的圣杯IIoT应用基本上是能够预测未来。

我们想要知道的东西时,一个系统或一个组件在我们的过程是要前失败确实。

这样我们可以派遣替换零件和服务技术人员何时何地我们需要他们,在实际发生失败。

正常运行时间最大化,提高我们的整体设备效率(OEE),而且通常使我们企业的效率和竞争力的实现预测分析的许多可能的结果。

但是有一个巨大的差距承诺的预测分析结果和实际构建一个真实的应用程序所需的路径可能帮助我们优化我们的OEE实时从一个移动设备。

P为分析不是一个简单的纪律的头,更少的实现。这个话题是导致许多其他科学和技术的蒸馏,包括术语我们都熟悉,像大数据,机器学习和认知计算。

但是如果我们尝试提炼主题细分为更小的、更容易理解的主题,我们可以开始看到通过树木和森林开始理解所需的构建块预测分析添加到我们当前的工业应用。

第一个构建块我们要关注的是数据。

我们听到大数据。但究竟是什么,它是从哪里来的,和它是如何用于预测分析在工业自动化和过程控制应用程序?

如果你考虑一个典型的工业应用的今天,我们已经收集和记录大量的数据。我们日志几乎所有相关过程的输入和输出,以及我们的控制系统变量。

一个典型的水或污水处理应用程序。我们可能会记录各种数据从传感器连接到我们的控制system-dissolved氧气、pH、ORP,浊度,以及许多其他数据点。

在半导体制造,我们可能日志等数据的产量和焊锡的温度。或在建筑自动化应用程序中我们可能会记录峰值负载水平当我们同时打开冷水机。

所有这些控制系统数据是我们IIoT大数据应用程序需要消耗开始进行预测性维护。基于云的应用程序需要利用我们的控制系统作为数据源。这些系统使用许多数据格式,但在工业应用是一个很常见的格式时间序列数据。

时间序列数据是一组数据点与时间戳相关联。基本上这是一个记录的一个变量或数据点。

现在,如果我们想我们的一些应用程序和频率我们记录的数据我们关心自己的心意——例如,焊接温度每秒钟超过8小时的生产运行- - - - - -我们可以很容易地看到时间序列数据可以成为我们称之为大数据。

一旦我们收集的时间序列数据从我们的流程,我们可以开始分析数据和提取有意义的统计数据。

举个例子,我们可以看到,对于一个给定的焊接温度在我们的过程中,我们的产量水平降低的百分比。时间序列数据帮助揭露这些相关性。

但要做到真正有趣的东西的数据,我们需要访问很多。例如,也许我们想混搭我们的产量水平,焊接温度,和制造商的推荐程序焊料我们使用的类型。

当我们添加越来越多的数据来预测分析应用程序,将数据移动到一些旨在应对卷的信息成为必要。

有具体的软件工具挖掘和分析大数据。我们将讨论这些帖子。