KI-Modellalgorithmen verstehen
Anomalieerkennung — IBM Granite TSPulse
Was ist TSPulse?
TSPulse (Time-Series Pulse) ist ein von IBM entwickeltes Foundation-Modell zur Anomalieerkennung in Zeitreihen. Es lernt normale Muster aus zeitlich fortlaufenden Daten wie Sensorwerten und erkennt Abschnitte, die von diesen Mustern abweichen, als Anomalie.
Funktionsprinzip: auf Basis des Rekonstruktionsfehlers
TSPulse arbeitet nach dem Prinzip: „Wenn sich normale Daten gut rekonstruieren lassen, ist ein Abschnitt, der sich nicht rekonstruieren lässt, eine Anomalie."
① 학습 (정상 패턴 학습)
입력 시계열: [23.1, 23.2, 23.0, 23.3, 23.1, ...] ← 정상 온도 패턴
│
▼
┌──────────────┐
│ 인코더 │ 데이터를 압축된 표현으로 변환
│ (Encoder) │
└──────┬───────┘
│
┌──────┴───────┐
│ 잠재 공간 │ 핵심 패턴만 남긴 압축 표현
│ (Latent) │
└──────┬───────┘
│
┌──────┴───────┐
│ 디코더 │ 압축 표현에서 원래 데이터 복원
│ (Decoder) │
└──────┬───────┘
│
▼
재구성 출력: [23.0, 23.2, 23.1, 23.2, 23.1, ...] ← 거의 같음!
재구성 오류 = |원본 - 재구성| = [0.1, 0.0, 0.1, 0.1, 0.0] ← 매우 작음 → 정상
② 이상 탐지
입력 시계열: [23.1, 23.2, 87.5, 23.3, 23.1, ...] ← 갑자기 87.5도!
│
▼
[인코더 → 잠재 공간 → 디코더]
│
▼
재구성 출력: [23.0, 23.2, 23.4, 23.2, 23.1, ...] ← 87.5를 복원 못함
재구성 오류 = [0.1, 0.0, 64.1, 0.1, 0.0]
↑
이상 점수 높음! → 이상 탐지됨
Kernbegriffe
| Begriff | Beschreibung | Analogie |
|---|---|---|
| Rekonstruktionsfehler | Differenz zwischen Original und rekonstruierten Daten | Ein Kopierer kopiert das Original gut, ungewöhnliche Stellen jedoch nicht |
| Schwellenwert (threshold) | Fehlergrenze, ab der eine Anomalie erkannt wird | Grenzlinie: „Bis hierhin normal, darüber hinaus anormal" |
| Automatischer Schwellenwert | Bei threshold=0 automatisch aus den Daten bestimmt | Die KI legt selbst einen geeigneten Grenzwert fest |
Einsatz in PlantPulse
센서 데이터 (최근 N분)
│
▼
TSPulse 모델에 입력
│
▼
각 시점별 재구성 오류 계산
│
▼
임계값 초과 구간 = 이상 구간
│
├──▶ 이상 메트릭 상위 K개 추출 (top_k)
├──▶ 이상 점수 및 시간 정보 반환
└──▶ 최근 N초 이내 이상 여부 판정 (recent_seconds)
Zeitreihenprognose — TinyTimeMixer (TTM)
Was ist TTM?
TinyTimeMixer ist ein von IBM entwickeltes schlankes Zeitreihen-Prognosemodell. Es lernt Muster aus historischen Daten und prognostiziert künftige Werte. Dem Namen „Tiny" entsprechend liefert es auch mit geringen Ressourcen hohe Leistung.
Funktionsprinzip: Mixer-Architektur
TTM überträgt die MLP-Mixer-Struktur auf Zeitreihen.
