Endüstriyel Veri Modelleme: Ham Etiketlerden Şablonlara

Bir PLC’den okunan DB12.DBD40 = 74.2 bir sayıdır. { "varlik": "pompa-01", "sicaklik": 74.2, "birim": "°C", "zaman": "2026-10-03T08:15:00Z" } ise bir bilgidir. İkisi arasındaki fark, veri bağlamlandırma ve modellemedir; ve bu fark, bir analitik projesinin pilotta kalmasıyla ölçeklenmesi arasındaki farktır.

Neden ham etiketler yetmez?

• Anlam yoktur: Adres veya etiket adı, neyin ölçüldüğünü, birimini ve hangi varlığa ait olduğunu söylemez.
• Tutarsızlık vardır: Aynı büyüklük farklı hatlarda farklı adlarla ve ölçeklerle bulunur.
• Yeniden kullanım yoktur: Bir hat için yapılan eşlemeler başka hatta tekrar yazılır.
• Tüketiciler yükü taşır: Her analitik/BI/ML projesi veriyi kendi başına yorumlar.

Varlık modeli nedir?

Bir varlık modeli, bir ekipman türünün hangi öznitelikleri sunduğunu tanımlar: ölçümler, durumlar, tanımlayıcılar ve birimleri. Örneğin bir “Pompa” modeli şunları içerebilir:

Pompa
├── kimlik        (varlik_no, konum, uretici)
├── olcumler
│   ├── sicaklik      (°C)
│   ├── titresim      (mm/s)
│   └── akim          (A)
├── durum         (calisiyor | durdu | ariza)
└── sayaclar      (calisma_suresi_saat)

Model bir şablondur; her gerçek pompa (pompa-01, pompa-02 …) bu şablonun bir örneğidir. Her örnek, kendi kaynak etiketlerini şablondaki öznitelikler ile eşler.

Şablon tabanlı modellemenin faydaları

• Tutarlılık: Yüzlerce varlık aynı yapıda ve adlarla yayımlanır.
• Hız: Yeni bir varlık eklemek, şablondan bir örnek oluşturup kaynak etiketlerini eşlemekten ibarettir.
• Değişiklik yönetimi: Şablona bir öznitelik eklendiğinde, o şablondan türeyen tüm örnekler güncellenebilir.
• Doğrulama: Eksik öznitelikleri veya yanlış tipleri model düzeyinde yakalamak mümkündür.

Bağlamlandırma: modele neler eklenir?

1. Kimlik ve konum: Hangi varlık, hangi hat/tesis? (ISA-95 hiyerarşisiyle uyumlu)
2. Birim ve ölçek: Ham değerin mühendislik değerine dönüştürülmesi (ör. 742 → 74,2 °C).
3. Zaman damgası: Verinin ne zaman ölçüldüğü (kaynakta mı, toplayıcıda mı etiketlendiği net olmalı).
4. Kalite: Değerin güvenilir olup olmadığı (iyi / şüpheli / kötü).
5. Durum ve olay bağlamı: Makine durumu, aktif ürün/reçete, vardiya gibi üretim bağlamı.
6. Türetilmiş değerler: Ortalama, birim başına tüketim gibi hesaplanan öznitelikler.

Modeli yayımlamak

Modelleme tek başına yeterli değildir; model bir tüketiciye ulaşmalıdır. Aynı model, Unified Namespace üzerinden MQTT ile, REST/SQL ile veya analitik platformlarına yayımlanabilir. Kritik prensip: kaynakta bir kez modelle, birçok hedefe yayımla. Böylece her hedef için ayrı dönüşüm kodu yazmak gerekmez.

HighByte Intelligence Hub ile uygulama

HighByte Intelligence Hub, bu yaklaşımı kod yazmadan uygulayan bir platformdur: yeniden kullanılabilir şablonlar, iç içe öznitelik ağaçları ve model doğrulama ile varlık modelleri oluşturulur; görsel pipeline’larla veri şartlandırılır; sonuç MQTT/Sparkplug, REST, SQL ve bulut hedeflerine yayımlanır. Ayrıntılar için özellikler sayfasına ve Endüstriyel DataOps çözümüne bakabilirsiniz.

Başlangıç için kontrol listesi

1. En değerli 1–2 ekipman türünü seçin (örneğin pompa, paketleme makinesi).
2. Her tür için gerekli öznitelikleri tüketicilerle birlikte belirleyin (“kim neye ihtiyaç duyuyor?”).
3. Adlandırma, birim ve zaman damgası kurallarını yazın.
4. Şablonu bir hatta uygulayın, tüketicilerle doğrulayın.
5. Şablonu sürümleyin; değişiklikleri kontrollü yönetin.
6. Diğer hat ve tesislere şablonla çoğaltın.