Dane z historiana (i ML)
- Historian to archiwum szeregów czasowych zakładu: lata danych z czujników i sterowników PLC, już zebranych, już opłaconych.
- To najszybsza droga do wartości z ML: nowoczesne platformy trenują na danych z historiana bez nowego sprzętu.
- Pułapki to artefakty kompresji, nic niemówiące nazwy tagów i brak kontekstu (produkt, zmiana, partia): do naprawienia, ale trzeba to uwzględnić w budżecie.
- Nie trzeba najpierw budować data lake: platformy coraz częściej łączą się bezpośrednio z historianem i kontekstualizują dane w trakcie uczenia.
Każda ambicja związana z ML w zakładzie przechodzi przez jeden mało efektowny zasób: historian. OSIsoft PI, Wonderware, GE Proficy czy domowej roboty baza SQL: przechowuje lata dokładnie tych danych, których potrzebują modele, i już tam jest. Zakłady, które zaczynają ML od historiana, mają pierwsze wyniki w ciągu dni; zakłady, które zaczynają od budowy data lake, często dostają pierwsze wyniki w kolejnym roku obrotowym.
Czego modele od niego potrzebują
Trzech rzeczy, w kolejności od najbardziej bolesnej. Rozdzielczość: historiany kompresują dane (deadband, swinging-door); agresywna kompresja może wymazać właśnie te stany przejściowe, których potrzebuje model. Warto sprawdzić faktycznie zapisaną rozdzielczość względem wymagań trybów awarii. Semantyka tagów: modelom jest obojętne, że tag nazywa się TT4711, ale inżynierom działającym na podstawie atrybucji już nie: etap mapowania tagów jest częścią każdego poważnego wdrożenia. Kontekst: kody produktów, identyfikatory partii, znaczniki zmian i przezbrojeń zamieniają anonimowe szeregi czasowe w dane treningowe świadome stanów pracy; bez nich modele mylą zmianę produktu z dryfem procesu.
Praktyczna kolejność
Podłączyć historian w trybie tylko do odczytu, załadować wstecz 6-24 miesięcy, zmapować istotne tagi, dodać strumienie kontekstu (dane produktów i partii z MES/ERP) i pozwolić platformie się uczyć. Dostawcy ogromnie różnią się tym, ile z tego automatyzują: to lepsze pytanie na demo niż cokolwiek o algorytmach.
Najczęstsze pytania
- Ile danych z historiana potrzebują platformy ML?
- Tyle normalnej produkcji, by objąć rzeczywiste stany pracy: zwykle 6-24 miesiące danych wstecz. Więcej produktów i sezonowość przesuwają to w stronę górnej granicy; stabilna linia jednoproduktowa może zacząć od mniej.
- Czy trzeba najpierw oczyścić dane?
- Nie wyczerpująco: nowoczesne platformy tolerują luki i szum. Należy poprawić to, co zmienia wnioski: zapisaną rozdzielczość, mapowanie tagów dla istotnych zmiennych i kontekst stanów pracy (produkt/partia/zmiana). Projekt czyszczenia nastawiony na perfekcję to miejsce, w którym umiera tempo.
Każda liczba z tej strony: w jednym arkuszu ze źródłami.
Wyliczenie rynku 43,6 mld USD, udziały zastosowań, bariery wdrożeń i opublikowane wyniki wdrożeń, z nienaruszoną kolumną źródeł. Gotowe do wklejenia wprost do Państwa business case’u.