4 Schritte zum Ableiten von Aktionen aus IoT-Daten

Heutzutage generieren Geräte mehr IoT-Daten als soziale Netzwerke. Jedes Gerät kann mehrmals pro Sekunde Daten senden. Bei Millionen von verbundenen Geräten kann eine typische Datenverarbeitungsplattform erforderlich sein, um täglich Milliarden solcher eingehender Ereignisse zu verarbeiten.

Auch wenn die Verarbeitung dieser Datenmenge offensichtlich eine erhebliche und keineswegs triviale technologische Herausforderung darstellt, ist klar, dass die Gerätedaten selbst – auch in vorverarbeiteter Form – nicht umsetzbar sind. Um umsetzbare Erkenntnisse zu erhalten, müssen die gesammelten Daten analysiert werden.

Eine Art von Aufgabe, die mit der Datenanalyse im IoT effektiv angegangen werden kann, ist die Anomalieerkennung . Sein Ziel ist es, ungewöhnliches Verhalten verbundener Geräte zu identifizieren, das sich erheblich von dem unterscheidet, was zuvor beobachtet oder erwartet wurde.

Quelle:Bosch.IO

Ist bei meinen angeschlossenen Rasenmähern alles in Ordnung?

Schauen wir uns ein Beispiel aus einem unserer Anomalieerkennungsprojekte an. Wir haben unsere Algorithmen auf eine Flotte autonomer Rasenmäher (ALMs) angewendet. Mit einem unserer Bosch IoT Analytics Services können bei dieser Flotte von IoT-fähigen Rasenmähern über die Mähsaison Auffälligkeiten berechnet werden. Zu diesem Zweck enthalten die verwendeten Daten Status- und Fehlermeldungen, die von den eingesetzten Rasenmähern an das Backend in der Cloud gesendet werden.

Nehmen wir an, unser Service ist jede Woche so konfiguriert, dass er die zehn häufigsten Anomalien in diesen Daten identifiziert. Rasenmäher, die immer wieder in der Liste der Top-Anomalien auftauchen, können automatisch markiert und in einer Liste organisiert werden. Servicepersonal und/oder Qualitätsmanager können diese dann manuell inspizieren. Darüber hinaus können die Ergebnisse der Anomalieerkennung auf signifikante Muster analysiert und in Kategorien von Vorfällen gruppiert werden.

Bestimmte Zustandsmuster und Fehlermeldungen können beispielsweise ein Hinweis darauf sein, dass die Firmware einzelner Mäher aktualisiert werden muss oder die Mäher nicht richtig eingerichtet wurden. Durch die Gruppierung der beobachteten Muster in Kategorien können Lösungsstrategien – also konkrete Aktionen – mit ihnen verknüpft und automatisch ausgelöst werden, wenn die Muster in den Ereignisdaten auftauchen. Dies kann dazu führen, dass die neueste Firmware aktiv auf den betroffenen Mäher übertragen wird oder der Kunde proaktiv kontaktiert wird (vorausgesetzt, dieser hat seine Zustimmung gegeben), um Unterstützung durch einen Servicetechniker anzubieten. Dies sind Möglichkeiten, die Kundenzufriedenheit zu erhöhen.

Quelle:Bosch.IO

Wie erkennen Sie Anomalien in Ihren Gerätedaten?

Die Datenanalyse – und insbesondere die Anomalieerkennung – ist kein Verfahren, sondern ein Oberbegriff für eine Reihe von Algorithmen und Transformationen, die darauf abzielen, in den Daten verborgenes implizites Wissen zu extrahieren. Es gibt viele verschiedene Arten von Anomalien und viele verschiedene Problemdomänen mit ihren spezifischen Daten und Problemformulierungen.

Der Prozess der Datenanalyse umfasst viele Schritte und verwendet ganz unterschiedliche Technologien – von Formattransformationen über ausgeklügelte Machine-Learning-Algorithmen bis hin zum Aufbau wertvoller Visualisierungen. Normalerweise umfasst ein Datenanalyseprozess die folgenden Schritte:

Schritt 1:Gerätedaten verfügbar machen

Nachdem Sie Ihre Geräte angeschlossen haben, müssen die von diesen Geräten gesendeten Daten über verschiedene Kanäle übertragen und anschließend konsistent in einer Datenbank gespeichert werden, bevor sie verarbeitet werden können.

Schritt 2:Gerätedaten vorverarbeiten

Im gesamten Analyseprozess können verschiedene Aufgaben der Datenvorverarbeitung für die meisten Schwierigkeiten verantwortlich sein. Aus diesem Grund ist es wichtig, eine Technologie zur effizienten Entwicklung und Ausführung solcher Skripte auszuwählen oder zu entwickeln. Dieser Schritt soll viele Probleme lösen, beispielsweise die Datenbereinigung und die Generierung domänenspezifischer Funktionen. Es wird häufig als Data Wrangling bezeichnet, das als iterative Datenexploration und -transformation definiert ist, um eine Analyse zu ermöglichen.

Schritt 3:Gerätedaten analysieren

Dieser Prozessschritt konzentriert sich darauf, Anomalien in den Eingabedaten zu finden, während ein geeigneter Data-Mining-Algorithmus ausgewählt und seine Parameter fein abgestimmt werden.

Schritt 4:Gerätedaten visualisieren

Nicht zuletzt müssen die Daten für den Endnutzer visualisiert werden. Dabei ist es wichtig, visuelle Techniken zu wählen, die der zu lösenden Aufgabe und dem jeweiligen Problembereich angemessen sind.

Quelle:Bosch.IO Quelle:Bosch.IO

Das Erkennen von Anomalien ist nur ein erster Schritt hin zu komplexeren Anwendungsfällen der IoT-Analyse, wie beispielsweise der vorausschauenden Wartung. Sobald Geräte mit anomalem Verhalten identifiziert wurden, müssen sie von Domänenexperten untersucht und in Problemklassen eingeteilt werden. Wenn möglich, sollten auch Informationen zur Problemlösung mit Anmerkungen versehen werden. Die Zusammenstellung von Wartungsinformationen und deren Zusammenführung mit diesen Daten und den Analyseergebnissen ermöglicht den Aufbau eines sauberen und reichhaltigen Datensatzes. Dieser Datensatz kann wiederum verwendet werden, um ein Vorhersagemodell zu erstellen, das für Lösungen zur vorausschauenden Wartung erforderlich ist.

Darüber hinaus heben diese Anomalieerkennungsergebnisse nicht nur Probleme hervor, sondern können auch Domänenexperten auf neue (Geschäfts-)Möglichkeiten hinweisen. Wenn bestimmte Anomalien in verschiedenen Geräten systematisch auftauchen, kann dies ein Hinweis darauf sein, dass eine bestimmte Funktion fehlt. Bei den autonomen Rasenmähern können systematische Anomalien, die in einer Untergruppe auftreten, durch ein wiederholtes Muster einer speziellen Topographie in den zu mähenden Gärten verursacht werden. Daher erfordern diese möglicherweise ein algorithmisches Add-On für den Rasenmäher, das als erweiterte Funktionalität verkauft werden kann.

Wir haben kürzlich ein Whitepaper zum Thema „Anomalieerkennung mit Ereignisdaten im Internet der Dinge“ veröffentlicht, das auf großes Interesse gestoßen ist. Es konzentriert sich auf die Herausforderungen und Best Practices für die oben genannten Verarbeitungsschritte und beinhaltet Beobachtungen, die ich in verschiedenen Datenanalyseprojekten gemacht habe.

Whitepaper herunterladen