John S. Rinaldi, a Real Time Automation, Inc. vezérigazgatója szerint nem mindig könnyű megkülönböztetni a hulladékot az értékes adatoktól. „Miért? Mert minden kontextus nélküli adat szemét” – fogalmazott az Automation-on megjelent írásában. Az 1989-ben alapított Real Time Automation, Inc. könnyen használható csatlakozási termékek, forráskód-protokollkötegek és OEM-megoldások gyártására specializálódott, amelyeket gyárterületeken dolgozó vezérlőmérnökök használhatnak.

A fenti írás alapján összefoglaljuk a nyolc alapvető adattípust, amelyek a gyakorlat oldaláról mutatják be az adatok kontextualizálását. Vagyis azt a folyamatot, amely során a nyers adatokat kiegészítő információkkal gazdagítják, amelyek lehetővé teszik azok jelentésének és relevanciájának teljesebb, átfogóbb megértését. 

A nem megfelelő kontextus téves ok-okozati elemzésekhez, következetlen jelentésekhez, lassú hibaelhárításhoz és félrevezető irányítópultokhoz vezet, ami aláássa a bizalmat. Az AI chatbotok esetében a probléma még nagyobb. A nem megfelelő kontextus rossz előrejelzésekhez és hallucinációkhoz vezet, tönkretéve az AI értékláncát.

A nyolc alapvető adattípus

1. Időkontextus. A pontos idő az első és valószínűleg a legfontosabb bélyeg. Ha az adatok nem sorolhatók megfelelő időrendi sorrendbe, semmi más nem számít. Pontos, szinkronizált idő nélkül a korrelációk, az ok-okozati elemzés, az események rekonstruálása és a prediktív analitika mind összeomlik. Mi történt előbb? A motor túlterhelődött, vagy a hőmérséklet emelkedett?

2. Azonosítási kontextus. Az azonosítási kontextus pontosan meghatározza, hogy mely eszköz, modul vagy érzékelő generálta az adatokat. Az azonosítás magában foglalja az eszköz azonosítását, az érzékelő azonosítását, a hálózat azonosítását és a verziót/firmware-t, mivel ezek mind befolyásolhatják az adatok értelmezését. Ez az adat a hidraulikus szivattyútól származik? A 14-es vagy a 15-ös présgéptől származik? Minél közelebb kerülnek az adatok a vállalati üzleti rendszerekhez, annál több kontextusra és annál részletesebb azonosítási kontextusra van szükség.

3. Adateredet. Az adateredet leírja a teljes felügyeleti láncot: honnan származnak az adatok, hogyan gyűjtötték őket, melyik átjáró vagy közvetítő továbbította őket, milyen átalakításokat alkalmaztak, és megváltozott-e valamelyik minőségi jelölés. Az erős eredet megakadályozza a „rejtélyes értékeket”, biztosítja a nyomonkövethetőséget az ellenőrzésekhez, és elengedhetetlen az AI/ML folyamatok validálásához.

4. Helykontextus. A hely magában foglalja mind a fizikai, mind a logikai helyet. A fizikai helyszín nagyon fontos lehet. Nem csak az, hogy melyik üzemben, hanem az is, hogy az üzemben hol gyűjtik az adatokat. Például a raktár közelében lévő gépek más hőmérsékleti ingadozásoknak lehetnek kitéve, mint más gépek, ami befolyásolja a minőséget. A logikai helyszín azonosítja a gyártás szakaszát, a folyamat lépéseit és az ISA-95 szintet. A logikai helyszín biztosítja a folyamat relevanciáját.

5. Szemantikai kontextus. A szemantika az adatok jelentésére utal: céljára, értelmezésére és domain jelentésére. A nyers számokat értelmes fogalmakká alakítja, mint például „hűtőfolyadék hőmérséklete”, „tengely pozíciója” vagy „ciklus befejezése”. A szemantikai kontextus tartalmazza az enumerációkat, állapotokat és szabványosított információs modelleket (OPC UA, ISA-95, UNS). Szemantika nélkül az adatok szerkezetileg helyesek, de funkcionálisan használhatatlanok.

6. Folyamatkontextus. A folyamatkontextus arra utal, hogy mi történt a mérés pillanatában. Meghatározza az üzemmódot, a receptet, a tételszámot, a tételt, a feladatot, a fázist, a sebességet, a terhelést stb. Összekapcsolja az adatokat a rendszer vagy a gép működésével, lehetővé téve a kiváltó okok elemzését, az optimalizálást és a nyomon követhetőséget.

7. Mérési kontextus. A mérési kontextus meghatározza az adatok mennyiségi jellemzőit: mértékegységek (°C, psi), skálázási tényezők, pontosság, felbontás, kalibrálás, pontossági tűrés és minőségi kódok (jó, rossz, bizonytalan, elavult). Biztosítja, hogy a különböző forrásokból származó értékek összehasonlíthatóak, normalizálhatóak és megbízhatóak legyenek.

8. Szervezeti kontextus. A szervezeti kontextus leírja, hogyan vannak az adatok strukturálva, csoportosítva és modellezve a vállalaton belül. Ez magában foglalja az ISA-95 hierarchia, sablonok, standard címke struktúrák, névadási konvenciók, OPC UA objektum modellek és UNS névterek betartását. Lehetővé teszi a konzisztenciát, a több helyszínen történő elemzést és a skálázható rendszerintegrációt.

A teljes cikket itt tudja elolvasni: Automation

Borítóképünk illusztráció, forrása: Stock Adobe