Conector Detección de Anomalías

Descripción General

El conector Detección de Anomalías usa aprendizaje automático para detectar anomalías en flujos de datos.

Tipo de Conector: MeddleAnomalyDetect

Algoritmo: Isolation Forest

Configuración

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

Parámetros de Configuración

• algorithm: IsolationForest (actualmente el único algoritmo soportado)
• parameterKeys: Array de claves de carga a analizar
• iforestConfig: Configuración específica de Isolation Forest

Parámetros de Isolation Forest

• numTrees: Número de árboles en el bosque (por defecto: 100)
• subsampleSize: Tamaño de muestra para cada árbol (por defecto: 256)
• anomalyRatio: Proporción esperada de anomalías (por defecto: 0.05 = 5%)
• retrainEvery: Reentrenar modelo cada N muestras (por defecto: 50)
• windowSize: Tamaño de ventana de entrenamiento (por defecto: 1000)

Cómo Funciona

1. Fase de Entrenamiento: Recopila datos iniciales para construir el modelo
2. Fase de Detección: Puntúa nuevos puntos de datos para anomalías
3. Reentrenamiento: Actualiza periódicamente el modelo con nuevos datos
4. Salida: Agrega anomaly_score y is_anomaly a la carga

Ejemplo de Salida

Entrada:

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

Salida:

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

Anomalía detectada:

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

Casos de Uso

1. Mantenimiento predictivo - Detectar anomalías en equipos antes de fallas
2. Control de calidad - Identificar productos defectuosos
3. Monitoreo de procesos - Detectar comportamiento inusual del proceso
4. Seguridad - Identificar comportamiento anormal del sistema

Ajuste de Parámetros

Para Datos Ruidosos

Aumenta anomalyRatio y subsampleSize:

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

Para Procesos Estables

Disminuye anomalyRatio y aumenta windowSize:

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

Para Condiciones de Cambio Rápido

Disminuye retrainEvery:

{
  "retrainEvery": 25
}

Mejores Prácticas

1. Selecciona parámetros relevantes - Solo incluye métricas significativas
2. Permite período de entrenamiento - El modelo necesita datos iniciales para aprender
3. Ajusta proporción de anomalías - Ajusta según tu dominio
4. Monitorea falsos positivos - Ajusta parámetros si hay demasiadas falsas alarmas
5. Combina con alertas - Usa con conector Alert para notificaciones

Ejemplo de Flujo de Trabajo

OpcuaReader → AnomalyDetect → Trigger → Alert
                                  ↓
                            InfluxDb2Writer

1. Leer datos de sensores
2. Detectar anomalías
3. Activar en is_anomaly == true
4. Enviar alerta y almacenar en base de datos

Conectores Relacionados

• Trigger - Actuar sobre anomalías
• Alert - Enviar notificaciones
• Filter - Filtrar anomalías