Tempo數據建模平臺流程參數功能助力制造業設備智能管控
2022-08-09 17:20:13
次
在當今制造行業中，生產系統中更多的是不可見因素，比如設備性能衰退、精度喪失等。而可見的影響因素往往是不可見因素積累到一定程度所引起的，比如設備的衰退導致最終停機、精度喪失導致質量偏差等。因此，對這些不可見因素進行預測和管理是關鍵，設備能否正常運行對于制造行業有著至關重要的作用。目前Tempo機器學習平臺已經可以通過平臺模型的建立和預測過程，實現設備故障的預測，那如何在不改變流程的情況下，快速實現數據的更新，如何對未來每一個月的設備數據進行更新?此時就需要用到TempoAI的流程參數功能，可以靈活控制預測的輸入數據，在不改變流程的情況下，快速實現數據的更新，并且針對于過程中的控制參數，比如對溫度、濕度等指標過程參數的控制可以控制他們的范圍。對于已經建立好的模型，在不用修改流程的情況下，也可以更好的實現預測場景的更新。為客戶提供一種靈活的預測機制或數據更新機制，減少客戶的時間投入成本。
目前Tempo機器學習平臺支持流程參數的節點有：關系數據庫輸入、Hive輸入、Hbase輸入、Iotdb輸入、關系數據庫輸出、數據過濾、輸入查詢分析器、過程查詢分析器、Hbase輸出等。
下面我們簡單介紹幾種支持流程參數的節點：
首先，先進行參數設置：
關系數據庫輸入
可在關系數據庫輸入-SQL語句中引用流程參數，引用格式：${參數名稱}。
關系數據庫輸出
可在關系數據庫輸出節點的表名稱中引用流程參數，引用格式：${參數名稱}。
數據過濾
可在數據過濾中的值中引用流程參數，引用格式：${參數名稱}。
......
接下來，我們將結合實際業務流程加以介紹：
制造行業某企業發現近幾個月來設備性能和故障時間的預測不夠準確，后續在實際工作中設備出現了大大小小的問題，動用大量人力去排查解決問題。
在后續的排查中發現出現問題的原因是由于數據表數據長時間沒有進行更新，運用之前的數據去預測未來情況，導致預測設備性能和故障時間存在著較大的誤差，出現了預測失誤或沒有預測到等問題。
一方面影響了設備的正常運行，另一方面也花費了大量的時間、精力和金錢。
這時候就需要運用TempoAI平臺流程參數去及時更新數據，具體操作如下所示：
下圖為初始設備故障預測初始數據，由于數據時間較為久遠導致預測值不夠準確，因此我們需要對數據表進行更新：
首先，我們需要先設置流程參數，如下圖所示：
1. 導入最新的表數據，并命名為參數a；
2. 設置閾值為0，并命名為參數yuzhi；
3. 新建輸出表到參數b；
使用Tempo機器學習平臺中的SQL編輯器將導入新數據的參數進行輸入將表進行更新，方法如下圖所示:
運用流程參數能夠及時、快速對表進行更新，有效預防設備性能和故障時間的預測不夠準確的問題，有效降低某企業人力、財力的損耗。
在實際工作當中設備溫度在0℃以上才被認為是有效工作，輸入數據表時，常常會存在設備溫度小于0℃的情況，因此我們拖入數據過濾節點進行篩選，在值/字段中拖入我們提前設置好的參數yuzhi，以過濾掉工作溫度為0℃以下的數據，具體設置如下圖所示（具體參數值可根據實際情況設置，更改參數值時只需要將參數設置中參數值進行修改即可）：
運用流程參數能夠快速對數據表進行過濾，有效過濾掉設備非有效工作的數據，降低設備性能和故障時間的預測不夠準確性。
同樣的在實際工作中企業需要對輸出數據進行更新，以便于及時發現數據中的問題，首先選中勾選需要輸出的列，將輸出表名稱替換成我們需要導入的參數中，具體操作如下圖所示：
運用Tempo機器學習平臺的流程參數能夠快速對輸出數據表進行更新，保證數據表的時效性，企業也能在第一時間掌握數據信息。
如果大家在實際的業務數據分析過程中，也遇到了數據表需要及時更新、無效數據繁多、輸出數據的不及時性等等，歡迎試用TempoAI中的流程參數。
Tempo商業智能平臺
Tempo人工智能平臺
Tempo數據工廠平臺
Tempo指標平臺
Tempo數據治理平臺
Tempo主數據管理平臺
首頁
陜公網安備 61019002000171號
