Prädiktive Analyse (Maschinelles Lernen)

Inhaltsverzeichnis

Übersicht
Aufbau der Oberfläche
Oben — Seitentitel
Links — Formular (Eingabemaske)
Rechts — Ergebnis des maschinellen Lernens
Leitfaden zur Auswahl von Prognose- und Anomaliediagnose-Algorithmen
Anwendungsszenarien
Häufig gestellte Fragen
Verwandte Oberflächen

Übersicht

Die Oberfläche „Prädiktive Analyse" lernt aus Zeitreihen-Tagdaten, prognostiziert künftige Werte und erkennt Ausreißer (Anomaliediagnose). Der Bediener wählt in der GUI lediglich Lernzeitraum, Abtastintervall und Algorithmus aus und erhält das Ergebnis unmittelbar als Diagramm und Tabelle.

Diese Oberfläche wird für folgende Analysen verwendet:

Prognose der Tag-Werte für die kommenden N Zeitpunkte (Bedarfsprognose, Produktionsmengenprognose usw.)
Erkennung von Werten, die statistisch von den historischen Daten abweichen
Referenzanalyse zur Festlegung von Schwellenwerten für Alarmregeln

Pfad: In der aktuellen integrierten Seitenleiste wird der Eintrag möglicherweise nicht als Standardmenü angezeigt. Die interne URL lautet /forecast/index, der Titel der Oberfläche lautet Maschinelles Lernen.

Dieses Dokument beschreibt die Zusatzoberfläche für Prognose und Anomaliediagnose. Für den Betriebsablauf entlang des linken Menüs ziehen Sie bitte vorrangig Konsolennavigation und gemeinsame Oberflächen heran.

Aufbau der Oberfläche

┌──────────────────────────────────────────────────────────────────┐
│  🧠 기계학습                                                       │ ← ① 상단
├─────────────────────┬────────────────────────────────────────────┤
│                     │                                            │
│  📄 양식             │  📈 기계학습 결과                           │
│  ─────────────────  │  ────────────────────────────────────────│
│  ◯ 대상 태그 선택    │  [학습 데이터] [이상진단 건수] [실행 시간]  │ ← 요약 카드
│   • 태그명 입력      │                                            │
│                     │  ┌──────────────────────────────────────┐  │
│  ◯ 데이터 구간       │  │                                      │  │
│   • 학습 구간 (날짜)  │  │       결과 차트 (520px)               │  │
│   • 샘플링 주기       │  │                                      │  │
│                     │  └──────────────────────────────────────┘  │
│  ◯ 기계학습 속성      │                                            │
│   • 예측 알고리즘     │  ◯ 예측 데이터 (테이블)                     │
│   • 예측 갯수        │  ◯ 이상진단 데이터 (테이블)                  │
│   • 이상진단 알고리즘 │                                            │
│   • 개연성           │                                            │
│                     │                                            │
│  [🚀 기계학습 시작]   │                                            │
└─────────────────────┴────────────────────────────────────────────┘

Bereich	Position	Anzeige
① Oben	volle Breite	Seitentitel
② Links	col-lg-3	Formular (Eingabemaske) — 4 fieldset + Startschaltfläche
③ Rechts	col-lg-9	Ergebnis des maschinellen Lernens — 3 Übersichtskarten + Diagramm + zwei Ergebnistabellen

Oben — Seitentitel

Element	Anzeige
Seitentitel	🧠 „Maschinelles Lernen"

Links — Formular (Eingabemaske)

Das Formular im linken Bereich besteht aus 4 Gruppen (<fieldset>).

1) Auswahl des Ziel-Tags

Eingabe	name	Breite	placeholder	Beschreibung
Tagname	`tag_name`	250px (blauer Rahmen, 2px)	„Tagname eingeben"	Auswahl per Autovervollständigung aus der Liste der registrierten Tags. Nach der Auswahl wird der Wert sofort im hidden-Feld `tag_id` gespeichert

Rechts neben dem Eingabefeld erscheinen ein 🧭-Symbol sowie der Hinweistext „Bitte wählen Sie den Tag aus, für den das maschinelle Lernen durchgeführt werden soll."

