新闻中心
应用AI在实际生产中的四个谬误：
很可能会破坏您的数据
您知道数据采集的正确路径吗？只有足够水准的知识才能有效地使用数据进行分析和预测，并做出正确的决策。在当今自动化 （OT）、生产历史存档和 AI 的交互变得越来越紧密和重要的形势下。我们首先要记住的是把脚从刹车上挪开以避免以下谬误。
谬误 1：AI 系统开箱即用
将原始数据转换为智能分析的神奇黑匣子的想法很诱人，但目前还不切实际。实际上 ，集成 AI 系统需要客户大量的自我管理和手动作业。
挑战开始于数据收集这一开始步骤，首先如何能连接旧系统可能就是一个挑战。陈旧的机器和传感器通常无法满足数字化的要求。而受监管的环境又限制了设备的改造。SCADA 和 HMI 的应用程序可能使用的是不同的通信协议，并以不同的格式存储数据。上述因素都会造成数据孤岛并影响数据质量，稍后会就此详细介绍。根据先进制造业的报告有 36% 的受访企业表示难以集成第三方数据，另外 35% 的受访者则艰难地在与内部数据孤岛作斗争。我们应该如何做才能将各种数据源（从传感器和控制器再至 SCADA、能源数据管理系统和建筑管理系统）整合在一起？
zenon 承诺可以做到这一点，这要归功于其内置的 300 多种驱动程序、插件框架和 SAP 接口等等功能。它可以将各种异构系统连接到 Historian 360 解决方案上。在受监管的生产环境中，您可以将各台 HMI/SCADA 当作来收集历史数据的存档节点，而无需干预经过多年验证的系统。进而还允许将数据集中存储在 zenon IIoT Services （zenon云）上，使其成为企业生产数据的“心脏”。由此，AI 系统可以通过 IIoT 的 API 或 GraphQL 接口访问数据。
谬误 2：数据必须完美
通常认为，在使用 AI 系统之前，所有生产数据都必须完整、以达成完美且必须井井有条。如果现有系统无法访问楼宇管理系统中的所有传感器和执行器，但已经可以访问电表该怎么办？又或者，生产、输送甚至光伏这样的新能源系统中的电表是否足够提供全部信息？事实是可效的数据可以帮助您逐步开发完善解决方案。
通过应用 zenon Historian 360，它允许现有系统与时俱进、灵活扩展。从各个存档数据节点收集初始数据开始就无需干预现有系统。或许您的企业已经在使用 zenon 的人机界面和SCADA解决方案，在这种情况下，您就可以使用它们来收集和存储数据。非结构化数据基本上可以在采集步骤中进行组织重构。通过测量单位或线性值调整等功能，企业可以轻松转换初始测量值。此外，集成在一起的虚拟 PLC模块 zenon Logic 还可以在不丢失原始数据的情况下实现更全面的格式化和标准化数据处理工作。
在解决方案的每一个开发阶段，允许用户布署和实施额外的存档节点，或扩展现有项目。这可以帮助您尽早获得有价值的信息，前提是一定不要盲目地相信数据分析和预测。
谬误 3：OT 数据的 AI 模型是完全无偏见的
AI 系统需要大量的训练数据。低质量的数据会导致偏离正确性，通常减少偏见的最佳方法是依靠常识和行业领域专家的实践经验，用户应该与选择与他们进行解决方案开发的密切合作。
在方案中可以考虑并包含实时和长期具有相关性的数据，以及有意义的上下文数据库也可以减少偏差的产生及影响。Historian 360 通过确保不间断地高效读取和收集实时数据来保证提供这方面的支持和帮助，以一种与其它的zenon解决方案相似的方式。通过聚合存档数据的方法对长期大量的数据进行有效地压缩，以及通过摆动门算法让大数据量易于被管理和访问。
它还允许用户使用警报优先级、警报组和警报原因分类来相联上下文信息，并依据设备组来分配不同的区域数据。此外，IIoT Services 的设备建模功能可使您能够关联自由 定义的元数据，比如产生处理数据的时间，或地理信息数据，这能有助于提供进一步的数据分析。
数据的情境化和可用性当然是评估数据质量好坏的基础之一，但我们还应该牢记其他的标准。
谬误 4：AI 将自动修复您的数据质量问题
打破企业存在的数据孤岛并实现数据的情境化通常并不足以获得期望中高质量的训练数据。数据科学家通常要花费多达 80% 的时间来清理数据。提高质量不仅意味着分析人员的繁重工作，而且还需要花费大量资金的支撑。 根据咨询公司 Gartner 的数据，糟糕的数据质量会使每个公司平均损失 1500 万美元。为了确保良好的数据质量，你必须在数据的收集阶段就主动进行数据管理。
首先做到必须完整、准确且无误地记录数据，这能减少后期数据清理所需的工作量。如果传感器数据会由于其测量的波动性而造成采集到的数据失去真实性，所以需要在数据采集的过程中去掉噪音，这类功能 zenon 中被称为滤波器。
并非所有可用数据都是相关的。如果生成了不相关的数据，例如，在生产间隙进行清理或维护期间，这时可以让 Historian 的存档节点暂停记录、并添加适当的上下文标注或对其进行过滤。这可以通过事件驱动的存档记录或临时停止采集警报数据的方式来实现。数据的质量和数量可以通过聚合和压缩来提高，例如摆动门算法。
有效和合理的数据集也很重要。操作人员的输入是否正确？传感器是否正确地被校准并以正确方式存储其数值？您可以使用限定或限制录入内容来自动检查此项。当然，数据的安全还可以通过其它方式来保证，比如通过互锁、用户权限管理，以及通过电子签名的方式。
主动数据管理的方法还包括在数据采集期间的自动化质量检查和监控解决方案。允许用户所选择的 KPI 可以实时计算，展示实时数据的公差范围或与参考值的偏差等。还可以使用审计跟踪、系统事件和系统驱动程序变量来无缝实时地监控数据收集和检索。IIoT 服务中的 Dashboard 服务可以在一系列设备上实现不受位置限制的、基于浏览器的监控。
克服本文所论述的四点误解对于充分利用相关解决方案至关重要。Historian 360 能够在 OT 和 AI 系统之间架起了一座可靠的桥梁。能够充分释放数据地潜力，而不是减慢数据的速度。
安妮塔·佩尔彻迈尔
客户体验经理