時序數據庫DolphinDB基于機器學習的異常預警方案
數據異常預警在工業安全生產中是一項重要工作，對于監控生產過程的穩定性、保障生產數據的有效性、維護生產設備的可靠性具有重要意義。隨著大數據技術在生產領域的深入應用，基于機器學習的智能預警已經成為各大生產企業進行生產數據異常預警的一種有效解決方案。
什么是智能預警？
智能預警就是利用機器學習的算法，通過大數據監測和分析，預測指標趨勢、識別異常跡象，向運維人員發出預警，從而做到提前有效規避故障。例如在一個大型風電廠，風機監控人員需要實時監控并盡量保證發電量的平穩性。當檢測到風機發電量可能出現異常時，監控人員需要遠程實時調整風機參數以維持發電量的平穩。我們來拆解一下這個場景。首先，數據采集是后續分析和預測的基礎。我們需要選擇能夠合理衡量風機發電穩定性的指標，采集這些指標數據并存儲到數據庫中，然后進行監測分析。第二步是模型預測。當設備數據源源不斷采集落庫時，我們需要通過模型訓練對未來一段時間的風機發電量進行實時預測。這里就要用到各種機器學習算法，例如較簡單的 KNN ( K-NearestNeighbor ) 監督學習算法，又叫 K 鄰近算法，既可以用于分類計算，也可以用于模型回歸。
如何判斷是否會出現異常？
這就需要我們將未來發電量與當前發電量進行異常比對，并設定一個預警的閾值。當異常率超過一定閾值時，機器就會向風機監控人員遠程報警。當然，異常率也可以通過 Grafana 面板 更直觀地可視化展示出來。
實時數據異常率預警的實現
關注DolphinDB公眾號了解上圖所示的完整方案。
DolphinDB + 機器學習 一套解決方案
在這個解決方案中，我們將復雜的真實場景進行了簡化，選取了風速、濕度、氣壓、溫度和設備使用壽命這五個指標來指代影響風機發電的主要因素。同時，由于生產數據的敏感性，進行了 DolphinDB 數據仿真操作，使用模擬數據代替真實記錄集。
- 設備數目：100臺
- 時間單位：毫秒級 （1 ms = 0.001 s）
- 單臺設備采集數據傳輸量：1條/ms
- 總采集數據傳輸量：10萬條/s
當生產任務開啟后，模型預測任務與預警計算任務將同步開啟。運維人員可登錄 Grafana，實時監控異常情況，并根據預警結果實時調整風機設備參數。
各時段的異常率
查看各時段的預警情況（0不進行預警，1進行預警）
從這一個簡單的物聯網企業生產場景中，我們可以看到，利用 DolphinDB 的存儲引擎、內置的機器學習框架算法以及插件，可以實現從數據采集監測、構建回歸模型到實時數據異常預警的業務全流程。感興趣的小伙伴可以關注DolphinDB公眾號，查看完整解決方案～
