Dati dell'historian (e ML)
- Un historian è l'archivio di serie temporali dello stabilimento: anni di dati di sensori e PLC, già raccolti, già pagati.
- È la via più rapida al valore del ML: le piattaforme moderne si addestrano sui dati dell'historian senza nuovo hardware.
- Le trappole sono gli artefatti di compressione, i nomi di tag privi di significato e il contesto mancante (prodotto, turno, lotto): risolvibili, ma vanno messi a budget.
- Non serve prima un data lake: le piattaforme si collegano sempre più spesso direttamente all'historian e contestualizzano man mano che apprendono.
Ogni ambizione di ML in uno stabilimento passa per un asset poco affascinante: l'historian. OSIsoft PI, Wonderware, GE Proficy o un archivio SQL fatto in casa: contiene anni proprio dei dati di cui i modelli hanno bisogno, ed è già lì. Gli stabilimenti che partono dall'historian ottengono i primi risultati in pochi giorni; quelli che partono costruendo un data lake spesso li ottengono nell'esercizio successivo.
Cosa serve ai modelli
Tre cose, in ordine di difficoltà. Risoluzione: gli historian comprimono (deadband, swinging-door); una compressione aggressiva può cancellare proprio i transitori di cui un modello ha bisogno. Verifichi la risoluzione effettivamente archiviata rispetto a ciò che richiedono i modi di guasto. Semantica dei tag: ai modelli non importa che un tag si chiami TT4711, ma agli ingegneri che agiscono sulle attribuzioni sì: una fase di mappatura dei tag fa parte di ogni implementazione seria. Contesto: codici prodotto, ID lotto, marcatori di turno e di cambio formato trasformano serie temporali anonime in dati di addestramento consapevoli dei regimi; senza di essi i modelli confondono un cambio prodotto con una deriva di processo.
Sequenza pratica
Collegare l'historian in sola lettura, caricare a ritroso 6-24 mesi, mappare i tag che contano, aggiungere i flussi di contesto (dati di prodotto e lotto da MES/ERP) e lasciare che la piattaforma si addestri. I fornitori differiscono enormemente in quanto di questo automatizzano: è una domanda da demo migliore di qualunque domanda sugli algoritmi.
Domande frequenti
- Di quanti dati dell'historian hanno bisogno le piattaforme di ML?
- Abbastanza produzione normale da coprire i regimi operativi reali: comunemente 6-24 mesi di storico. Più prodotti e stagionalità spingono verso l'estremo alto; una linea mono-prodotto stabile può partire con meno.
- Dobbiamo prima pulire i dati?
- Non in modo esaustivo: le piattaforme moderne tollerano lacune e rumore. Corregga ciò che cambia le conclusioni: risoluzione archiviata, mappatura dei tag per le variabili che contano e contesto di regime (prodotto/lotto/turno). Un progetto di pulizia che punta alla perfezione è il luogo dove lo slancio va a morire.
Tutti i numeri di questo sito: in un unico foglio di calcolo con le fonti.
Il calcolo del mercato da 43,6 miliardi di dollari, le quote dei casi d'uso, gli ostacoli all'adozione e i risultati di implementazione pubblicati, con la colonna delle fonti intatta. Pronto da incollare nel suo business case.