2) Datenbereich

Eingabe	name	Breite	Beschreibung
Lernzeitraum	`learning_time`	250px (zentriert, fett)	Start- bis Endzeitpunkt. Beim Anklicken öffnet sich die Datumsbereichsauswahl. Beim Absenden des Formulars wird der Wert über die hidden-Felder `learning_date_from` / `learning_date_to` übergeben
Abtastintervall	`term`	200px	Auswahlfeld — Optionen „Abtastintervall" (z. B. `1_MIN` / `5_MIN` / `30_MIN` / `1_HOUR` / `1_DAY` und weitere im System definierte Intervalle)

Was bedeutet Abtastung?

Option	Bedeutung
Original (RAW)	Lernen mit allen Datenpunkten — geeignet für Tags mit vielen Daten und schnellen Schwankungen
Abtastung (Snapshot)	Lernen mit je einem Repräsentativwert pro Intervall — geringerer Rechenaufwand bei langen Zeiträumen

Über einen hidden-Selektor ist sampling="LAST" als Standard eingestellt (der letzte Wert wird als Repräsentativwert verwendet).

3) Eigenschaften des maschinellen Lernens

Prognosealgorithmus (`forecast_algorithm`)

Option	Bezeichnung	Eigenschaften
`LINEAR_REGRESSION` (Standard)	Linear regression	Einfacher linearer Trend — schnell und leicht interpretierbar
`ARIMA`	Auto-regressive Integrated Moving Average	Nutzt Autokorrelation und Saisonalität der Zeitreihe
`SMO_REG`	Support vector machine for regression	Nichtlineare Muster, robust gegenüber Rauschen
`GAUSSIAN_PROCESSES`	Stochastic process	Probabilistische Prognose + Unsicherheitsabschätzung

Anzahl der Prognosen (`forecast_count`)

Eingabe	Breite	Beschreibung
Texteingabe	200px (rechtsbündig)	Anzahl der zu prognostizierenden Ergebnisse (in Zeitstempel-Einheiten)

Beispiel: Abtastintervall 1_HOUR + Prognoseanzahl 24 = Prognose für die kommenden 24 Stunden

Anomaliediagnose-Algorithmus (`abnomal_algorithm`)

Option	Bezeichnung	Eigenschaften
`EGADS` (Standard)	Seasonal-naive-based	Berücksichtigt Saisonalität, allgemein für Betriebsdaten geeignet
`DBSCAN`	Cluster-based	Punkte außerhalb der Cluster gelten als Ausreißer
`GAUSS_BASED`	Statistical-based	Statistische Ausreißererkennung auf Basis der Normalverteilung
`HIL_OUT`	Distance-based	Distanzbasierte Ausreißer

Plausibilitätsfilter (`probability_filter`)

Eingabe	Breite	Bedeutung
Texteingabe	200px (rechtsbündig)	Schwellenwert zwischen 0 und 1. Nur Daten, deren Plausibilitätswert mindestens diesem Wert entspricht, werden als Anomaliedaten bewertet

Beispiel: Bei Eingabe von 0.95 werden nur starke Ausreißer mit einer Plausibilität von mindestens 95 % erkannt. Je kleiner der Wert, desto mehr Ausreißer werden erfasst, desto häufiger sind jedoch Fehlalarme.

4) Schaltfläche „Maschinelles Lernen starten"

Schaltfläche	Breite	Aktion
🚀 Maschinelles Lernen starten	250px (blau)	Nach Prüfung der Eingaben wird die Lernanforderung an das Backend gesendet. Während der Ausführung wird im rechten Diagrammbereich der Fortschritt angezeigt. Nach Abschluss werden das Ergebnisdiagramm und die beiden Tabellen gefüllt

Rechts — Ergebnis des maschinellen Lernens

Drei Übersichtskarten

Oberhalb des Diagramms befindet sich eine horizontale, dreigeteilte Kartenleiste (total_ml_co).

Karte	ID	Anzeige
Lerndaten	`result_learning_count`	Anzahl der zum Lernen verwendeten Datenpunkte
Anzahl der Anomaliediagnosen	`result_abnomal_count`	Anzahl der erkannten Ausreißer
Ausführungszeit	`result_text`	Dauer der Verarbeitung von Lernen und Prognose

Vor der Ausführung wird überall - angezeigt. Unmittelbar nach der Ausführung erfolgt die Befüllung automatisch.

