在第1和第2部分中，我们讨论了在机器上检测异常行为所涉及的业务问题和预处理。在这篇文章中，我们将介绍一些创意数据争吵和聚类方法。这件作品在自然界中比其他人更为技术。

隔离部分签名和创建转换

一旦我们有了清晰的信号，我们需要将该信号分解成各个独立的部件，即零件加工签名。每一个零件的加工特征代表被加工的一个零件，以及附加在该零件上的相应位置、进给、速度和载荷。

我们获取每个签名，并将它们挨个排列，创建一个表，其中每个“变量”都是创建的唯一部分及其附属数据。

确定部分签名的潜在结构

对于我们的下一步，我们转向罗克·赫恩德曼及其异常包来检测每个变量的潜在结构。这背后的原因是，每个签名的原始值太不稳定，不能相互比较，即使通过滚动平均或其他转换来平滑它们。因此，我们必须找到另一种方式以更稳定的方式表示这些签名。Hyndman确定了时间序列的几个关键指标，这些指标反映了它们的内在品质。我们为这个用例选择了最相关的，下面用非技术术语概述了它们。这些是用来量化每个部分签名的内在因素。

1. 熵：衡量您系列的白噪声是多少。
2. 一阶自相关:一阶自相关是对时间序列中序列元素相关性的度量。用外行人的话来说，它衡量的是如果你知道级数中的前一个元素，那么级数的可预测性。这是相关的，因为异常序列通常显示非常不同的自相关函数与非异常序列。从本质上说，这是系列随机性的另一种衡量标准，对于异常系列，随机性通常是极高或极低的(如果机器的行为异常，随机性可能非常低，如果存在异常重复或可预测性，随机性可能非常高)。
3. 级别换档：给出窗口的系列中滚动装置的最大变化。适合检测机器经历度量突然变化的异常。想想指标突然从一个级别跳到另一个级别。
4. 方差变化:该系列滚动方差的最大变化。很好地检测异常，在机器经历突然变化的方差。想想看，当暴风雨过后，大海突然变得平静，或者当一台原本嘈杂的机器变得异常安静时。
5. 曲率:告诉你零件的特征有多“弯曲”。值是二阶(x²)多项式拟合级数时的系数。相关的原因是由于加工的周期性，部分循环似乎有一个曲率，曲率的值在非异常曲线中是相似的。
6. 尖顶性:拟合线性曲线时残差的方差。被称为“尖刺”，因为有更多尖刺的序列有更高的残差方差。
7. 平坦的斑点：使用离散化的系列中的扁平点数。一个代理'机器挂起'。擅长检测机器摊位或滞后。

每个部分签名现在由这七个维度表示。基于这些属性检测异常，致力于整个时间序列。结果表看起来像以下，每个签名都蒸馏到这些特征。每个部分签名都是一行。

使用PCA将潜在特征投影到2D平面上

一旦我们获得了这些指标，我们将PCA应用于这七个维度，将它们减少为两个主成分。然后我们在二维散点图中绘制两个主分量。

这意味着给定1.5个PC的标准差，68%的观测值落在-1.5和1.5个PC之间，95%落在-3和3之间，99.7%落在-4.5和4.5之间。

我们知道，排除离群机器，MachineMetrics客户的平均报废率(包括人为错误)为~1/1000个零件，成功率为99.9% (MachineMetrics客户共制造3.27亿个零件，报废224k个)。虽然这看起来可能很高，但我们应该记住，我们的客户大多是较小的机械商店，可能没有大量的相同的部分正在制造。此外，我们的客户中有很大一部分是工作车间，他们为其他公司生产临时的、一次性的部件，这使得他们没有那么多时间来完善制造过程，从而留下了更多的出错空间。

在正常分布的情况下，99.9％的观察结果在3个标准偏差范围内下降，这在我们的案例中是主要成分值中的±4.5单位。In consideration of the fact that precision (preventing false positives) is more important than recall (capturing all the anomalies) when first piloting this method, we set our epsilon threshold to be 4 standard deviations away, i.e. points must fall 6 units away from the central cluster to be considered an outlier. We consider precision more important because customers may choose to ignore the notifications if too many are given, and we want to avoid creating unnecessary panic*.

*此部分仍处于飞行员，参数可能会有所变化

确定最小点阈值

最小点阈值设置必须聚集在一起的最小点数，以便它被视为自己的独立集群，而不是异常值点。这在实际上没有异常的情况下，这可以是有用的，而是偶然的延期改变或其他系统但正常的差异。在这些情况下，机器可以在短时间内重置为正常状态。我们将此阈值定义为10分。

因此，我们将群集定义为至少十个点，εAton半径的大小为6个单位。任何落在6个单位的主要云端，都有少于10分，附近是一个异常。在这种情况下，我们检测到两个异常，对应有两个具有“异常值”加工签名的部分。我们可以识别在制作这些部件时，并且在机器表现出异常行为时，根据机器的时间编写与它们相对应的时间。

验证异常部件

第127部分被检测到异常，在3:04至3:07之间创建。让我们来看看签名的样子。

正如我们所看到的，部分签名显然有所不同。在这种情况下，机器悬挂几分钟，重置自身，然后继续加工活动。虽然这次没有立即后果，但操作员被警告到这一点，并采取了进一步的措施来调查意外挂起，因为它可能导致未来工具失败。

总结的步骤

在前几篇博文中我们已经讨论了很多内容。为了帮助总结所有内容，下面提供了一个流程图，以便更容易地理解这个过程。在本系列的最后一部分中，我们将介绍产品化。

我们可以回顾并看到，当一个新的部件类型被制造出来时，部件签名的特征确实看到了一个显著的变化。

我们验证了我们数据库中的地面真实数据，并确认此时有一种新型的部件。由于Machinimetrics轨道和存储工具位置，我们甚至可以绘制该部分来确定这一点。