基于工业大数据的设备异常检测与预测性维护算法模型产品系统

1、时序数据：工厂中有成百上千甚至上万个测量仪表，7*24小时不间断产生的测量数据。
2、时序数据随着生产过程变化，能实时反映设备运行状况，当数据出现异常变化时，生产很可能也出了问题。如果能及时发现这些异常，就能把设备异常控制在萌芽状态，很大程度避免事故。

1、自研的无监督学习的数学算法来完成异常发现任务。
2、寻找某个数学量，并用历史数据计算该数学量的分布，新数值相对于历史分布的离群程度，就可以用来表征异常程度。
3、工业情况复杂得多，经常并不能只用简单值就能发现所有异常了，还会用到变化快慢、离散程度等复杂的数学量。
4、多维异常程度综合起来，最常用的方法就是加权平均。权重怎么计算呢？借鉴“幸存者偏差”的思想：历史上出现异常多且强度大的维度，后续再出现异常也不奇怪，权重小；历史上异常少且强度小的维度，一旦出现异常应该密切关注，权重大。

1、基于数学算法的无监督学习：
（1）无需标记数据，有历史数据即可直接应用；
（2）对数据量要求低，有几天甚至几小时数据即可训练出模式；
（3）适应大规模的多维场景；
（4）实时流数据建模，自动感知近期工况训练模型。
2、数学表征可解释可改善：
（1）相较于大模型黑盒模型，数学量发现的异常更有可解释性，为进一步实施处理方案提供依据；
（2）可解释还意味着可改进，如果发现的异常不及预期，可以根据情况及工艺知识进行改善。
3、低资源消耗高实时性：
（1）数学量计算复杂度不高，搭载普通CPU的服务器就能达到时效性要求，无须昂贵的GPU集群；
（2）实测表明：12核32G单服务器能轻松支撑 1000个时间序列5秒频度的异常发现。