Analisi delle tendenze (L2)
Elaborazione statistica dei dati dei sensori con finestre temporali, regressione lineare e rilevamento anomalie.
Cos'e l'analisi delle tendenze
L'analisi delle tendenze corrisponde al livello L2 (Data Manipulation) di ISO 13374. Prende i dati grezzi dalle sorgenti di eventi e li trasforma in statistiche, tendenze e segnali di anomalia che alimentano i livelli superiori del sistema.
Statistiche rolling
Per ogni metrica monitorata, il sistema calcola statistiche cumulative su finestre temporali configurabili:
| Statistica | Descrizione |
|---|---|
| min | Valore minimo nella finestra |
| max | Valore massimo nella finestra |
| avg | Media aritmetica |
| stddev | Deviazione standard |
| count | Numero di campioni |
Finestre temporali
Le finestre temporali disponibili sono:
| Finestra | Uso tipico |
|---|---|
| 1h | Rilevamento rapido di cambiamenti improvvisi |
| 6h | Monitoraggio del turno |
| 24h | Tendenza giornaliera |
| 7d | Tendenza settimanale |
Le statistiche vengono ricalcolate automaticamente con ogni nuovo dato ricevuto. Non e necessario configurare intervalli di calcolo.
Regressione lineare
Il sistema adatta una linea di regressione sui dati di ogni finestra temporale per identificare le tendenze:
| Metrica | Descrizione |
|---|---|
| slope | Pendenza della linea — positiva indica aumento, negativa indica diminuzione |
| r_squared | Coefficiente di determinazione (0-1) — indica quanto bene la linea spiega i dati |
{
"regression": {
"slope": 0.15,
"r_squared": 0.87,
"interpretation": "increasing_trend"
}
}Un r_squared > 0.7 indica una tendenza chiara e affidabile.
Tasso di variazione
Il tasso di variazione per ora misura la velocita con cui una metrica sta cambiando:
rate_of_change = (valore_attuale - valore_1h_fa) / 1 oraUn tasso di variazione elevato combinato con un r_squared alto indica un degrado rapido e costante che richiede attenzione immediata.
Medie mobili
Il sistema calcola due tipi di medie mobili per attenuare il rumore e rilevare tendenze:
SMA (Simple Moving Average)
Media semplice degli ultimi N punti di dati. Tratta tutti i punti con lo stesso peso.
EMA (Exponential Moving Average)
Media ponderata che da maggiore importanza ai dati recenti. Reagisce piu velocemente ai cambiamenti rispetto alla SMA.
| Tipo | Vantaggio | Svantaggio |
|---|---|---|
| SMA | Stabile, meno falsi positivi | Lento nel rilevare cambiamenti |
| EMA | Risposta rapida ai cambiamenti | Piu sensibile al rumore |
Monitoraggio delle bande
Definisce soglie operative per ogni metrica:
| Soglia | Descrizione |
|---|---|
| high | Limite superiore dell'operazione normale |
| low | Limite inferiore dell'operazione normale |
| critical_high | Limite critico superiore |
| critical_low | Limite critico inferiore |
Quando un valore supera una soglia, il sistema genera una violazione di banda che viene inclusa nell'analisi delle anomalie.
{
"bands": {
"temperature": {
"low": 20, "high": 80,
"critical_low": 10, "critical_high": 95
}
}
}Rilevamento anomalie
Il sistema combina tre metodi per rilevare anomalie:
1. Z-score
Un punto di dati e anomalo se il suo z-score e maggiore di 2 (cioe, e a piu di 2 deviazioni standard dalla media).
z_score = (valore - media) / deviazione_standard2. Violazioni di banda
Qualsiasi valore che supera le soglie configurate viene contrassegnato come anomalia.
3. Tendenze forti
Una tendenza e considerata forte quando:
- Lo slope supera una soglia configurabile.
- L'r_squared e maggiore di 0.7.
Le anomalie rilevate vengono segnalate al livello L3 (State Detection) per aggiornare la valutazione della condizione dell'asset.
Visualizzazione
La dashboard mostra le tendenze con:
- Grafico a linee temporali con bande operative.
- Indicatori di anomalie evidenziati in rosso.
- Linea di regressione sovrapposta.
- SMA e EMA come linee tratteggiate opzionali.
Linee di base e stato di condizione (L3)
Apprendi linee di base dal comportamento normale delle apparecchiature, rileva modalita operative e valuta la condizione attuale.
Rilevamento Anomalie
Rilevamento anomalie basato su ML (IsolationForest + LocalOutlierFactor). Si addestra sui tuoi dati e ti avvisa quando un asset si comporta in modo inusuale, prima che scattino allarmi a soglia.