Data z historianu (a ML)
- Historian je archiv časových řad závodu: roky dat ze senzorů a PLC, již sebraných, již zaplacených.
- Je to nejrychlejší cesta k hodnotě ML: moderní platformy se trénují na datech z historianu bez nového hardwaru.
- Pastmi jsou artefakty komprese, nic neříkající názvy tagů a chybějící kontext (výrobek, směna, šarže): řešitelné, ale počítejte s nimi v rozpočtu.
- Nejdřív nepotřebujete data lake: platformy se stále častěji připojují přímo k historianu a kontextualizují data během učení.
Každá ambice v oblasti ML v závodě vede přes jedno nenápadné aktivum: historian. OSIsoft PI, Wonderware, GE Proficy nebo domácí úložiště SQL: obsahuje roky přesně těch dat, která modely potřebují, a už tam je. Závody, které začnou s ML od historianu, mají první výsledky během dnů; závody, které začnou stavbou data lake, se prvních výsledků často dočkají až v dalším fiskálním roce.
Co z něj modely potřebují
Tři věci, seřazené podle bolestivosti. Rozlišení: historiany komprimují (deadband, swinging-door); agresivní komprese může vymazat právě ty přechodové děje, které model potřebuje. Ověřte skutečně uložené rozlišení vůči tomu, co vyžadují poruchové režimy. Sémantika tagů: modelům je jedno, že se tag jmenuje TT4711, ale inženýrům, kteří jednají podle atribucí, ne: krok mapování tagů je součástí každého seriózního nasazení. Kontext: kódy výrobků, ID šarží, značky směn a přestaveb mění anonymní časové řady na trénovací data, která rozlišují režimy; bez nich si modely pletou změnu výrobku s driftem procesu.
Praktický postup
Připojit historian v režimu jen pro čtení, zpětně načíst 6-24 měsíců, namapovat podstatné tagy, přidat kontextové toky (data o výrobcích a šaržích z MES/ERP) a nechat platformu trénovat. Dodavatelé se enormně liší v tom, kolik z toho automatizují: je to lepší otázka na demo než cokoli o algoritmech.
Časté dotazy
- Kolik dat z historianu platformy ML potřebují?
- Dost normální výroby, aby pokryla skutečné provozní režimy: běžně 6-24 měsíců zpětně. Více výrobků a sezónnost posouvají požadavek k horní hranici; stabilní jednoproduktová linka může začít s méně.
- Musíme data nejdřív vyčistit?
- Ne vyčerpávajícím způsobem: moderní platformy snesou mezery i šum. Opravte to, co mění závěry: uložené rozlišení, mapování tagů u podstatných proměnných a kontext režimů (výrobek/šarže/směna). Projekt čištění, který začíná perfekcionismem, je místem, kde umírá tempo.
Každé číslo z tohoto webu: v jedné tabulce se zdroji.
Výpočet trhu 43,6 mld. USD, podíly případů užití, bariéry zavádění a publikované výsledky nasazení, s nedotčeným sloupcem zdrojů. Připravené k vložení přímo do vašeho business case.