在以前的文章中我们所覆盖时间序列数据。

我们讨论了流程自动化和控制数据如何养活我们的大数据应用和基于云的软件平台,构建工业物联网应用程序。

在本帖里,我们将看看如何使用时间序列数据建立时间序列模型。

顾名思义,时间序列建模涉及到使用基于时间的数据(年,天、小时、分钟)获得隐藏的见解,将帮助我们预测未来结果当泵可能会失败,或者当一个轴承磨损。

时间序列模型是非常有用的,当你有序列相关数据。有点像用于收集的数据我们都在我们的HMI软件历史趋势研究。

一些工具可以帮助您构建时间序列模型。我们就覆盖最广泛使用的应用程序你可能想要知道,当你旅行通过物联网和预测分析领域。

现在有很多漂亮的高级数学构建这些类型的模型。但这是美丽的软件应用程序如下:他们为你做的重担,已经所有的预测分析算法和模型建立。

所以在某些情况下,你可以将一个用逗号分隔的文件或电子表格粘贴到软件包,它会为你工作。

从IBM SPSS Modeler

IBM SPSS Modeler是一个预测分析平台,帮助你迅速建立精确的预测模型,然后分享信息与个人、团体和系统。它提供了一系列先进的算法和分析技术,包括文本分析、实体分析、决策管理和优化。它旨在帮助做出更好的决策,从个人的桌面或操作系统。

好处之一SPSS Modeler提供了一个图形用户界面,你可以构建预测模型,而无需编写任何编程代码。它使用一个视觉工作面板拖放界面各种算法应用于您提供的数据源。

这是一个巨大的帮助,因为这意味着你不必是一个数据挖掘专家或程序员开始建立你的预测分析应用程序。

SPSS Modeler也有语言技术,如自然语言处理、自动提取和组织从文本的重要概念。它还将试图结构数据分成有意义的组。

SPSS Modeler也称为实体分析构建到它来帮助清理你的数据如果不是100%准确。它将寻找副本,并识别可能隐藏在数据本身的关系。

例如,您可以确定哪些供应商的泵或电机经常失败,在特定情况下。有了这样的信息,你可以更好的采购决策。你甚至可以开始构建预测模型表明潜在的失败,给定一组当前形势下像天气、运行时间等。

情景应用程序

SAS统计分析软件()开始作为数据分析的软件语言但已经成长为一套处理大数据的工具。

矿山,改变,管理和检索数据从不同的来源和执行统计分析。情景应用程序提供了一个图形指向-点击,拖放界面对于那些新挖掘数据,以及一个强大的编程语言(SAS)呼吁更高级的用户数据科学家。

SAS确实需要格式化的数据在电子表格或者特定情景应用程序的格式。这个要求可能会使它不太灵活的摄取和分析大量的非结构化数据我们今天遗留工业自动化资产生成。

在过去,SAS被誉为最宽的宽度的统计分析工具。但它也可能最陡峭的学习曲线,随着图形用户界面没有成熟和充分发展和其他平台。然而,它提供足够的功能,这样您不必编写任何代码来构建应用程序。

Python /火花

Python是一种编程语言开发重点业务应用程序,而不是从学术或统计的角度来看。这使它非常强大的算法直接用于应用程序时。

Python的统计功能主要是集中在预测方面。它主要用于在数据挖掘和机器学习应用程序中,数据分析师不需要干预。

这是在分析图像和视频,和也是最简单的语言使用等大数据框架Apache火花。

Apache火花是一种快速、通用的集群计算系统对大规模数据处理。Apache提供了一个框架来处理批处理数据和实时数据。

Apache火花是适合处理大数据集,但它也需要大量的计算机硬件资源来构建您的集群。它还支持高级api在Java中,Scala, R除了Python。

还应该指出,Apache火花可以集成与IBM SPSS Modeler的基于gui的火花。

结束

现在我们遇到了一些大的数据分析平台,您可能想要熟悉,对预测分析当你开始你的旅程。但请记住,最重要的部分预测分析首先是得到一个数据集和从我们的自动化控制器和I / O。

最简单的方法,而无需编写一行软件代码Node-RED。您可以了解更多关于Node-RED连接api及其能力,硬件设备,在下面的视频和在线服务。

你也可以访问光电子22开发网站看到额外的工具今天开始构建IIoT应用程序。