Time Series Anomaly Detection
Finde im SeriesExplorer mit Machine Learning (ML) Algorithmen Fehler in Time Series wie Sensordaten. Inspiziere Geräte, Maschinen oder Prozesse mit wenigen Klicks.
NASA Spacecraft Daten
In diesem Beispiel verwenden wir Sensordaten vom Mars Science Laboratory. Die Werte der Time Series sind Telemetrie-Daten und in der ersten Spalte einer Text-Datei zeilenweise gespeichert.
1. Text-Datei importieren
Wir ziehen die Text-Datei per Drag & Drop in den SeriesExplorer. Da die Time Series keine Zeitpunkte enthält, deaktivieren wir „Points Column Index“. Die Datenpunkte befinden sich in der ersten Spalte. Wir setzen „Series Column Index“ auf 0, da der SeriesExplorer nullbasiert indexiert.
2. ML-Verfahren anwenden
Wir wählen im SeriesExplorer ein „Anomaly Detection“ ML-Verfahren aus, um die Daten zu analysieren. Wir können verschiedene Parameter ändern, um ggf. Expertenwissen einzubringen. Sobald wir den Algorithmus starten wollen, klicken wir „Apply“.
3. Ergebnis auswerten
Nachdem der ML-Algorithmus die Sensordaten analysiert hat, zeigt uns der SeriesExplorer die gefundene Anomalie als Ergebnnis an. Wir können ihre Eigenschaften bei Bedarf bearbeiten, um diese auf unseren speziellen Anwendungsfall abzustimmen.
4. Anomalie inspizieren
Im Editor zoomen wir mit der Maus an die Anomalie heran, um diese zu inspizieren und in unsere Analyse zu integrieren. Bei Bedarf können wir Parameter verändern und den Anomaly Detection Algorithmus nochmals rechnen lassen. Oder wir berechnen weitere Analysen im SeriesExplorer.
5. Anomalie exportieren
Als letzten Schritt exportieren wir die Time Series mit der annotierten Anomalie als Bild, um es bspw. in Präsentationen einzubinden oder zur Dokumentation zu speichern. Wir können ebenfalls die Werte der Anomalie für weitere Verarbeitungsschritte exportieren.
Gründer
Arik Ermshaus