从 IoT 数据推导出操作的 4 个步骤

如今，设备生成的物联网数据比社交网络多。每个设备每秒可以发送数次数据。由于连接了数百万台设备，因此每天可能需要一个典型的数据处理平台来处理数十亿个此类传入事件。

尽管处理如此大量的数据显然是一个相当大且绝不是微不足道的技术挑战，但很明显，设备数据本身——即使以预处理的形式存储——也不是可操作的。要获得切实可行的见解，必须对收集的数据进行分析。

可以通过物联网中的数据分析有效解决的一类任务是异常检测 .其目标是识别连接设备中与之前观察到的或预期的显着不同的异常行为。

资料来源：Bosch.IO

我连接的割草机一切都好吗？

让我们看一个取自我们的异常检测项目的示例。我们将我们的算法应用于一组自动割草机 (ALM)。使用我们的一项博世物联网分析服务，可以计算这支支持物联网的割草机车队在割草季节的异常情况。为此，使用的数据包含从正在使用的割草机发送到云端后端的状态和错误消息。

假设每周，我们的服务都配置为识别此数据中的前十个异常。重复出现在顶级异常列表中的割草机可以自动标记并组织在列表中。然后服务人员和/或质量经理可以手动检查它们。此外，可以对异常检测的结果进行分析以找出重要的模式并将其分组到事件类别中。

例如，状态和错误消息的特定模式可以指示单个割草机的固件需要更新，或者割草机没有正确设置。通过将观察到的模式分组，解决方案策略（即特定操作）可以与它们相关联，并在模式出现在事件数据中时自动触发。这可能会导致在受影响的割草机上主动推送最新固件，或主动联系客户（前提是他们已同意）以提供服务技术人员的支持。这些都是提高客户满意度的方法。

资料来源：Bosch.IO

您如何检测设备数据中的异常情况？

数据分析——尤其是异常检测——不是一个过程，而是许多旨在提取隐藏在数据中的隐性知识的算法和转换的通用名称。有许多不同类型的异常和许多不同的问题域，它们具有特定的数据和问题表述。

数据分析的过程涉及许多步骤并使用完全不同的技术——从格式转换到复杂的机器学习算法以及有价值的可视化的构建。通常，数据分析过程包括以下步骤：

第 1 步：使设备数据可用

连接您的设备后，这些设备发送的数据必须通过各种渠道传输，然后一致地存储在数据库中，然后才能进行处理。

第 2 步：预处理设备数据

在整个分析过程中，各种数据预处理任务可以解释大部分的困难。这就是为什么选择或开发一种技术来有效开发和执行此类脚本很重要的原因。此步骤旨在解决许多问题，例如数据清理和特定领域特征的生成。它通常被称为数据整理，它被定义为迭代数据探索和转换以实现分析。

第 3 步：分析设备数据

此过程步骤侧重于在输入数据中发现异常，同时选择合适的数据挖掘算法并对其参数进行微调。

第 4 步：可视化设备数据

最后但并非最不重要的一点是，必须为最终用户可视化数据。在此过程中，重要的是选择适合所解决的任务和相应问题域的视觉技术。

资料来源：Bosch.IO 资料来源：Bosch.IO

检测异常只是迈向更复杂的物联网分析用例（例如预测性维护）的第一步。一旦发现行为异常的设备，领域专家就需要对其进行探索，并将其归类为问题类别。如果可能，还应注释问题解决方案信息。编译维护信息并将其与这些数据和分析结果合并，可以构建一个干净而丰富的数据集。反过来，该数据集可用于构建预测性维护解决方案所需类型的预测模型。

此外，这些异常检测结果不仅可以突出问题，还可以为领域专家指出新的（商业）机会。如果特定的异常以系统的方式出现在不同的设备中，则可能表明缺少某个功能。在自动割草机的情况下，出现在一个子组中的系统异常可能是由被割草的花园中特殊地形的重复模式引起的。因此，这些可能需要用于割草机的算法插件，该插件可以作为高级功能出售。

我们最近发表了一份关于“物联网中的事件数据异常检测”的白皮书，引起了很多人的兴趣。它侧重于上述处理步骤的挑战和最佳实践，并包括我在各种数据分析项目中的观察。

下载白皮书