과거 데이터 (Context Window) 예측 (Prediction Window)
┌──────────────────────────┐ ┌──────────────────┐
│ t-512 t-511 ... t-1 t │ → │ t+1 t+2 ... t+96 │
└──────────────────────────┘ └──────────────────┘
입력 (512 스텝) 출력 (96 스텝)
Ablauf der Prognose
① 시간축 믹싱 (Time Mixing)
"과거 패턴에서 시간적 관계를 파악"
- 새벽에는 온도가 낮고, 낮에는 높다 (일주기)
- 월요일에 가동률이 높다 (주주기)
- 점점 온도가 올라가는 추세 (트렌드)
② 채널 믹싱 (Channel Mixing)
"여러 센서 간의 관계를 파악"
- 전력 소비가 올라가면 → 온도도 올라간다
- 진동이 커지면 → 알람 빈도도 높아진다
③ 예측 생성
시간 패턴 + 센서 관계를 종합하여 미래 값 예측
신뢰구간(상한/하한)도 함께 제공
Kernbegriffe
| Begriff | Beschreibung | Analogie |
|---|---|---|
| Kontextlänge | Menge der für die Prognose verwendeten historischen Daten | Aus den letzten Tagen das Wetter von morgen ableiten |
| Prognoselänge | Anzahl der zu prognostizierenden Zukunftsschritte | Wettervorhersage für die kommenden Tage |
| Konfidenzintervall | Ober- und Untergrenze des Prognosewerts | „Die Temperatur morgen liegt zwischen 20 und 25 °C" |
| Multivariat | Mehrere Sensoren werden gleichzeitig berücksichtigt | Temperatur + Druck + Vibration gemeinsam betrachten und prognostizieren |
Beispiel für ein Prognoseergebnis
시간 │ 실제값 │ 예측값 │ 하한 │ 상한
─────────┼────────┼────────┼───────┼───────
14:00 │ 23.1 │ - │ - │ - ← 과거 (실제 데이터)
14:10 │ 23.3 │ - │ - │ -
14:20 │ 23.2 │ - │ - │ -
─────────┼────────┼────────┼───────┼───────
14:30 │ ? │ 23.4 │ 22.8 │ 24.0 ← 미래 (예측)
14:40 │ ? │ 23.5 │ 22.6 │ 24.4
14:50 │ ? │ 23.7 │ 22.5 │ 24.9
Kombinierter Einsatz von Anomalieerkennung und Prognose
PlantPulse AI verknüpft Anomalieerkennung und Prognose und liefert dadurch aussagekräftigere Erkenntnisse.
현재 상태 파악 (TSPulse 이상 탐지)
│
│ "현재 온도 센서에서 이상 패턴 감지됨"
│
▼
미래 추세 예측 (TTM 예측)
│
│ "앞으로 6시간 내 임계값 초과 예상"
│
▼
종합 판단
│
│ "현재 이상 + 악화 추세 → 즉시 점검 권고"
│
▼
관련 문서 검색 (RAG)
│
│ "해당 설비 정비 매뉴얼 3장 참조"
│
▼
종합 리포트 생성 (AURA LLM)
Modellkombinationen je Einsatzszenario
| Szenario | TSPulse (Anomalieerkennung) | TTM (Prognose) | Bewertung |
|---|---|---|---|
| Normalbetrieb | keine Anomalie | bleibt im Normalbereich | Normal — Überwachung fortsetzen |
| Beginnende Anomalie | Anomalie erkannt | Normalbereich | Achtung — Verlauf beobachten |
| Verschlechterungstrend | Anomalie erkannt | Überschreitung des Schwellenwerts erwartet | Warnung — sofortige Inspektion empfohlen |
| Plötzliche Anomalie | hoher Anomaliescore | rapide Verschlechterung | Dringend — sofortige Maßnahme erforderlich |
Anlagen-Gesundheitswert (Health Score)
Aus den Analyseergebnissen von TSPulse und TTM wird ein Gesundheitswert von 0 bis 100 Punkten ermittelt.
건강 점수 = f(센서 이상 점수, OEE, RAM, EMS, 알람 빈도)
100점: 모든 지표 정상
70점: 일부 센서 이상 또는 OEE 저하
50점: 다수 이상 감지, 주의 필요
30점: 심각한 이상, 즉시 점검 필요
0점: 설비 정지 또는 심각한 고장
Rolle des Feature Store
Anomalieerkennung und Prognose jedes Mal in Echtzeit auszuführen, kostet Zeit. Der Feature Store berechnet diese Ergebnisse im Voraus und speichert sie.
┌─────────────────────────────────┐
│ 피처 스토어 스케줄러 │
│ │
│ 매시간: 설비별 건강점수 계산 │
│ 매일: 종합 분석 LLM 컨텍스트 │
│ 임베딩 벡터 생성 │
└──────────────┬──────────────────┘
│
▼
┌──────────────────────────────────┐
│ 사용자 질문: "이 설비 상태 어때?" │
│ │
│ → 사전 계산된 피처 즉시 반환 │
│ → 실시간 계산 대기 없음! │
│ → 응답 시간: 수백 ms │
└──────────────────────────────────┘