Datos del historian (y ML)
- Un historian es el archivo de series temporales de la planta — años de datos de sensores y PLC, ya recogidos, ya pagados.
- Es el camino más rápido al valor del ML: las plataformas modernas se entrenan con datos del historian sin hardware nuevo.
- Las trampas son artefactos de compresión, nombres de tags opacos y contexto ausente (producto, turno, lote) — corregibles, pero presupuéstelos.
- No necesita un data lake primero: las plataformas se conectan cada vez más directamente al historian y contextualizan mientras aprenden.
Toda ambición de ML en una planta pasa por un activo sin glamur: el historian. OSIsoft PI, Wonderware, GE Proficy o un almacén SQL casero — guarda años de exactamente los datos que los modelos necesitan, y ya está ahí. Las plantas que arrancan el ML desde el historian obtienen primeros resultados en días; las que empiezan construyendo un data lake suelen obtenerlos en el siguiente ejercicio fiscal.
Qué le piden los modelos
Tres cosas, por orden de dolor. La resolución: los historians comprimen (banda muerta, swinging door); una compresión agresiva puede borrar justo los transitorios que un modelo necesita. Compruebe la resolución realmente almacenada contra lo que exigen sus modos de fallo. La semántica de los tags: a los modelos les da igual que un tag se llame TT4711, pero a los ingenieros que actúan sobre las atribuciones no — una pasada de mapeo de tags forma parte de todo despliegue serio. El contexto: códigos de producto, IDs de lote, marcadores de turno y cambio de serie convierten series anónimas en datos de entrenamiento conscientes del régimen; sin ellos, los modelos confunden un cambio de producto con una deriva.
La secuencia práctica
Conectar el historian en solo lectura, recargar 6–24 meses, mapear los tags que importan, añadir los flujos de contexto (producto y lote desde MES/ERP), y dejar que la plataforma entrene. Los proveedores difieren enormemente en cuánto de esto automatizan — mejor pregunta de demo que cualquier cosa sobre algoritmos.
FAQ
- ¿Cuántos datos del historian necesitan las plataformas ML?
- Suficiente producción normal para cubrir los regímenes reales — comúnmente 6–24 meses de recarga. Más productos y estacionalidad empujan hacia arriba; una línea monoproducto estable puede arrancar con menos.
- ¿Hay que limpiar los datos primero?
- No exhaustivamente — las plataformas modernas toleran huecos y ruido. Corrija lo que cambia conclusiones: resolución almacenada, mapeo de los tags que importan, contexto de régimen (producto/lote/turno). El proyecto de limpieza perfeccionista es donde el impulso va a morir.
Cada cifra de este sitio — en una sola hoja con fuentes.
Las cuentas del mercado de 43,6 B$, las cuotas de casos de uso, las barreras de adopción y los resultados publicados, con la columna de fuentes intacta. Listo para pegar en su business case.