Historian-Daten (und ML)
- Ein Historian ist das Zeitreihenarchiv des Werks — Jahre von Sensor- und SPS-Daten, bereits gesammelt, bereits bezahlt.
- Er ist der schnellste Weg zum ML-Wert: Moderne Plattformen trainieren auf Historian-Daten ohne neue Hardware.
- Die Fallen sind Kompressionsartefakte, nichtssagende Tagnamen und fehlender Kontext (Produkt, Schicht, Charge) — behebbar, aber einzuplanen.
- Sie brauchen keinen Data Lake zuerst: Plattformen verbinden sich zunehmend direkt mit dem Historian und kontextualisieren beim Lernen.
Jede ML-Ambition in einem Werk läuft durch ein unglamouröses Asset: den Historian. OSIsoft PI, Wonderware, GE Proficy oder ein selbstgebauter SQL-Speicher — er hält Jahre genau der Daten, die Modelle brauchen, und er ist schon da. Werke, die ML vom Historian aus starten, bekommen erste Ergebnisse in Tagen; Werke, die zuerst einen Data Lake bauen, oft erst im nächsten Geschäftsjahr.
Was Modelle von ihm brauchen
Drei Dinge, nach Schmerz geordnet. Auflösung: Historians komprimieren (Deadband, Swinging Door); aggressive Kompression kann genau die Transienten löschen, die ein Modell braucht. Prüfen Sie die tatsächlich gespeicherte Auflösung gegen das, was Ihre Fehlermodi verlangen. Tag-Semantik: Modellen ist egal, dass ein Tag TT4711 heißt — Ingenieuren, die auf Attributionen handeln, nicht; ein Tag-Mapping-Durchgang gehört zu jeder ernsthaften Einführung. Kontext: Produktcodes, Chargen-IDs, Schicht- und Umrüstmarker machen aus anonymen Zeitreihen regimebewusste Trainingsdaten; ohne sie verwechseln Modelle einen Produktwechsel mit einer Prozessdrift.
Die praktische Sequenz
Historian read-only anbinden, 6–24 Monate zurückladen, die relevanten Tags mappen, Kontextfeeds ergänzen (Produkt- und Chargendaten aus MES/ERP), die Plattform trainieren lassen. Anbieter unterscheiden sich enorm darin, wie viel davon sie automatisieren — eine bessere Demofrage als alles über Algorithmen.
FAQ
- Wie viele Historian-Daten brauchen ML-Plattformen?
- Genug Normalproduktion, um echte Betriebsregime abzudecken — üblich sind 6–24 Monate Rückladung. Mehr Produkte und Saisonalität schieben ans obere Ende; eine stabile Monoprodukt-Linie startet auch mit weniger.
- Müssen die Daten erst bereinigt werden?
- Nicht erschöpfend — moderne Plattformen tolerieren Lücken und Rauschen. Beheben Sie, was Schlussfolgerungen ändert: gespeicherte Auflösung, Tag-Mapping der relevanten Variablen, Regimekontext (Produkt/Charge/Schicht). Das perfektionistische Bereinigungsprojekt ist der Ort, an dem der Schwung stirbt.
Jede Zahl dieser Website — in einer belegten Tabelle.
Die 43,6-Mrd.-$-Marktrechnung, Anwendungsfall-Anteile, Adoptionshürden und veröffentlichte Ergebnisse, mit intakter Quellenspalte. Bereit zum Einfügen in Ihren Businesscase.