Ergebnisdiagramm

Im Diagrammbereich (data_chart, Breite 100 % × Höhe 520px) wird Folgendes gemeinsam dargestellt:

Datenreihe	Bedeutung
Messwerte des Lernzeitraums	Ursprüngliche Zeitreihe des eingegebenen Lernzeitraums
Prognosewert	Die nach dem Lernen prognostizierten N künftigen Zeitpunkte
Prognoseobergrenze (LIMIT_MAX)	Obergrenze des Prognose-Konfidenzintervalls
Prognoseuntergrenze (LIMIT_MIN)	Untergrenze des Prognose-Konfidenzintervalls
Ausreißermarker	Gesonderte Kennzeichnung der von der Anomaliediagnose erkannten Zeitpunkte

Ist das Diagramm leer, wird ein Hinweistext angezeigt.

🤖 [Machine-Learning-Illustration]

Wählen Sie den Ziel-Tag aus und starten Sie anschließend das maschinelle Lernen.

Tabelle der Prognosedaten

Tabelle unterhalb der Beschriftung Prognosedaten von <fieldset> (forecast_data_table).

Spalte	Breite	Anzeige
Nr.	60px	Zeilennummer
Zeitstempel	200px	Prognosezeitpunkt
Prognosewert	automatisch	Vom Algorithmus ermittelter Prognosewert
WEIGHT	automatisch	Prognosegewichtung (Bedeutung je nach Algorithmus unterschiedlich)
LIMIT_MIN	automatisch	Prognoseuntergrenze
LIMIT_MAX	automatisch	Prognoseobergrenze

Tabelle der Anomaliediagnosedaten

Tabelle unterhalb der Beschriftung Anomaliediagnosedaten von <fieldset> (abnomal_data_table).

Spalte	Breite	Anzeige
Nr.	60px	Zeilennummer
Zeitstempel	200px	Zeitpunkt, zu dem der Ausreißer erkannt wurde
Anomaliediagnosewert	200px	Tatsächlicher Messwert zu diesem Zeitpunkt
Plausibilität (PROBABILITY)	automatisch	Konfidenz des Ausreißers (0–1; je näher an 1, desto ausgeprägter der Ausreißer)

Leitfaden zur Auswahl von Prognose- und Anomaliediagnose-Algorithmen

Orientierungshilfe für die Wahl eines zu Ihren Betriebsdaten passenden Algorithmus.

Prognosealgorithmen

Datencharakteristik	Empfohlener Algorithmus
Monoton steigender/fallender Trend	`LINEAR_REGRESSION`
Tages- oder wochenweise wiederkehrende Muster	`ARIMA`
Nichtlineare, stark verrauschte Daten	`SMO_REG`
Wenn zusätzlich die Prognoseunsicherheit sichtbar sein soll	`GAUSSIAN_PROCESSES`

Anomaliediagnose-Algorithmen

Datencharakteristik	Empfohlener Algorithmus
Allgemeine Betriebsdaten mit Saisonalität	`EGADS` (Standard)
Multivariate Daten, für die eine mehrdimensionale Clusteranalyse geeignet ist	`DBSCAN`
Stabile, annähernd normalverteilte Daten	`GAUSS_BASED`
Distanzbasiert zwischen Punkten (globale/lokale Anomalien)	`HIL_OUT`

Leitfaden zum Plausibilitätsfilter

Wert	Wirkung
`0.5`	Erkennt auch schwache Ausreißer (höhere Wahrscheinlichkeit für Fehlalarme ↑)
`0.8`	Für den allgemeinen Betrieb geeignet
`0.95`	Erkennt nur starke Ausreißer (nur eindeutige Anomalien)
`0.99`	Nur sehr starke Ausreißer (kaum Fehlalarme, höheres Risiko von Auslassungen ↑)

Anwendungsszenarien

Szenario	Beispielkonfiguration
24-Stunden-Prognose der Motortemperatur	Tag=`MOTOR-001.TEMP` / Lernzeitraum 7 Tage / Abtastung 1 Stunde / `LINEAR_REGRESSION` / 24 Prognosen
Wochenprognose des Energieverbrauchs	Tag=`POWER.kWh` / Lernzeitraum 30 Tage / Abtastung 1 Stunde / `ARIMA` / 168 Prognosen
Ausreißererkennung bei Qualitätsmesswerten	Tag=`QUALITY.SCORE` / Lernzeitraum 14 Tage / Abtastung 5 Minuten / `EGADS` / Plausibilität `0.9`
Erkennung von Auffälligkeiten am Schwingungssensor	Tag=`VIB-001.RMS` / Lernzeitraum 7 Tage / Abtastung RAW / `DBSCAN` / Plausibilität `0.95`
Festlegung von Alarmschwellenwerten	Lernen über eine Woche stabilen Betriebs → LIMIT_MAX von `GAUSS_BASED` als Alarmschwellenwert übernehmen

