NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - AI模型在线查看 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割 - 3D道路快速建模

在跟踪来自大量 IoT 设备的遥测数据时，必须快速检测何时出现问题。例如，一支长途卡车车队需要满足苛刻的时间表，并且无法承受意外故障，因为车队经理管理着道路上的数千辆卡车。借助当今的物联网技术，这些卡车可以每隔几秒钟向云托管的远程信息处理软件报告其发动机和货物状态。该软件如何筛选大量传入消息以识别新出现的问题并避免代价高昂的故障？是否可以利用机器学习的力量来提供预测性分析，从而自动发现难以检测的问题？

如之前的博客文章所述，实时数字孪生提供了强大的软件架构，用于跟踪和分析来自大量数据源的物联网遥测数据。实时数字孪生是在快速、可扩展的内存计算平台中运行的软件组件，它托管跟踪单个数据源（例如车队中的卡车）所需的分析代码和状态信息。数以千计的实时数字孪生一起运行以跟踪所有数据源，并对传入的遥测数据进行高度精细的实时分析。通过建立在广泛使用的数字孪生概念之上，实时数字孪生同时增强了实时流分析并简化了应用程序设计。

将机器学习技术整合到实时数字孪生中，可以将它们的强大功能和简单性提升到一个新的水平。虽然分析代码可以用流行的编程语言（如 Java 和 C#）编写，甚至可以使用简化的规则引擎，创建算法以找出隐藏在遥测数据流中的新兴问题仍然具有挑战性。在许多情况下，算法本身可能是未知的，因为导致设备故障的底层过程没有被很好地理解。在这些情况下，可以训练机器学习 (ML) 算法，通过向其提供数千条已分类为正常或异常的历史遥测消息来识别异常遥测模式。无需手动分析编码。在训练和测试之后，机器学习算法可以投入使用，监控传入的遥测数据，并在观察到可疑的异常遥测数据时发出警报。

为了使 ML 算法能够在实时数字孪生体中运行，ScaleOut Software 已将微软流行的机器学习库ML.NET集成到其基于 Azure 的ScaleOut Digital Twin Streaming Service™中。使用ScaleOut 模型开发工具™（以前称为 ScaleOut 规则引擎开发工具），用户可以在其实时数字孪生模型中选择、训练、评估、部署和测试 ML 算法。部署后，ML 算法会为每个数据源独立运行，在到达后的几毫秒内检查传入的遥测数据并记录异常事件。实时数字双胞胎还可以配置为生成警报并将其发送给流行的警报提供商，例如Splunk，Slack和PagerDuty。此外，还可以选择使用业务规则来进一步扩展实时分析。

下图说明了使用 ML 算法来跟踪由实时数字孪生监控的发动机和货物参数，该数字孪生为车队中的每辆卡车托管 ML 算法。当 ML 算法检测到异常参数时（如遥测中的尖峰所示），实时数字孪生记录该事件并向警报提供者发送消息：

训练 ML 算法以识别异常遥测数据只需要提供一组已分类为正常或异常的历史数据的训练集。使用这些训练数据，ScaleOut 模型开发工具允许用户使用称为监督学习的技术训练和评估 ML.NET 提供的多达十个二分类算法。然后，用户可以根据训练和测试期间生成的每个算法的指标选择适当的训练算法进行部署。（使用为训练提供的部分数据对算法进行了测试。）

例如，考虑一个电动机，它定期向其实时数字孪生提供三个参数（温度、RPM 和电压），以便通过 ML 算法进行监控，以检测异常并在发生异常时生成警报：

这个过程的输出是一个实时数字孪生模型，可以部署到流媒体服务中。当每个电机向流媒体服务报告其遥测数据时，将创建一个独特的实时数字孪生“实例”（一个软件对象），以使用 ML 算法跟踪该电机的遥测数据。

除了监督学习之外，ML.NET 还提供了一种用于尖峰检测的算法（称为自适应核密度估计算法），它可以检测单个参数的遥测快速变化。ScaleOut 模型开发工具允许用户使用该算法为选定的参数添加尖峰检测。此外，检测参数遥测随时间发生的异常但微妙的变化通常很有用。例如，如果预计电动机的温度将保持恒定，则检测可能无法观察到的温度缓慢升高将很有用。为了满足这一需求，该工具允许用户使用 ScaleOut 开发的线性回归用于检测和报告遥测中单个参数的拐点的算法。这两种用于跟踪遥测参数变化的技术如下所示：

机器学习提供重要的实时洞察，增强态势感知并实现快速、有效的响应。它们通常可以为无法使用手动编码算法分析的复杂数据集提供有用的分析。它们的实用性和采用率正在迅速增长。使用 ScaleOut 模型开发工具，现在可以轻松地增强实时数字双胞胎，使用充分利用 Microsoft ML.NET 库的机器学习技术自动分析传入的遥测消息。机器学习与实时数字双胞胎的集成能够以快速、可扩展的性能自动、独立地实时分析数千个数据流。最重要的是，无需编码，可实现快速、轻松的模型开发。

原文链接：Machine Learning Supercharges Real-Time Digital Twins

BimAnt翻译整理，转载请标明出处