概述 | Trendz Analytics

异常检测理论

异常检测是指识别遥测数据中意外行为的过程——即与正常情况显著不同的模式。这些异常可能预示着系统故障、设备退化、安全漏洞或运行低效。

在现代监测与分析中，异常检测对于以下方面至关重要：

Trendz 提供开箱即用的强大异常检测解决方案，能自动发现时序数据中的异常模式，无需人工设定阈值或专家标注。对于高级用户，Trendz 还提供对模型配置流程的全面控制——包括输入准备、特征提取、距离函数调优和评分逻辑——均通过便捷直观的界面完成。

您可在此了解如何使用 Trendz Analytics 创建异常检测模型：

在 Trendz 中，异常检测基于两个核心指标：

异常分数（Anomaly Score）
表示数据段偏离预期（正常）行为的数值，可理解为衡量异常的强度。
异常分数指数（Anomaly Score Index）
将异常分数与异常的持续时间结合的综合指标，有助于优先发现随时间影响更大的异常。

实际示例：泵振动分析

以下示例展示泵启动后的振动情况：

异常 A
- 表现为持续约 5 秒的剧烈振动尖峰。
- 因突然偏离导致异常分数较高。
- 持续时间短，故分数指数较低。
异常 B
- 无大幅尖峰，但偏离持续时间更长。
- 异常分数较低，但因时长增加使分数指数更高。
- 提示对泵健康的长期影响更大。

虽然异常 A 因尖峰乍看更严重，但异常 B 因持续影响往往更需要调查——这正是异常分数指数要揭示的内容。

监督式异常检测：
需要预先标注正常与异常片段的标注数据集。
模型根据标签学习分类数据点。常见算法包括 KNN、SVM、逻辑回归、决策树和 LSTM。
局限： 需要大量标注数据，难以检测训练集中未出现的新异常类型。
非监督式异常检测：
无需标注数据。模型通过将相似数据段分组为簇来学习正常行为模式，并将显著偏离这些簇的点视为异常。
常见算法包括 K-Means、DBSCAN、高斯混合模型和层次聚类。
优势： 自动检测未知异常类型，适用于标注数据有限的现实场景。

Trendz 目前仅支持非监督式机器学习算法进行异常检测，采用基于聚类的方法在时序数据中检测异常。

访问异常模型页面：在工作区左侧点击标有 Anomaly Models 的图标。

该页面展示各模型的主要属性：

可用操作：

创建模型
- 点击屏幕右上角的 Create model 按钮创建新异常模型。
- 将跳转到输入标签页配置模型。
- 了解输入标签页详情
查看模型
- 点击任意模型行以打开并查看。
- 将跳转到输入标签页。
- 了解输入标签页详情
删除模型
- 在 Actions 列点击三点菜单，选择 Delete。
- 在确认对话框中确认删除。
重命名模型
- 在 Actions 列点击三点菜单，选择 Rename。
- Name 列将出现文本框。
- 输入新名称并按 Enter 保存。

输入标签页可用于管理和配置异常模型的核心方面，支持：

重命名模型
- 点击模型名称旁的铅笔图标，输入新名称并按 Enter。
- 要应用新名称，点击 Save Model。此更改无需重新构建。
恢复模型
- 点击屏幕右上角的 Revert 按钮可放弃未保存更改并恢复到上次保存状态。
配置作业
- 仅 READY 状态的模型可配置作业。
- 点击屏幕上方的 Jobs 按钮打开作业配置弹窗。
- 在此可配置刷新作业（了解刷新作业详情）。
修改属性
- 可在输入标签页更新多种异常模型属性（了解模型属性详情）。
- 要应用更改，点击 Save Model。除非修改以下内容，否则无需重新构建：
  - Anomaly Model Name
  - Telemetry key
  - Telemetry storage frequency
  - Alarm Configuration
Save Model（保存模型）
- 使用 Save Model 按钮保存更改或发起重新构建。
- 若需要重新构建，将出现确认弹窗。
- 注意： 重新构建模型将删除所有现有异常并禁用刷新作业。

Summary 标签页提供按设备分组的异常概览。

您可以：

可用模式

Calendar Mode（日历模式，全部设备）：
- 显示所有项目的每日异常指数总和。
- 默认仅显示有异常的月份。
- 启用 Full Range 开关可查看全年。
Dynamic Mode（动态模式，仅所选设备）：
- 可视化所选设备的月度异常分布。
- 绿色柱表示当前设备的异常分数指数总和。
- 蓝色线表示所有设备的月度平均分数指数总和。
Review Mode（审阅模式，仅所选设备）：
- 显示最新检测到的异常。
- 可放大或缩小查看当前设备的完整异常历史。