Historian-data (en ML)
- Een historian is het tijdreeksarchief van de fabriek — jaren sensor- en PLC-data, al verzameld, al betaald.
- Het is de snelste weg naar ML-waarde: moderne platformen trainen op historian-data zonder nieuwe hardware.
- De valkuilen zijn compressieartefacten, nietszeggende tagnamen en ontbrekende context (product, ploeg, partij) — herstelbaar, maar budgetteer ze.
- Een data lake eerst is niet nodig: platformen verbinden zich steeds vaker rechtstreeks met de historian en contextualiseren al lerend.
Elke ML-ambitie in een fabriek loopt via één onglamoureuze asset: de historian. OSIsoft PI, Wonderware, GE Proficy of een zelfgebouwde SQL-opslag — hij bevat jaren van precies de data die modellen nodig hebben, en hij is er al. Fabrieken die ML vanaf de historian starten krijgen eerste resultaten in dagen; fabrieken die eerst een data lake bouwen vaak pas in het volgende boekjaar.
Wat modellen ervan nodig hebben
Drie dingen, op volgorde van pijn. Resolutie: historians comprimeren (deadband, swinging door); agressieve compressie kan precies de transiënten wissen die een model nodig heeft. Controleer de werkelijk opgeslagen resolutie tegen wat uw faalmodi vergen. Tagsemantiek: modellen malen er niet om dat een tag TT4711 heet, maar ingenieurs die op attributies handelen wel — een tagmapping-ronde hoort bij elke serieuze implementatie. Context: productcodes, partij-ID's, ploeg- en omstelmarkeringen maken van anonieme tijdreeksen regimebewuste trainingsdata; zonder verwarren modellen een productwissel met een drift.
De praktische volgorde
Historian read-only aansluiten, 6–24 maanden terugladen, de relevante tags mappen, contextfeeds toevoegen (product- en partijdata uit MES/ERP), het platform laten trainen. Leveranciers verschillen enorm in hoeveel hiervan ze automatiseren — een betere demovraag dan wat dan ook over algoritmen.
FAQ
- Hoeveel historian-data hebben ML-platformen nodig?
- Genoeg normale productie om echte bedrijfsregimes te dekken — gangbaar is 6–24 maanden terugladen. Meer producten en seizoenspatronen duwen naar de bovenkant; een stabiele monoproductlijn start ook met minder.
- Moeten de data eerst worden opgeschoond?
- Niet uitputtend — moderne platformen verdragen gaten en ruis. Herstel wat conclusies verandert: opgeslagen resolutie, tagmapping van de relevante variabelen, regimecontext (product/partij/ploeg). Het perfectionistische opschoonproject is waar het momentum sterft.
Elk getal op deze site — in één tabel met bronnen.
De marktrekensom van 43,6 mld. $, use-case-aandelen, adoptiebarrières en gepubliceerde resultaten, met de bronkolom intact. Klaar om in uw businesscase te plakken.