Neu: Die KI-Firewall überwacht die gesamte Plattform und erklärt jeden Vorfall in einfachen Worten. So funktioniert es

Ausreißer in Sensordaten erkennen, ohne die Frühwarnung zu löschen

Das Löschen von Ausreißern kann genau den Ausfall löschen, auf den Sie geachtet haben. Markieren Sie verdächtige Messwerte, trennen Sie Sensorfehler von echter Drift und filtern Sie nur dort, wo die Daten verwendet werden.

Um Ausreißer in Sensordaten zu erkennen, ohne frühe Warnungen zu verlieren, markiert man verdächtige Messwerte, statt sie zu löschen, und ordnet dann jeden einem Sensorfehler oder einer Prozessänderung zu. Sensorfehler zeigen sich als Flatlines, einzelne Spitzen und unmögliche Werte. Echte Anlagenprobleme entwickeln sich eher als Drift, die anhält und auch in einer verwandten Messgröße sichtbar wird.

Viele Ratschläge zu Ausreißern stammen aus der Datenbereinigung, wo das Ziel ein aufgeräumter Datensatz ist. In der Instandhaltung ist der Messwert, der nicht passt, oft genau der, wegen dem der Sensor installiert wurde. Deshalb gilt bei mir zuerst die Regel: Rohwerte bleiben gespeichert, und gefiltert wird dort, wo die Daten verwendet werden.

Wie entfernt man Spitzen aus Sensormesswerten, ohne Daten zu verlieren?

Filtern Sie die Ansicht, nicht den Speicher. Behalten Sie jeden Rohwert, markieren Sie verdächtige Werte und wenden Sie den Filter im Diagramm, im Bericht oder im Alarm an, der sie liest.

Ein gleitender Mittelwert über fünf Messwerte verteilt eine einzelne Spitze von +50 auf fünf Ausgaben, die jeweils um 10 zu hoch sind. Dadurch wird die Spitze zu einem kleinen Hügel, der wie eine echte Änderung aussieht. Ein Median über dieselben fünf Messwerte ignoriert bis zu zwei Ausreißer im Fenster und folgt einer echten Stufe, sobald drei der fünf Messwerte den neuen Wert zeigen.

Die Alarmseite wird unter keeping one bad reading out of your alarms behandelt, die Diagrammseite unter what an hourly average hides.

Wie unterscheidet man einen fehlerhaften Sensor von einer echten Änderung?

Prüfen Sie die Form der Anomalie und kontrollieren Sie eine weitere Messgröße. Sensorfehler haben eigene typische Formen, und eine echte Prozessänderung zeigt sich oft in mehr als einem Signal.

MusterWahrscheinliche UrsacheWas zu prüfen ist
Flatline: derselbe Wert länger als der Prozess es zulässtFesthängender Sensor oder ein Gateway, das nach Verlust des Geräts den letzten Wert wiederholtZeitstempel der Messwerte und der eigene Status des Geräts
Einzelne Spitze, die beim nächsten Messwert verschwunden istElektrisches Rauschen oder eine beschädigte NachrichtOb sich benachbarte Sensoren im selben Moment bewegt haben
Unmöglicher Wert: außerhalb des Messbereichs des Sensors oder der PhysikVerdrahtungsfehler, offener Stromkreis oder ausgefallener SensorDer Messbereich laut Datenblatt des Sensors und die Verkabelung
Stufe zu einem bekannten ZeitpunktSensor ersetzt oder neu kalibriertDas Wartungsprotokoll für dieses Datum
Langsame Drift, die anhältEchter Verschleiß oder Verschmutzung, oder SensordriftEine verwandte Messgröße oder ein zweites Messgerät

Die letzte Zeile ist die, auf die es ankommt. Eine Lagertemperatur, die steigt, während die Schwingung an derselben Maschine zunimmt, deutet auf Verschleiß hin. Derselbe Anstieg bei gleichbleibender Schwingung und einem Sensor, der seit Jahren nicht geprüft wurde, kann am Sensor liegen. Wie ich die Kalibrierung für einen Sensortyp durchgegangen bin, steht unter what soil moisture readings mean.

Anomalieerkennung für die Instandhaltung von Anlagen: Wo sollte man anfangen?

Beginnen Sie mit Regeln, die Sie erklären können, und ergänzen Sie später Statistik. Eine Regel wie „Flatline über 30 Minuten“ oder „Wert außerhalb des Sensorbereichs“ erkennt die häufigen Sensorfehler und sagt dem Techniker, worauf er achten muss.

  1. Legen Sie physikalische Grenzen pro Sensor fest: seinen Messbereich und die schnellste Änderungsrate, die der Prozess erzeugen kann.
  2. Ergänzen Sie eine Flatline-Prüfung mit einer Zeitgrenze, die zum normalen Rauschen des Signals passt.
  3. Vergleichen Sie jede Maschine mit ihrer eigenen Historie bei ähnlicher Last, nicht mit einem Flottendurchschnitt.
  4. Wo es baugleiche Maschinen gibt, vergleichen Sie sie untereinander.
  5. Erst dann statistische Bewertungen einsetzen, und das, was sie markieren, zur Prüfung an eine Person geben statt in den Papierkorb.

Ein statistischer Test markiert alles, was nicht zu seiner Vorstellung von Normalität passt, und ein sich entwickelnder Fehler gehört dazu. Untersuchen Sie daher, was er markiert. Ein Test, der „Normalität“ aus aktuellen Daten lernt, kann außerdem eine langsame Drift in seine Basislinie aufnehmen, weshalb die regelbasierten Prüfungen bestehen bleiben. Nichts davon ersetzt den eigenen Schutz der Maschine: Abschaltungen und Verriegelungen bleiben in der Steuerung. Eine ausgearbeitete Auswahl an Zustandspunkten finden Sie unter conveyor, crusher and ventilation fan monitoring in mining und auf der manufacturing industry page.

Häufig gestellte Fragen

Sollten Ausreißer aus Berichtsmittelwerten ausgeschlossen werden?

Schließen Sie Messwerte, die als Sensorfehler markiert sind, aus der Berechnung aus, bewahren Sie sie aber gespeichert auf, und vermerken Sie im Bericht, wie viele ausgelassen wurden. Werte, die nur ungewöhnlich sind, ohne dass ein Fehler dahintersteckt, gehören in den Mittelwert, denn sie beschreiben, was der Prozess getan hat.

Kann ein z-Score fehlerhafte Sensoren finden?

Nur einige. Ein z-Score misst, wie viele Standardabweichungen ein Messwert vom Mittelwert entfernt liegt, er markiert also seltene Werte, nicht defekte Sensoren. Ein Sensor, der bei einem normalen Wert festhängt, hat einen z-Score nahe null und besteht den Test jedes Mal. Kombinieren Sie z-Scores mit einer Flatline-Prüfung und Bereichsgrenzen.

Wie viele Messwerte sollte ein Medianfilter verwenden?

Verwenden Sie das kleinste ungerade Fenster, das die längste Spitze abdeckt, die Sie ignorieren wollen. Ein Fenster von drei ignoriert einen fehlerhaften Messwert, ein Fenster von fünf ignoriert zwei aufeinanderfolgende. Größere Fenster verzögern echte Änderungen etwa um die halbe Fensterlänge, halten Sie sie daher bei Signalen, bei denen es auf Geschwindigkeit ankommt, kurz.

Teilen

Sehen Sie diese Woche Ihre Felddaten live

Starten Sie eine Testphase in Ihrer Region mit Ihren ersten Geräten oder buchen Sie eine Demo und bringen Sie Ihren eigenen Anwendungsfall mit.