretlemek için istatistiksel algoritmalar kullanır.

Filtreleme ve Kapsam (Kriterler)

Anomali Tespiti, analiz kapsamını tanımlamak için Kriter İfadesi alanı ile birlikte çalışır.

• Kriter Yok (Boş): Algoritma, bu kuralı hedefleyen cihazlar için gelen veri akışındaki tüm sayısal metrikleri analiz eder.
• Kriterli: Algoritma yalnızca kriterlerle eşleşen veri paketlerinde çalışır. Kriter, bir ön filtre görevi görür.
• Bir paket kriterle eşleşmezse yoksayılır ve istatistiksel modeli etkilemez.
• Eşleşirse, yük değerleri algoritmaya beslenir.

Örnek Kullanım Durumu: Anomalileri yalnızca belirli sensörlerde (örneğin, "Titreşim") tespit etmek için bir kriter filtresi kullanmalısınız:

[Payload][Key = 'Vibration']

Algoritmalar ve Kullanım Durumları

Z-Score (Standart Sapma)

Bir değerin ortalamadan (mean) ne kadar uzakta olduğuna bağlı olarak aykırı değerleri tespit eder. Normal dağılımlı verilere (Çan Eğrisi) sahip kararlı süreçler için en iyisidir.

• Kullanım Durumu: Kontrollü bir temiz odada kararlı sıcaklığın izlenmesi.
• Senaryo: Oda sıcaklığı normalde 22°C ±0.5°C'dir. 24°C'ye ani bir artış, yüksek bir sınırı ihlal etmese bile istatistiksel olarak anlamlıdır.
• Önerilen Ayarlar:
• AnalysisWindow: 100
• ZScoreThreshold: 3.0 (> 3 Sigma sapmasında tetiklenir)

Rolling Median (Hareketli Ortanyan)

Bir pencere üzerindeki medyan değerden sapmayı tespit eder. Rastgele gürültüye/sıçramalara karşı Z-Score'dan daha dayanıklıdır.

• Kullanım Durumu: Ara sıra elektriksel gürültü veya hatalar içeren sensör verileri.
• Senaryo: Bir basınç sensörü 50, 51, 50, 200 (gürültü), 50 okuyor. Medyan ~50 kalır, bu nedenle 200'lük artış taban çizgisini bozmadan anında işaretlenir.
• Önerilen Ayarlar:
• AnalysisWindow: 50
• RollingMedianMultiplier: 2.5

Rate of Change (Değişim Oranı / Hız)

İki ardışık veri noktası arasında bir değerin ne kadar hızlı değiştiğini tespit eder.

• Kullanım Durumu: Sızıntıları veya ani mekanik arızaları tespit etme.
• Senaryo: Bir yakıt tankı seviyesi günler içinde yavaşça azalır. 1 saniyede aniden %5 düşerse, tank hala yarım dolu olsa bile bu bir yırtılmayı gösterir.
• Önerilen Ayarlar:
• RateOfChangeThreshold: 10.0 (Güncelleme başına izin verilen maksimum değişim)

Exponential Moving Average (EMA - Üstel Hareketli Ortalama)

Son verileri eski verilerden daha fazla ağırlıklandırır. Trend kaymalarını (örneğin sürüklenme) tespit etmek için iyidir.

• Kullanım Durumu: Kademeli performans bozulmasına neden olan aşınma ve yıpranmayı tespit etme.
• Senaryo: Bir motorun akım çekişi sürtünme nedeniyle bir saat içinde yavaşça 10A'dan 12A'ya yükselir. EMA bu kaymayı basit bir ortalamadan daha iyi izler.
• Önerilen Ayarlar:
• EmaAlpha: 0.2 (Yeni veri için ağırlık)
• EmaDifferenceMultiplier: 2.0 (Hassasiyet)

Interquartile Range (IQR)

Değerlerin en üst/en alt %25'ini yok sayan sağlam bir aykırı değer tespit yöntemi. Normal olmayan dağılımlar için idealdir.

• Kullanım Durumu: Sık, beklenen operasyonel sıçramalara sahip süreç verileri (örneğin makine başlatma döngüleri).
• Senaryo: Bir paketleme makinesi mühürleme sırasında yüksek güç tüketir (beklenen). IQR bu "normal aralığı" sıçramalar dahil öğrenir, ancak sürekli bir aşırı akımı işaretler.
• Önerilen Ayarlar:
• AnalysisWindow: 200
• IqrMultiplier: 1.5

Moving Average (Hareketli Ortalama)

Ağırlıksız ortalamadan basit sapma.

• Kullanım Durumu: Genel amaçlı yumuşatma ve sapma tespiti.
• Senaryo: Bir taşıma bandı hızının tutarlı kalmasını sağlamak.
• Önerilen Ayarlar:
• AnalysisWindow: 60
• MovingAverageThreshold: 5.0 (Mutlak izin verilen sapma)

Temel Parametreler Açıklaması

Analiz Penceresi (Analysis Window)

İstatistiksel taban çizgisini hesaplamak için bellekte kaç geçmiş veri noktasının tutulacağını tanımlar.

• Varsayılan: 100 nokta.
• Ödünleşim:
• Küçük Pencere (<50): Yeni normlara hızlı tepki verir, ancak yavaş gelişen anomalileri kaçırabilir.
• Büyük Pencere (>200): Çok kararlı taban çizgisi, uzun vadeli sürüklenmeyi tespit etmek için iyidir, ancak kural başına daha fazla bellek tüketir.

Eşikler (Hassasiyet)

Her algoritmanın bir hassasiyet parametresi vardır.

• Düşük Değer: Daha hassas. Küçük sapmalarda uyarı tetikleyebilir.
• Yüksek Değer: Daha az hassas. Yalnızca önemli anomalilerde tetiklenir.