Anomaly Detection-Konnektor

Übersicht

Der Anomaly Detection-Konnektor verwendet maschinelles Lernen zur Erkennung von Anomalien in Datenströmen.

Konnektor-Typ: MeddleAnomalyDetect

Algorithmus: Isolation Forest

Konfiguration

{
  "type": "MeddleAnomalyDetect",
  "config": {
    "algorithm": "IsolationForest",
    "parameterKeys": ["temperature", "pressure"],
    "iforestConfig": {
      "numTrees": 100,
      "subsampleSize": 256,
      "anomalyRatio": 0.05,
      "retrainEvery": 50,
      "windowSize": 1000
    }
  }
}

Konfigurationsparameter

• algorithm: IsolationForest (derzeit der einzige unterstützte Algorithmus)
• parameterKeys: Array von Payload-Schlüsseln zur Analyse
• iforestConfig: Isolation Forest-spezifische Konfiguration

Isolation Forest-Parameter

• numTrees: Anzahl der Bäume im Forest (Standard: 100)
• subsampleSize: Stichprobengröße für jeden Baum (Standard: 256)
• anomalyRatio: Erwartetes Verhältnis von Anomalien (Standard: 0.05 = 5%)
• retrainEvery: Modell alle N Stichproben neu trainieren (Standard: 50)
• windowSize: Größe des Trainingsfensters (Standard: 1000)

Funktionsweise

1. Trainingsphase: Sammelt anfängliche Daten zum Aufbau des Modells
2. Erkennungsphase: Bewertet neue Datenpunkte auf Anomalien
3. Neutraining: Aktualisiert das Modell periodisch mit neuen Daten
4. Ausgabe: Fügt anomaly_score und is_anomaly zum Payload hinzu

Beispiel-Ausgabe

Eingabe:

{
  "temperature": 25.5,
  "pressure": 101.3
}

Ausgabe:

{
  "temperature": 25.5,
  "pressure": 101.3,
  "anomaly_score": 0.42,
  "is_anomaly": false
}

Anomalie erkannt:

{
  "temperature": 95.0,
  "pressure": 150.0,
  "anomaly_score": 0.89,
  "is_anomaly": true
}

Anwendungsfälle

1. Vorausschauende Wartung - Geräteanomalien vor Ausfällen erkennen
2. Qualitätskontrolle - Fehlerhafte Produkte identifizieren
3. Prozessüberwachung - Ungewöhnliches Prozessverhalten erkennen
4. Sicherheit - Anomales Systemverhalten identifizieren

Parameter-Tuning

Für verrauschte Daten

Erhöhen Sie anomalyRatio und subsampleSize:

{
  "anomalyRatio": 0.1,
  "subsampleSize": 512
}

Für stabile Prozesse

Verringern Sie anomalyRatio und erhöhen Sie windowSize:

{
  "anomalyRatio": 0.01,
  "windowSize": 2000
}

Für sich schnell ändernde Bedingungen

Verringern Sie retrainEvery:

{
  "retrainEvery": 25
}

Best Practices

1. Relevante Parameter auswählen - Nur aussagekräftige Metriken einbeziehen
2. Trainingsperiode ermöglichen - Modell benötigt anfängliche Daten zum Lernen
3. Anomalie-Verhältnis anpassen - An Ihre Domäne anpassen
4. Falsch-Positive überwachen - Parameter anpassen bei zu vielen Fehlalarmen
5. Mit Warnungen kombinieren - Mit Alert-Konnektor für Benachrichtigungen verwenden

Beispiel-Workflow

OpcuaReader → AnomalyDetect → Trigger → Alert
                                  ↓
                            InfluxDb2Writer

1. Sensordaten lesen
2. Anomalien erkennen
3. Bei is_anomaly == true auslösen
4. Warnung senden und in Datenbank speichern

Verwandte Konnektoren

• Trigger - Auf Anomalien reagieren
• Alert - Benachrichtigungen senden
• Filter - Anomalien filtern