Im Modul „Vorhersagen“ können Prediction Pipelines zur Modellierung von Produktionsprozessen angelegt werden. Jede Pipeline erstellt ein eigenes Modell, das aus bekannten Inputdaten einen oder mehrere Zielwerte vorhersagt, zum Beispiel eine Qualitätskennzahl am Ende eines Prozesses, bevor das Bauteil gemessen wurde.
Die smartPLAZA übernimmt dabei Training und Inferenz des Modells: Beim Training wird das Modell initial an historische Prozessdaten angepasst, bei der späteren Inferenz auf neue Messdaten angewendet.
Komponenten einer Prediction Pipeline
Eine Pipeline besteht aus fünf Komponenten. Diese definieren gemeinsam, welche Daten als Grundlage dienen, was vorhergesagt werden soll und wohin das Ergebnis geschrieben wird.
Inputs
Unter Inputs werden die Tabellen für die Rohdaten definiert. Es können einzelne Messmerkmale gezielt ausgeschlossen werden, wenn sie für die Vorhersage nicht relevant sind oder die Modellqualität verschlechtern.
Trigger
Der Trigger legt fest, wann eine Pipeline ausgeführt und ein Zielwert vorhergesagt werden soll. Dies kann zum Beispiel sein, wenn neue Inputdaten weggeschrieben werden.
Im Trigger kann außerdem definiert werden:
- welche Filterbedingungen für die Inputdaten gelten, z. B. um bestimmte Artikel oder Anlagenzustände auszuschließen
- wie viele historische Datensätze für das initiale Training und die Simulation herangezogen werden sollen
Tasks
Tasks sind die Aufgaben einer Pipeline. Standardmäßig wird der Task „Messwerte vorhersagen“ verwendet. Dieser bildet ein Regressionsmodell, um den Zielwert vorherzusagen.
Zielwerte
Zielwerte sind die Messmerkmale, die die Pipeline modellieren soll. Es können ein oder mehrere Messmerkmale als Zielwert definiert werden.
Outputs
Outputs geben an, was mit den Zielwerten passieren soll. Je nach gewähltem Output kann in eine DatenBerg-interne Tabelle oder an externe Quellen wie eine API zurückgeschrieben werden.
Eine detaillierte Beschreibung der verfügbaren Output-Typen finden Sie unter Outputs definieren.
