发电资产中异常检测与可视化的可扩展架构
分布式、并行与集群计算
2017-01-27 v1
摘要
发电资产（例如喷气发动机、燃气轮机）通常配备数十至数百个传感器以监测物理和性能退化。异常检测算法突出与预定基准的偏差，以检测早期故障。我们正在开发一个集成系统，以解决分析发电资产传感器数据中的三个关键挑战：（1）难以摄取和分析来自大量机器的数据；（2）异常检测算法产生的误报普遍导致不必要的停机和维护；（3）缺乏一个集成可视化，帮助用户理解和探索能源领域中被标记的异常和相关传感器上下文。我们展示了解决这些挑战的初步结果和关键发现。我们系统的可扩展事件摄取框架基于 OpenTSDB，使用 30 台机器集群每秒摄取近 400,000 个传感器数据样本。为降低误报率，我们利用错误发现率（FDR）算法，其显著减少了误报数量。我们的可视化工具呈现 FDR 算法标记的异常和关联内容，以告知用户和从业者其决策过程。我们相信我们的集成平台将显著减少维护成本，同时延长资产寿命。我们正在多个方向上扩展我们的系统，例如扩展到更多数据和更多计算节点（总共 70 个）。
引用
@article{arxiv.1701.07500,
title = {Scalable Architecture for Anomaly Detection and Visualization in Power Generating Assets},
author = {Paras Jain and Chirag Tailor and Sam Ford and Liexiao Ding and Michael Phillips and Fang Liu and Nagi Gebraeel and Duen Horng Chau},
journal= {arXiv preprint arXiv:1701.07500},
year = {2017}
}