La preparazione dati precede la scala dell'AI
Un progetto di AI industriale può leggere documenti ma non identificare in modo affidabile asset, luogo, segnale, work order o regola di approvazione. Nelle operations reali, la base dati conta quanto il modello.
Data Fusion Services prepara questa base in FactVerse. Connette fonti, mappa campi alle entità del digital twin, normalizza dati, calcola indicatori e rende il contesto disponibile per FactVerse Twin Engine, FactVerse AI Agent, Inspector, dashboard e analytics.
Partire dal workflow operativo
La prima domanda è operativa: quale decisione o attività deve migliorare. Possibili inizi sono manutenzione predittiva, ispezioni facility, operations data center, HeatOps, sistemi facility semiconduttori, equipment logistico o SOP digitali.
| Workflow | Dati iniziali |
|---|---|
| Manutenzione predittiva | Gerarchia asset, sensori, allarmi, storico, ispezioni, risultati work order |
| Facility inspection | Spazi, asset, punti, checklist, foto, categorie problema, chiusure |
| Data center | Sale, rack, impianti, contatori, allarmi, energia, manutenzione, owner |
| HeatOps | Fonti termiche, sottostazioni, contatori, temperatura, pressione, flusso, meteo, dispatch |
| Guida operatore | SOP, passi, riferimenti equipment, sicurezza, training, approvazioni |
Inventariare le fonti
Le fonti tipiche includono SCADA, BMS, EMS, PLC, historian, IoT, MES, ERP, CMMS, EAM, GIS, BIM, contatori, fogli, disegni, manuali, repository SOP, strumenti di ispezione, training e documenti.
Per ogni fonte, documentare owner, scopo, connessione, campi, frequenza, retention, unità, timestamp, naming, rischi qualità, security e approvazioni.
Creare identità per asset e spazi
I workflow AI Agent richiedono riferimenti stabili. Pompe, AHU, UPS, scambiatori, valvole, gru, veicoli, sale, linee e sottostazioni devono essere riconosciuti tra sistemi.
FactVerse e Twin Engine usano questa identità per collegare spazi, equipment, sistemi, relazioni, documenti, segnali e work order. Data Fusion Services mappa campi e tag agli oggetti corretti del twin.
Preparare segnali, eventi ed esecuzione
Temperatura, vibrazione, corrente, pressione, flusso, energia, stato valvola, stato allarme e stato equipment richiedono unità, timestamp, regole di campionamento e marker qualità. Work order, ispezioni, foto, SOP e accettazioni aggiungono il contesto di esecuzione.
Per il machine learning, il dataset utile combina segnale, contesto asset, stato operativo, decisione umana, azione eseguita e risultato. Questi dati supportano training, retraining, valutazione e tuning delle raccomandazioni.
Pattern di rollout DataMesh
- Scegliere il workflow - Un loop operativo con owner e risultato misurabile.
- Inventariare fonti - Sistemi, tag, documenti, owner, accesso e rischi qualità.
- Modellare identità - Spazi, asset, sistemi, relazioni e alias in FactVerse.
- Mappare e normalizzare - Connettere fonti, legare campi a entità, uniformare unità e tempo.
- Collegare esecuzione - Inspector, Checklist, CMMS/EAM, SOP, prove e approvazioni.
- Preparare AI review - Fornire contesto affidabile a FactVerse AI Agent.
- Catturare risultati - Usare evidenze di campo e letture post-azione per migliorare dati e modelli.
Checklist
- Il workflow ha owner e risultato misurabile?
- Fonti, documenti, tag e record sono inventariati?
- Asset e spazi sono mappati in modo coerente?
- Unità, timestamp, sampling e rischi qualità sono documentati?
- Work order, ispezioni, SOP, foto e accettazioni sono connessi?
- L'AI Agent spiega le raccomandazioni con evidenze tracciabili?
- Review umane, suggerimenti respinti e risultati alimentano la valutazione ML?
Riferimenti pubblici
La pagina Data Fusion Services descrive il layer dati di FactVerse. La guida FactVerse AI Agent operations loop spiega il passaggio da raccomandazione a esecuzione verificata. I riferimenti Yokogawa e DataMesh, NIO smart factory e JTC mostrano esempi pubblici.