我们可以看到数据是有噪声的——我们不知道什么是相关的，也不知道在异常情况下我们要寻找什么。为什么信号是如此不规则和尖尖的，为什么信号中有间隙?如果机器正在制造相同的部分,为什么信号似乎没有规律?

这是因为MachineMetrics收集数据的方式。每900毫秒左右，我们打开一个“窗口”来检测指标的变化。如果有变化，我们会记录下来。如果没有，我们就不录任何东西。我们这样做主要有两个原因:

1. 内置这种采样频率是为了节省数据存储、数据处理和带宽方面的成本。因为我们从每台机器上提取数百个指标，所以构建和支持每秒多次提取数据的基础设施是不划算的。这使我们不必通过昂贵的第三方选择，如沃森或Azure。
2. 在较老的数控机床上，如果查询控制次数太多，也会对机床本身造成滞后。

几乎可以肯定的是，每900毫秒就会改变一次，这意味着根据窗口打开的时间，制造的完全相同的部件看起来会不同。对于这个问题的解决方案，我们需要利用我们的领域知识和一些核心数据清理来获得可用的信号。

如果我们尝试对这些信号进行异常检测，而不清理它们，那么检测到的异常是没有意义的。我们用时间序列anomalize将结果打包并绘制在下面。Anomalize单流异常检测。异常表现为黑点，可以在不同的信号中发生在不同的时间。

虽然其中一些信号在肉眼看来像是异常值，但探测到的异常实际上并没有什么用处。它们并不能显示出真正不寻常的行为，因为它们更多的是我们数据收集过程的产物。所以，是时候亲自动手处理数据了。首先，我们将解决停机(间隙)的问题。然后，我们将讨论如何平滑采样频率问题。

移除非活性序列

与这些数据混杂在一起的是大量的停机时间。停机时间包括操作员停机时间(凌晨3点零食，换班)和机器停机时间(内置冷却时间，工具更改，在本例中，我们将解码两个异常)。

我们的第一步是找出零件是什么时候制造出来的以及制造一个零件需要多长时间。我们并不真正关心当机器没有积极工作时是否会有定期更换刀具的情况，我们也不希望算法在加工过程中将此作为异常处理。

我们的第一步是过滤掉信号(我们关心的序列)和噪声(不相关的序列)。我们还希望确保我们不会从数据中排除真正异常的行为。

为了使这更容易，MachineMetrics收集一个“part_count”字段，该字段在零件加工完成时递增。我们通过进入机器的两个关键部件来捕捉这个磁场:

1. 在某些类型的集成中，我们可以进入机器的继电器，并计算出哪些开关输出的零件数量增加。

2.在其他类型中，我们可以接入机器的可编程逻辑控制(PLC)，其中包括用G-code (CNC编程语言)表示零件完成的信号。

让我们将part_count叠加在前面的可视化上，以查看部件创建周期是什么样子的。每条绿色虚线代表一个部分的创建。