Historian-adatok (és ML)
- A historian az üzem idősoros archívuma: évnyi szenzor- és PLC-adat, már összegyűjtve, már kifizetve.
- Ez a leggyorsabb út az ML értékéhez: a modern platformok új hardver nélkül tanulnak a historian-adatokon.
- A csapdák a tömörítési műtermékek, a semmitmondó tagnevek és a hiányzó kontextus (termék, műszak, tétel): javíthatók, de számoljon velük a költségvetésben.
- Nem kell előbb data lake: a platformok egyre gyakrabban közvetlenül a historianhoz csatlakoznak, és tanulás közben kontextualizálnak.
Minden üzemi ML-ambíció egyetlen nem túl látványos eszközön keresztül vezet: a historianon. OSIsoft PI, Wonderware, GE Proficy vagy egy házi fejlesztésű SQL-tár: évnyi pontosan olyan adatot tárol, amilyenre a modelleknek szükségük van, és már ott van. Azok az üzemek, amelyek a historianból indítják az ML-t, napokon belül kapnak első eredményeket; azok, amelyek data lake építésével kezdenek, gyakran csak a következő pénzügyi évben.
Mire van szükségük belőle a modelleknek
Három dologra, fájdalmasság szerinti sorrendben. Felbontás: a historianok tömörítenek (deadband, swinging-door); az agresszív tömörítés éppen azokat a tranzienseket törölheti, amelyekre a modellnek szüksége van. Ellenőrizze a ténylegesen tárolt felbontást a hibamódok igényeihez képest. Tag-szemantika: a modelleket nem érdekli, hogy egy tag neve TT4711, de az attribúciók alapján cselekvő mérnököket igen, a tag-leképezési kör minden komoly telepítés része. Kontextus: a termékkódok, tételazonosítók, műszak- és átállásjelölők a névtelen idősorokat üzemállapot-tudatos tanítóadattá alakítják; nélkülük a modellek összekeverik a termékváltást a folyamatdrifttel.
Gyakorlati sorrend
A historian csatlakoztatása csak olvasási módban, 6-24 hónap visszatöltése, a fontos tagek leképezése, kontextus-adatfolyamok hozzáadása (termék- és tételadatok MES/ERP-ből), majd a platform tanulni hagyása. A szállítók óriási mértékben különböznek abban, ebből mennyit automatizálnak: ez jobb demókérdés, mint bármi az algoritmusokról.
GYIK
- Mennyi historian-adatra van szükségük az ML-platformoknak?
- Annyi normál termelésre, amennyi lefedi a valós üzemállapotokat: általában 6-24 hónap visszatöltésre. Több termék és szezonalitás a felső határ felé tol; egy stabil, egytermékes sor kevesebbel is indulhat.
- Előbb meg kell tisztítanunk az adatokat?
- Nem kimerítően, a modern platformok tolerálják a hézagokat és a zajt. Azt javítsa, ami megváltoztatja a következtetéseket: a tárolt felbontást, a fontos változók tag-leképezését és az üzemállapot-kontextust (termék/tétel/műszak). A tökéletességre törekvő adattisztítási projekt az a hely, ahol a lendület elhal.
Az oldal minden száma: egyetlen forrásolt táblázatban.
A 43,6 milliárd dolláros piac számítása, felhasználásieset-arányok, bevezetési akadályok és publikált bevezetési eredmények, érintetlen forrásoszloppal. Közvetlenül beilleszthető az üzleti tervébe.