Развитие круглосуточного мониторинга активов и Интернета вещей (IoT) принесло множество преимуществ, но также усложнило процесс. Во многом это связано с распространением данных мониторинга, полученных от датчиков, которые вы используете для измерения своего оборудования. Потенциальные преимущества становятся реальными преимуществами только в том случае, если вы можете создать удобную методологию, которая использует данные 24/7 разумным образом, что приводит к значительным улучшениям в работе.

Для этого вам нужна платформа, которая не только собирает данные с датчиков, но и критически применяет к ним базовую логику:

  • Имеет ли смысл диапазон значений в контексте? Например, если датчик измеряет температуру наружного воздуха в той части страны, где этот диапазон составляет от 30 до 100 градусов по Фаренгейту почти все время — поддерживает ли большинство показаний датчика этот диапазон? Находятся ли показания ближе к верхней границе диапазона в летние месяцы и ближе к нижней границе диапазона зимой?
  • Разумны ли данные с базовой научной точки зрения? Например, увеличивается ли потребляемая мощность насоса А при увеличении скорости насоса? Если нет — была ли точка скорости насоса случайно поменяна местами с насосом B, когда вы программировали контроллер автоматизации? Аналогичным образом, совпадают ли показания двух тесно связанных компонентов (таких как клапан, через который течет вода, и резервуар, в котором собирается вода) таким образом, который имеет физический смысл?
  • Являются ли данные аномалией, возможно, вызванной разовым событием окружающей среды (например, необычно жарким днем) или человеческим фактором (например, приезжий подрядчик случайно ударил стремянкой по трубе)? Система в настоящее время обслуживается или ремонтируется таким образом, что это может привести к аномальным показаниям? Существуют ли какие-либо другие «нормальные» объяснения, такие как система, выполняющая стандартный цикл выключения/включения питания?

И так далее. Это та логика, которую люди-операторы в любом случае будут применять, когда прибудут для диагностики проблемной ситуации. Но с правильной информацией о сайте компьютеры могут использовать машинное обучение, чтобы делать это быстрее, более активно и на гораздо более глубоком уровне, чем обычно позволяет человеческое наблюдение.

Накладывая подробные схемы каждой системы и ее датчиков на известные факты о физике того, как должен вести себя каждый элемент, вы можете создавать наборы инструментов, которые имеют большое значение для автоматического обнаружения ошибок проектирования, обнаружения потенциально неправильно откалиброванных датчиков и предложения корректирующих действий.

В Tignis мы помогаем вам оптимизировать и модернизировать способы сбора, анализа, сопоставления и представления данных датчиков в вашей среде. Вместо того, чтобы просто получать данные ради данных, мы доставляем вас туда, где собираемые вами данные напрямую влияют на ваши операции, позволяя проводить анализ, необходимый для достижения реальных бизнес-результатов.

Вы нашли эту статью интересной? Для получения дополнительной информации посетите наш блог: Physics, Machines, and Data.

Автор Джон Херлокер

Джон — опытный технолог и опытный руководитель как в сфере локального корпоративного программного обеспечения, так и в сфере потребительского SaaS. На своих предыдущих руководящих должностях он был вице-президентом и техническим директором бизнес-подразделения VMware по управлению облачными средами, которое приносило VMware 1,2 миллиарда долларов в год. Среди других должностей — технический директор Mozy и технический директор подразделения облачных услуг EMC. Как соучредитель Tignis, Джон является опытным предпринимателем, основавшим две другие стартап-компании. Свой последний стартап, Smart Desktop, он продал корпорации Pi в 2006 году. Джон в прошлом был штатным профессором компьютерных наук в Университете штата Орегон, а его широко цитируемая научно-исследовательская работа была удостоена престижной премии ACM Software System Award 2010 за вклад в развитие области рекомендательных систем. Джон имеет докторскую степень. в области компьютерных наук Университета Миннесоты и степень бакалавра наук. по математике и информатике в Колледже Льюиса и Кларка.