Historiandata (och ML)
- En historian är verkets tidsseriearkiv: år av givar- och PLC-data, redan insamlade, redan betalda.
- Det är den snabbaste vägen till ML-värde: moderna plattformar tränar på historiandata utan ny hårdvara.
- Fällorna är komprimeringsartefakter, meningslösa taggnamn och saknad kontext (produkt, skift, batch): går att åtgärda, men budgetera för dem.
- Du behöver ingen datasjö först: plattformar ansluter allt oftare direkt till historian och kontextualiserar medan de lär sig.
Varje ML-ambition i ett verk går via en oglamorös tillgång: historian. OSIsoft PI, Wonderware, GE Proficy eller en egenutvecklad SQL-lagring: den rymmer år av exakt de data modellerna behöver, och den finns redan där. Verk som börjar ML-resan från historian får första resultaten inom några dagar; verk som börjar med att bygga en datasjö får ofta sina första resultat först nästa räkenskapsår.
Vad modellerna behöver från den
Tre saker, i ordning efter hur ont de gör. Upplösning: historians komprimerar (deadband, swinging-door); aggressiv komprimering kan radera just de transienter en modell behöver. Kontrollera faktiskt lagrad upplösning mot vad felmoderna kräver. Taggsemantik: modellerna bryr sig inte om att en tagg heter TT4711, men ingenjörerna som agerar på attributionerna gör det: ett varv av taggmappning ingår i varje seriös driftsättning. Kontext: produktkoder, batch-ID:n, skift- och omställningsmarkörer gör anonyma tidsserier till träningsdata som känner igen driftlägen; utan dem blandar modellerna ihop ett produktbyte med en processdrift.
Praktisk ordningsföljd
Anslut historian med enbart läsbehörighet, fyll på bakåt 6-24 månader, mappa de taggar som spelar roll, lägg till kontextflöden (produkt- och batchdata från MES/ERP) och låt plattformen träna. Leverantörer skiljer sig enormt i hur mycket av detta de automatiserar: det är en bättre demofråga än något om algoritmer.
Vanliga frågor
- Hur mycket historiandata behöver ML-plattformar?
- Tillräckligt med normal produktion för att täcka verkliga driftlägen: vanligen 6-24 månaders historik. Fler produkter och säsongsvariation drar mot den övre gränsen; en stabil linje med en enda produkt kan börja lägre.
- Måste vi rensa data först?
- Inte uttömmande: moderna plattformar tål luckor och brus. Åtgärda det som ändrar slutsatserna: lagrad upplösning, taggmappning för de variabler som spelar roll och driftlägeskontext (produkt/batch/skift). Ett rensningsprojekt som siktar på perfektion är där farten går för att dö.
Varje siffra på webbplatsen, i ett kalkylark med källor.
Marknadskalkylen på 43,6 miljarder dollar, andelar per användningsfall, hinder för införande och publicerade driftsättningsresultat, med källkolumnen kvar. Klart att klistra in i ditt businesscase.