Häufig gestellte Fragen

F. Nach dem Start des Lernvorgangs erscheint das Ergebnis nur langsam. A. Bei langen Lernzeiträumen oder kurzen Abtastintervallen dauert die Verarbeitung länger. Wählen Sie beim ersten Versuch einen kurzen Lernzeitraum von 1–3 Tagen mit einem Abtastintervall von etwa 1 Stunde und messen Sie die Dauer.

F. Der Prognosewert verläuft zu flach. A. Bei LINEAR_REGRESSION als Lernalgorithmus wird nur ein monotoner Trend erfasst. Wechseln Sie bei periodischen Daten zu ARIMA.

F. Es werden zu viele / zu wenige Ausreißer erkannt. A. Passen Sie den Wert des Plausibilitätsfilters an. Bei zu vielen Treffern erhöhen Sie ihn auf 0,9–0,95, bei zu wenigen senken Sie ihn auf 0,5–0,7.

F. Darf der Lernzeitraum auch kurz sein? A. Ist der Lernzeitraum zu kurz, kann das Modell keine ausreichenden Muster erlernen. Im Allgemeinen empfehlen wir einen Lernzeitraum von mindestens dem Zehnfachen der Prognoseanzahl.

F. Was bedeutet die Spalte WEIGHT in der Ergebnistabelle? A. Das hängt vom Algorithmus ab. Bei Regressionsmodellen dient sie als Prognosegewichtung, bei probabilistischen Modellen als Konfidenzmaß. Für den normalen Betrieb ist das Konfidenzintervall aus LIMIT_MIN/LIMIT_MAX aussagekräftiger.

F. Ich möchte die Ergebnisse an andere weitergeben. A. Das Diagramm können Sie über das Download-Symbol als PNG-Bild speichern; die Tabelle kopieren Sie über die Tabellenkopierfunktion des Browsers oder das Kontextmenü. (Die Schaltfläche für den CSV-Download ist derzeit deaktiviert.)

F. Ich möchte mehrere Algorithmen für denselben Tag vergleichen. A. Führen Sie den Vorgang mit jedem Algorithmus einmal aus, speichern Sie das Diagramm jeweils als PNG und vergleichen Sie die Bilder anschließend in einem externen Werkzeug nebeneinander. Bei den Anomaliediagnose-Algorithmen wird häufig EGADS↔DBSCAN verglichen.

F. Kann ich das Prognoseergebnis als Schwellenwert einer Alarmregel verwenden? A. Ja. Übertragen Sie LIMIT_MAX/LIMIT_MIN eines stabilen Lernergebnisses als EQL-Alarmschwellenwert in Alarm; so lassen sich statistisch basierte Schwellenwerte automatisieren.

F. Kann das Lernergebnis automatisch in das Alarmband übernommen werden? A. Ja. Über die Verdrahtung des Knotens flow_update_tag_alarm_band_numeric in Flow lässt sich dies automatisieren.

Inhaltsverzeichnis​

Übersicht​

Aufbau der Oberfläche​

Oben — Seitentitel​

Links — Formular (Eingabemaske)​

1) Auswahl des Ziel-Tags​

2) Datenbereich​

Was bedeutet Abtastung?​

3) Eigenschaften des maschinellen Lernens​

Prognosealgorithmus (forecast_algorithm)​

Anzahl der Prognosen (forecast_count)​

Anomaliediagnose-Algorithmus (abnomal_algorithm)​

Plausibilitätsfilter (probability_filter)​

4) Schaltfläche „Maschinelles Lernen starten"​

Rechts — Ergebnis des maschinellen Lernens​

Drei Übersichtskarten​

Ergebnisdiagramm​

Tabelle der Prognosedaten​

Tabelle der Anomaliediagnosedaten​

Leitfaden zur Auswahl von Prognose- und Anomaliediagnose-Algorithmen​

Prognosealgorithmen​

Anomaliediagnose-Algorithmen​

Leitfaden zum Plausibilitätsfilter​

Anwendungsszenarien​

Häufig gestellte Fragen​

Verwandte Oberflächen​