Prädiktive Analyse (Maschinelles Lernen)

Inhaltsverzeichnis

Überblick
Bildschirmaufbau
Oben — Seitentitel
Links — Formular (Eingabemaske)
Rechts — Ergebnisse des maschinellen Lernens
Leitfaden zur Auswahl von Prognose- und Anomalieerkennungsalgorithmen
Anwendungsszenarien
Häufig gestellte Fragen
Verwandte Bildschirme

Überblick

Der Bildschirm „Prädiktive Analyse“ lernt aus Zeitreihen-Tagdaten, prognostiziert künftige Werte und erkennt Ausreißer (Anomalieerkennung). Sobald der Betreiber in der GUI Lernzeitraum, Abtastintervall und Algorithmus auswählt, lassen sich die Ergebnisse unmittelbar als Diagramm und Tabelle einsehen.

Dieser Bildschirm wird für folgende Analysen verwendet:

Prognose der Tag-Werte für die nächsten N Zeitpunkte (Bedarfsprognose, Produktionsmengenprognose usw.)
Erkennung statistisch abweichender Werte in historischen Daten
Referenzanalyse zur Festlegung von Schwellenwerten für Alarmregeln

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

Dieses Dokument beschreibt den Zusatzbildschirm für Prognose und Anomalieerkennung. Für den Betriebsablauf gemäß dem linken Menü ziehen Sie zunächst Konsolennavigation und gemeinsame Bildschirme heran.

Bildschirmaufbau

┌──────────────────────────────────────────────────────────────────┐
│  🧠 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	Ergebnisse 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
Tag-Name	`tag_name`	250px (blauer Rahmen, 2px)	„Tag-Namen eingeben“	Auswahl per Autovervollständigung aus der Liste registrierter Tags. Unmittelbar nach der Auswahl wird der Wert im Hidden-Feld `tag_id` gespeichert

Rechts neben dem Eingabefeld werden zusätzlich das Symbol 🧭 sowie der Hinweistext „Bitte wählen Sie den Tag aus, für den das maschinelle Lernen durchgeführt werden soll.“ angezeigt.

2) Datenbereich

Eingabe	name	Breite	Beschreibung
Lernzeitraum	`learning_time`	250px (zentriert, fett)	Start- bis Enddatum/-zeit. Beim Klicken öffnet sich die Datumsbereichsauswahl. Beim Absenden des Formulars werden die Werte über die Hidden-Felder `learning_date_from` / `learning_date_to` übergeben
Abtastintervall	`term`	200px	Auswahlfeld — Optionen für „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)	Alle Datenpunkte werden unverändert gelernt — für Tags mit vielen Daten und schnellen Änderungen
Abtastung (Snapshot)	In festen Intervallen wird ein repräsentativer Wert entnommen — reduziert Aufwand bei langen Lernzeiträumen

Über einen Hidden-Selektor ist sampling="LAST" voreingestellt (der letzte Wert wird als repräsentativ 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 + Unsicherheitsschätzung

Anzahl der Prognosewerte (`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 nächsten 24 Stunden

Anomalieerkennungsalgorithmus (`abnomal_algorithm`)

Option	Bezeichnung	Eigenschaften
`EGADS` (Standard)	Seasonal-naive-based	Berücksichtigt Saisonalität, üblich für Betriebsdaten
`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

Wahrscheinlichkeitsfilter (`probability_filter`)

Eingabe	Breite	Bedeutung
Texteingabe	200px (rechtsbündig)	Schwellenwert zwischen 0 und 1. Nur Daten mit einem Wahrscheinlichkeitswert ab diesem Schwellenwert werden als Anomalie gewertet

Beispiel: Bei Eingabe von 0.95 werden nur starke Ausreißer mit einer Wahrscheinlichkeit von mindestens 95 % erkannt. Je kleiner der Wert, desto mehr Ausreißer werden erfasst, aber desto mehr Fehlalarme entstehen.

4) Schaltfläche „Maschinelles Lernen starten“

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

Rechts — Ergebnisse des maschinellen Lernens

Drei Übersichtskarten

Oberhalb des Diagramms befinden sich drei horizontal angeordnete Karten (total_ml_co).

Karte	ID	Anzeige
Lerndaten	`result_learning_count`	Anzahl der für das Lernen verwendeten Datenpunkte
Anzahl der Anomalien	`result_abnomal_count`	Anzahl der erkannten Ausreißer
Ausführungszeit	`result_text`	Dauer der Lern- und Prognoseverarbeitung

Vor der Ausführung wird überall - angezeigt. Unmittelbar nach der Ausführung werden die Werte automatisch befüllt.

