Steg 2: Anslut pipeline-inställningar

Definiera delade konfigurationsvärden som används i hela arbetsflödet.

1. Öppna Pipeline Settings och ställ in anomalyThreshold till 2.5.
2. Ställ in dashboardApiUrl till <__PLACEHOLDER_VALUE__Dashboard API endpoint URL__>.
3. Ställ in slackChannel till <__PLACEHOLDER_VALUE__Slack channel name__>.
4. Ställ in alertEmail till <__PLACEHOLDER_VALUE__Alert recipient email address__>.
5. Ställ in mlModelApiUrl till <__PLACEHOLDER_VALUE__ML model training API endpoint__>.

Steg 3: Sätt upp datavalidering och standardisering

Validera inkommande sensordata och normalisera fält innan lagring.

1. I Edge Data Validation, behåll Mode inställt på runOnceForEachItem och bevara den medföljande JS-koden för validering och rensning.
2. Konfigurera Standardize Sensor Values för att mappa fält med uttryck som {{ $json.sensor_id }}, {{ new Date($json.timestamp).toISOString() }} och {{ parseFloat($json.value) }}.
3. Säkerställ att normalized_value beräknas med {{ $json.sensor_type === 'temperature' && $json.unit === 'F' ? (parseFloat($json.value) - 32) * 5/9 : parseFloat($json.value) }}.

Steg 4: Lagra mätvärden och beräkna anomali-score

Arkivera rådata, aggregera mätvärden och tillämpa statistisk avvikelsedetektering.

1. Konfigurera Archive Raw Readings för att skriva till schemat public och tabellen sensor_readings med kolumnmappningar som {{ $json.sensor_id }} och {{ $json.normalized_value }}.
2. Inloggningsuppgifter krävs: Anslut era Postgres-inloggningsuppgifter i Archive Raw Readings.
3. Ställ in Aggregate Metrics till Aggregate = aggregateAllItemData.
4. Låt JS-koden i Z-Score Anomaly Check vara intakt, som använder {{ $('Pipeline Settings').item.json.anomaly_threshold || 3 }} för tröskelvärdet.

Steg 5: Sätt upp AI-granskning och beslutlogik

Använd en AI-agent för att verifiera avvikelser och skicka bekräftade vidare i flödet.

1. Konfigurera AI Anomaly Reviewer med den medföljande systemprompten och behåll Prompt Type inställt på define.
2. Säkerställ att OpenAI Chat Engine är ansluten som språkmodell för AI Anomaly Reviewer.
3. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Chat Engine (inloggningsuppgifter läggs till på den överordnade LLM-noden, inte agenten).
4. I Anomaly Decision Gate, ställ in det booleska villkoret till att {{ $('AI Anomaly Reviewer').item.json.is_anomaly }} är lika med true.

Steg 6: Konfigurera larm och loggning

Logga bekräftade avvikelser och skicka realtidslarm till er dashboard, Slack och e-post.

1. I Log Anomaly Entries, skriv till schemat public och tabellen anomaly_records med mappningar som {{ $json.explanation }} och {{ $json.recommended_action }}.
2. Inloggningsuppgifter krävs: Anslut era Postgres-inloggningsuppgifter i Log Anomaly Entries.
3. Konfigurera Post Dashboard Alert med URL inställd på {{ $('Pipeline Settings').first().json.dashboardApiUrl }} och body-parametrar för sensor_id, timestamp och anomaly_type.
4. I Slack Alert Dispatch, behåll Text som angivet och ställ in Channel ID till {{ $('Pipeline Settings').first().json.slackChannel }}.
5. Inloggningsuppgifter krävs: Anslut era slackOAuth2Api-inloggningsuppgifter i Slack Alert Dispatch.
6. I Email Alert Send, ställ in To Email till {{ $('Pipeline Settings').first().json.alertEmail }} och ersätt From Email med er avsändaradress.
7. Lägg till SMTP-inloggningsuppgifter i Email Alert Send om er n8n-instans kräver det.

Steg 7: Konfigurera omskolningsschema och API-anrop

Automatisera omskolning av modellen med en schemalagd batch av historiska data.

1. Ställ in Retraining Schedule Trigger att köras var 7:e dag kl. 02:00.
2. I Fetch Training History, behåll SQL-frågan: SELECT sensor_id, timestamp, value, normalized_value, data_quality FROM sensor_readings WHERE timestamp > NOW() - INTERVAL '30 days' ORDER BY timestamp DESC.
3. Inloggningsuppgifter krävs: Anslut era Postgres-inloggningsuppgifter i Fetch Training History.
4. Konfigurera Trigger Model Retrain API med URL inställd på {{ $('Pipeline Settings').first().json.mlModelApiUrl }} och JSON Body inställd på den medföljande payloaden som inkluderar {{ $('Fetch Training History').all() }}.

Steg 8: Testa och aktivera ert arbetsflöde

Validera varje väg och aktivera arbetsflödet för användning i produktion.

1. Trigga MQTT Stream Intake manuellt genom att publicera en exempel-payload till sensors/+/data och bekräfta att den går vidare till Pipeline Settings → Edge Data Validation → Standardize Sensor Values.
2. Kör en manuell exekvering från Z-Score Anomaly Check och verifiera att AI Anomaly Reviewer returnerar ett JSON-svar med is_anomaly och confidence.
3. Kontrollera output-kedjan Anomaly Decision Gate → Log Anomaly Entries → Post Dashboard Alert → Slack Alert Dispatch → Email Alert Send för lyckad körning.
4. Exekvera Retraining Schedule Trigger manuellt och bekräfta att Fetch Training History skickar data till Trigger Model Retrain API.
5. När allt är bekräftat, växla arbetsflödet till Active för att starta livebearbetning.