Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Bewährte Methoden
Machen Sie sich mit dem Mindestzeitraum vertraut
Verwenden Sie für die Dauer der Trainingsdaten mindestens 14 Tage. In vielen Fällen empfehlen wir jedoch, einen längeren Datenzeitraum einzubeziehen.
Stellen Sie sicher, dass Ihr Trainingsdatensatz einen Zeitraum umfasst, in dem das Gerät in all seinen normalen Betriebsmodi betrieben wurde. Dieser Ansatz hilft dabei, AWS IoT SiteWise genau zwischen erwartetem Verhalten und echten Anomalien zu unterscheiden.
Wenn Ihre Trainingsdaten nicht alle typischen Betriebsmodi abbilden, werden ungewohnte, aber normale Muster AWS IoT SiteWise möglicherweise fälschlicherweise als Anomalien gekennzeichnet, was zu einer Zunahme von Fehlalarmen führt.
Stichprobenerhebung für hochfrequente Daten und Konsistenz zwischen Training und Inferenz
Wenn Ihre Sensoren Daten mit einer Frequenz von mehr als 1 Hz (mehr als eine Messung pro Sekunde) erzeugen, führen Sie während des Trainings Stichproben durch. Durch die Probennahme wird das Datenvolumen reduziert und gleichzeitig wichtige Trends beibehalten. Dies ermöglicht eine effiziente Verarbeitung und verbessert die Modellgeneralisierung, indem die Auswirkungen von Rauschen oder vorübergehenden Schwankungen minimiert werden.
AWS IoT SiteWise Die native Erkennung von Anomalien unterstützt derzeit keine Daten, die mit Raten unter 1 Hz aufgenommen werden. Stellen Sie sicher, dass Ihre Daten diese Mindestanforderung an die Frequenz erfüllen, bevor Sie die Anomalieerkennung konfigurieren.
AWS IoT SiteWise Verwendet außerdem die Samplingrate, die Sie während des Trainings konfigurieren, auch für Inferenz. Um die Konsistenz zu wahren und genaue Ergebnisse bei der Erkennung von Anomalien sicherzustellen, wählen Sie eine Samplerate, die sowohl Ihren betrieblichen Anforderungen als auch dem Verhalten Ihrer Sensordaten entspricht.
Weitere Informationen zur Einstellung der Probenahmerate finden Sie unter. Konfiguration der Abtastrate
Empfehlungen zur Kennzeichnung
Eine genaue und konsistente Kennzeichnung von Anomalien ist für eine effektive Modellevaluierung und kontinuierliche Verbesserung unerlässlich. Beachten Sie bei der Kennzeichnung von Anomalien die folgenden bewährten Methoden:
-
Zusammenhängende Anomalien konsolidieren: Kennzeichnen Sie häufig auftretende Anomalien nicht als separate Ereignisse, wenn sie Teil desselben zugrundeliegenden Problems sind. Wenn Anomalien beispielsweise innerhalb von 1—2 Tagen auftreten und sie von derselben Grundursache verursacht werden, behandeln Sie sie als ein einziges Anomaliefenster. Dieser Ansatz hilft dem Modell, das Muster abnormalen Verhaltens besser zu erkennen, und reduziert das Rauschen in Ihren Bewertungsdaten.
-
Kennzeichnen Sie Anomaliefenster, nicht nur Punkte: Anstatt einzelne Datenpunkte als anomal zu kennzeichnen, kennzeichnen Sie das gesamte Fenster, das abnormales Verhalten vom Beginn der Abweichung bis zur Wiederherstellung widerspiegelt. Dieser Ansatz bietet klarere Grenzen und verbessert die Abstimmung des Modells auf tatsächliche betriebliche Probleme.
-
Unsichere Zeiträume ausschließen: Wenn Sie sich nicht sicher sind, ob ein Zeitraum ungewöhnlich ist, lassen Sie ihn unbeschriftet. Mehrdeutige Beschriftungen können das Modell verwirren und seine Genauigkeit im Laufe der Zeit beeinträchtigen.
Weitere Informationen zum Hinzufügen von Beschriftungen finden Sie unter. Kennzeichnen Sie Ihre Daten
