Анализ временных рядов в АСУ ТП
Временные ряды (time series) — основа данных в АСУ ТП. Температура, давление, ток — всё это time series. Анализ — от простых графиков до ML-моделей. Разберём.
Что такое временной ряд
Временной ряд — это последовательность значений, привязанных ко времени. Примеры в АСУ ТП:
- Температура двигателя (каждую секунду);
- Давление в трубопроводе (каждые 100 мс);
- Ток ЧРП (каждые 10 мс);
- Вибрация подшипника (каждые 1 мс).
Зачем анализировать time series
- Мониторинг (текущее состояние);
- Тренды (как меняется со временем);
- Аномалии (что-то пошло не так);
- Предсказания (что будет);
- Оптимизация (найти оптимальные режимы).
Этапы анализа
1. Сбор данных
- Частота: от 1 мс (вибрация) до 1 часа (энергия);
- Объём: тысячи точек × сотни сигналов × годы = терабайты;
- Хранение: time-series DB.
2. Очистка
- Удаление выбросов (например, при пуске/останове);
- Интерполяция пропусков;
- Фильтрация шума;
- Resampling (снижение частоты).
3. Визуализация
- Графики (тренды);
- Heatmap (по времени суток);
- Гистограммы (распределение);
- Scatter (зависимости).
4. Статистический анализ
- Mean, std, min, max;
- Корреляция (между сигналами);
- FFT (спектр);
- Autocorrelation (сезонность).
5. ML-модели
- Предсказания (LSTM, Prophet);
- Аномалии (Isolation Forest, Autoencoder);
- Классификация (XGBoost, CNN).
Методы
Классические статистические
- ARIMA — для стационарных рядов;
- SARIMA — с сезонностью;
- Exponential Smoothing — простая, для трендов;
- Prophet (Facebook) — для бизнес-метрик.
ML-методы
- Random Forest / XGBoost — для регрессии и классификации;
- LSTM / GRU — для последовательностей;
- Transformer — современный подход (Informer, Autoformer);
- CNN — для одномерных рядов (как «картинка»);
- Autoencoder — для аномалий (без учителя).
Инструменты
Хранилища
- InfluxDB — open-source, time-series, популярный;
- TimescaleDB — PostgreSQL + time-series;
- Apache IoTDB — для IoT;
- PI System (OSIsoft) — стандарт для промышленности (коммерческий).
Анализ
- Python — pandas, numpy, scikit-learn, statsmodels;
- R — для статистиков;
- Jupyter — для исследований;
- Apache Spark — для больших данных.
Визуализация
- Grafana — стандарт для time-series;
- Apache Superset — open-source BI;
- Power BI (Microsoft) — для бизнеса;
- Tableau — для аналитиков.
Реальные кейсы
Кейс 1. Аномалии в работе компрессора
- 10+ параметров (давление, температура, ток);
- Autoencoder для детекции аномалий;
- Точность: 95%;
- False positives: <1%.
Кейс 2. Предсказание нагрузки на электросеть
- Исторические данные за 3 года;
- Prophet + LSTM (гибрид);
- Точность предсказания на сутки: 95%;
- Экономия: оптимизация закупки электроэнергии.
Кейс 3. Мониторинг качества продукции
- 10+ параметров процесса (температура, влажность, pH);
- Random Forest для предсказания качества (in real-time);
- Корреляция с лабораторными данными: 90%;
- Экономия: 20% возвратов.
Стоимость
- Хранилище (InfluxDB): бесплатно (self-hosted) или 1000-5000 BYN/мес (cloud);
- Аналитика: Python (бесплатно), платформы (DataRobot, H2O) — 20 000-50 000 BYN/год;
- Команда: data scientist — 10 000-25 000 BYN/мес.
Когда применять
- Большие объёмы данных (от 1 ГБ/день);
- Длинная история (от 1 года);
- Много сигналов (от 50);
- Нужны предсказания (не только мониторинг).
Заключение
Time series — это «кровь» АСУ ТП. Анализ — от визуализации до ML. В ЭкоЭн делаем аналитику time series для предиктивного обслуживания, оптимизации, мониторинга.
Заказать услугу.
