Datenbereitschaft kommt vor AI-Skalierung
Industrielle AI-Projekte hängen oft daran, dass ein Modell zwar Dokumente lesen kann, aber Anlage, Standort, Signal, Arbeitsauftrag oder Freigaberegel nicht stabil erkennt. Für reale Betriebsabläufe zählt die Datenbasis ebenso wie das Modell.
Data Fusion Services bereitet diese Basis in der FactVerse-Architektur vor. Es verbindet Quellsysteme, ordnet Felder digitalen Zwillingsobjekten zu, normalisiert Daten, berechnet Kennzahlen und stellt den Kontext für FactVerse Twin Engine, FactVerse AI Agent, Inspector, Dashboards und Analysen bereit.
Vom Betriebsworkflow ausgehen
Starten Sie mit der Frage, welche Entscheidung oder Aufgabe verbessert werden soll: Predictive Maintenance, Facility-Inspektion, Rechenzentrumsbetrieb, HeatOps, Halbleiter-Facility-Systeme, Lagertechnik oder digitale SOP-Ausführung.
| Workflow | Erste Datenbasis |
|---|---|
| Predictive Maintenance | Anlagenhierarchie, Sensorsignale, Alarme, Wartungshistorie, Inspektionsergebnisse, Arbeitsaufträge |
| Facility-Inspektion | Raumstruktur, Anlagenliste, Inspektionspunkte, Checklisten, Fotos, Problemklassen, Abschlussdaten |
| Data Center Operations | Räume, Racks, Facility-Anlagen, Zähler, Alarme, Energiewerte, Wartungsdaten, Eigentümer |
| HeatOps | Wärmequellen, Stationen, Zähler, Temperatur, Druck, Durchfluss, Wetter, Dispatch-Logs |
| Operator Guidance | SOPs, Arbeitsschritte, Anlagenbezug, Sicherheitsnotizen, Training, Freigaben |
Quellsysteme inventarisieren
Typische Quellen sind SCADA, BMS, EMS, PLCs, Historian, IoT-Plattformen, MES, ERP, CMMS, EAM, GIS, BIM, Zähler, Tabellen, Zeichnungen, Handbücher, SOP-Ablagen, Inspektionstools, Trainingssysteme und Dokumentenbibliotheken.
Für jede Quelle sollten Verantwortlicher, Zweck, Verbindungsmethode, verfügbare Felder, Aktualisierungsfrequenz, Historie, Einheiten, Zeitstempel, Namensregeln, Qualitätsrisiken, Security und Freigaben dokumentiert werden.
Anlagen- und Raumidentität aufbauen
AI-Agent-Workflows benötigen stabile Referenzen. Pumpen, AHUs, USV, Wärmetauscher, Ventile, Krane, Fahrzeuge, Räume, Linien und Stationen müssen über Systeme hinweg erkennbar sein.
FactVerse und Twin Engine verbinden über diese Identität Räume, Anlagen, Systeme, Beziehungen, Dokumente, Signale und Arbeitsaufträge. Data Fusion Services ordnet Quellfelder und Tags den richtigen Twin-Objekten zu.
Zeitreihen, Ereignisse und Workflow-Daten vorbereiten
Temperatur, Vibration, Strom, Druck, Durchfluss, Energie, Ventilstatus, Alarmstatus und Anlagenstatus brauchen stabile Einheiten, Zeitstempel, Abtastregeln und Qualitätsmarker. Arbeitsaufträge, Inspektionsbefunde, Fotos, SOPs und Abnahmen stellen den Ausführungskontext her.
Für Machine Learning sind Signal, Anlagenkontext, Betriebszustand, menschliche Entscheidung, ausgeführte Maßnahme und Ergebnis gemeinsam wichtig. Diese Daten unterstützen Training, Nachtraining, Bewertung und Tuning von Empfehlungen.
DataMesh-Rollout
- Workflow wählen - Ein klar verantworteter Betriebsloop mit messbarem Ergebnis.
- Quellen erfassen - Systeme, Tags, Dokumente, Besitzer, Zugriff und Qualitätsrisiken.
- Identität modellieren - Räume, Anlagen, Systeme, Beziehungen und Aliasnamen in FactVerse.
- Daten mappen und normalisieren - Quellen anbinden, Felder an Twin-Entitäten binden, Einheiten und Zeitstempel vereinheitlichen.
- Ausführungskontext verbinden - Inspector, Checklist, CMMS/EAM, SOPs, Evidenzfelder und Freigaben.
- AI Review vorbereiten - Kontext an FactVerse AI Agent für Zusammenfassung, Anomalieprüfung und Empfehlung geben.
- Ergebnisse erfassen - Feldnachweise und Post-Action-Werte für Qualitätsverbesserung und Modellbewertung nutzen.
Checkliste
- Hat der Workflow einen Besitzer und ein messbares Ergebnis?
- Sind Systeme, Dokumente, Tags und Datensätze mit Besitzern erfasst?
- Sind Anlagen und Räume systemübergreifend konsistent gemappt?
- Sind Einheiten, Zeitstempel, Sampling und Qualitätsrisiken dokumentiert?
- Sind Arbeitsaufträge, Inspektionen, SOPs, Fotos und Abnahmen verbunden?
- Kann der AI Agent Empfehlungen mit nachvollziehbarer Evidenz erklären?
- Können Reviews, abgelehnte Vorschläge und Ergebnisse für ML-Bewertung erhalten bleiben?
Öffentliche Referenzen
Die Data Fusion Services Produktseite beschreibt die Datenintegrationsschicht von FactVerse. Der FactVerse AI Agent Operations Loop Guide zeigt, wie Empfehlungen in geprüfte Feldarbeit übergehen. Die Referenzen Yokogawa und DataMesh, NIO Smart Factory und JTC zeigen öffentliche Beispiele.