Ergebnisdiagramm

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

Serie	Bedeutung
Messwerte des Lernzeitraums	Original-Zeitreihe des eingegebenen Lernzeitraums
Prognosewerte	Die nach dem Lernen prognostizierten N künftigen Zeitpunkte
Prognose-Obergrenze (LIMIT_MAX)	Obergrenze des Prognose-Konfidenzintervalls
Prognose-Untergrenze (LIMIT_MIN)	Untergrenze des Prognose-Konfidenzintervalls
Ausreißer-Marker	Gesonderte Kennzeichnung an den durch die Anomalieerkennung erkannten Zeitpunkten

Ist das Diagramm leer, wird ein Hinweistext angezeigt.

🤖 [Machine-Learning-Illustration]

Bitte wählen Sie einen 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 berechneter Prognosewert
WEIGHT	Automatisch	Prognosegewichtung (Bedeutung je nach Algorithmus unterschiedlich)
LIMIT_MIN	Automatisch	Prognose-Untergrenze
LIMIT_MAX	Automatisch	Prognose-Obergrenze

Tabelle der Anomaliedaten

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

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

Leitfaden zur Auswahl von Prognose- und Anomalieerkennungsalgorithmen

Nutzen Sie diese Hinweise bei der 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 auch die Prognoseunsicherheit sichtbar sein soll	`GAUSSIAN_PROCESSES`

Anomalieerkennungsalgorithmen

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 Wahrscheinlichkeitsfilter

Wert	Wirkung
`0.5`	Erkennt auch schwache Ausreißer (höhere Fehlalarmwahrscheinlichkeit ↑)
`0.8`	Für den normalen Betrieb geeignet
`0.95`	Erkennt nur starke Ausreißer (nur eindeutige Anomalien)
`0.99`	Nur sehr starke Ausreißer (kaum Fehlalarme, höhere Wahrscheinlichkeit für übersehene Fälle ↑)

Anwendungsszenarien

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

Häufig gestellte Fragen

F. Nach dem Start des Lernvorgangs erscheinen die Ergebnisse nur langsam. A. Bei langem Lernzeitraum oder kurzem Abtastintervall dauert die Verarbeitung entsprechend länger. Wählen Sie beim ersten Versuch einen kurzen Lernzeitraum von 1–3 Tagen bei einem Abtastintervall von etwa 1 Stunde und messen Sie die Dauer.

F. Die Prognosewerte verlaufen zu flach. A. Ist der Lernalgorithmus LINEAR_REGRESSION, wird nur ein monotoner Trend erfasst. Bei Daten mit Periodizität sollten Sie auf ARIMA umstellen.

F. Es werden zu viele bzw. zu wenige Ausreißer erkannt. A. Passen Sie den Wert des Wahrscheinlichkeitsfilters 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 nicht genügend Muster erlernen. Im Allgemeinen wird empfohlen, den Lernzeitraum auf mindestens das Zehnfache der Prognoseanzahl anzusetzen.

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. Speichern Sie das Diagramm über das Download-Symbol als PNG-Bild; Tabellen können Sie über die Tabellenkopierfunktion des Browsers oder das Kontextmenü kopieren. (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 die Diagramme als PNG und vergleichen Sie sie in einem externen Werkzeug nebeneinander. Bei den Anomalieerkennungsalgorithmen wird häufig EGADS↔DBSCAN verglichen.

F. Können die Prognoseergebnisse als Schwellenwerte für Alarmregeln verwendet werden? A. Ja. Übertragen Sie LIMIT_MAX/LIMIT_MIN stabiler Lernergebnisse als EQL-Alarmschwellenwerte in Alarm, um statistisch basierte Schwellenwerte zu automatisieren.

F. Können Lernergebnisse 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​

Überblick​

Bildschirmaufbau​

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 Prognosewerte (forecast_count)​

Anomalieerkennungsalgorithmus (abnomal_algorithm)​

Wahrscheinlichkeitsfilter (probability_filter)​

4) Schaltfläche „Maschinelles Lernen starten“​

Rechts — Ergebnisse des maschinellen Lernens​

Drei Übersichtskarten​

Ergebnisdiagramm​

Tabelle der Prognosedaten​

Tabelle der Anomaliedaten​

Leitfaden zur Auswahl von Prognose- und Anomalieerkennungsalgorithmen​

Prognosealgorithmen​

Anomalieerkennungsalgorithmen​

Leitfaden zum Wahrscheinlichkeitsfilter​

Anwendungsszenarien​

Häufig gestellte Fragen​

Verwandte Bildschirme​