CUSUM ve EWMA: küçük ve kalıcı kaymaları yakalamak
Birikimli toplam ve üssel ağırlıklı ortalama ile küçük süreç kaymalarını nasıl erken gördüğünüzü, altı ölçümlük bir örnekle izleyin ve parametreleri yanlış alarm dengesiyle seçin.
Sensör kayması, girdi sabit kalsa bile ölçümün yavaş ve yönlü biçimde değişmesidir. Yedekli sensör karşılaştırması, bilinen durumda referans kontrolü, fiziksel denge ve uzun dönem taban çizgisi ile fark edilir. Kaymayı proses değişiminden ayırmak gerekir; aksi halde yanlış sonuç çıkar.
Kayma (drift), bir sensörün ölçümünün girdi değişmediği halde zamanla sistematik olarak değişmesidir. Gürültüden farkı, yönünün belli ve hızının yavaş olmasıdır. Tek bir ölçüme bakarak fark etmek zordur, çünkü etkisi normal proses dalgalanmasının içinde kalabilir. Bu yüzden genellikle bir referansla kıyaslama yapılır ya da uzun bir zaman penceresinde eğilim incelenir.
Kayma, sensörün kendi davranışıdır. Proses kayması ise sürecin gerçekten değiştiği anlamına gelir. İkisi aynı grafikte görünebilir, ama nedenleri ve yapılacak işler farklıdır. Kalibrasyon hatası, kirlenme, mekanik yıpranma ve sıcaklığa bağlı davranış sık görülen nedenlerdir.
Aynı boruya iki sıcaklık sensörü takılmış olsun (hipotetik). Başlangıçta iki sensör arasındaki fark 0 °C'dir. Sensör A'nın, sensör B'ye göre her ay 0,2 °C kaydığını varsayalım. Altı ay sonra fark 6 × 0,2 = 1,2 °C olur. Tolerans bandı 0,5 °C seçilirse fark üçüncü ayda, 3 × 0,2 = 0,6 °C ile bu bandı aşar. Ancak fark tek başına hangi sensörün kaydığını söylemez. Üçüncü bir referans ya da bilinen bir sıcaklıkta kontrol gerekir. Küçük ve sürekli bir kaymayı erken görmek için EWMA ya da CUSUM gibi yöntemler, tek eşik aşımından daha erken sinyal verebilir.
En önemli hata, kaymayı proses değişimi sanmak ya da tersini yapmaktır. Proses gerçekten değiştiyse, sensörü düzeltmek bu değişimi gizler. İkinci hata, kayan veriyle ML modelini yeniden eğitmektir: model yeni durumu normal öğrenir ve kayma anomali olarak görünmez. Üçüncü hata, referans kontrolü olmadan yalnızca istatistiğe güvenmektir. Tek bir sensör, kendi geçmişine göre yavaş bir kaymayı hep normal gösterebilir. Yedekli sensörler de ortak bir etki, örneğin ortak bir ısı kaynağı, yüzünden birlikte kayabilir.
Kalibrasyon hatası genellikle belirli bir anda, referansla karşılaştırmada ortaya çıkan bir ofsettir. Kayma ise kalibrasyonlar arasında birikir ve as-found değerlerinin eğiliminde görülür. İki bilgi birlikte kullanılırsa sapmanın ne zaman başladığı ve ne kadar hızlı ilerlediği daha güvenle tahmin edilebilir.
Kısmen. Çok değişkenli bir model, sensörün diğer değişkenlerle ilişkisi bozulduğunda sapma gösterebilir. Ancak yavaş kaymayı çoğu zaman normal değişim olarak öğrenir. ML çıktısını tek başına kanıt saymayın; referans kontrolü ve fiziksel dengeyle birlikte kullanın.
Örnek sayılar varsayımsaldır; sahada doğrulanmış sonuç iddiası değildir.