Artikel

Dybdegående analyse af datamodellering: Eksplicitte vs. implicitte tilgange

Datakontekstualisering og standardisering har altid været fundamentet i moderne dataintegration. Hemmeligheden bag effektiv skalering ligger i brugen af datamodeller. Efterhånden som behovene i databehandlingslandskabet har udviklet sig, er der kommet nye muligheder og metoder til at håndtere data på en mere fleksibel og effektiv måde.

Dette indlæg udforsker de nyeste muligheder for datamodellering og forskellige metodologier. Hvis du arbejder med dataintegration og -styring, vil dette give dig værdifuld indsigt.

Dybdegående analyse af datamodellering

Datamodelleringens modenhed

Efterhånden som industrien digitaliseres, flyttes stadig mere data mellem systemer, og flere systemer anvender struktureret data. Datamodeller samler og kontekstualiserer relaterede datapunkter, hvilket gør relationer tydelige og gør det lettere for systemer at skelne mellem datasæt.

Ved at skabe konsoliderede objekter reduceres byrden for datahåndtering og -kommunikation.

Datadrevne virksomheder modellerer i stigende grad data om drift, produkter og processer som kuraterede datastrukturer frem for primitive “tags” fra industrielle kontrolsystemer.

Simpel data

  • Grundlæggende datapunkter i en flad struktur
  • Ingen relationer mellem datapunkter

Kompleks data

  • Mere detaljeret og struktureret
  • Indeholder indlejrede elementer, arrays og relationer

Highbyte Intelligence Hub har længe understøttet modellering af datapunkter, og med tiden er brugerne af systemet blevet mere avancerede i deres brug af datastrukturer. De nøjes ikke længere med blot at gruppere primitive datapunkter. De ønsker at:

  • indlejre dem eller sammensætte dem til komplekse, arvelige og udvidelige datastrukturer;
  • blande modeller for strategisk at normalisere deres forskellige datakilder, samtidig med at forskellene mellem dem tages i betragtning;
  • implicit modellere indkommende datastrukturer fra datakilder ved hjælp af en regelbaseret tilgang til validering og korrigering.

HighByte Intelligence Hub 4.0: Avanceret Datamodellering og Øget Fleksibilitet

HighByte’s fokus på kontekstualisering og standardisering af industrielle data i stor skala blev endnu tydeligere med lanceringen af version 4.0 i oktober 2024. Nu kan du:

  • Tilføje beskrivelser til modelattributter og definere standardværdier direkte i modellen frem for i hver enkelt instans. Dette gør det lettere for større teams at administrere mange modeller på tværs af virksomheden.
  • Visualisere modeller i et attributtræ, der giver et kompakt overblik over modellens struktur. Her kan du intuitivt forme din model, tilføje, fjerne, omorganisere og omdøbe attributter samt håndtere datatyper ved hjælp af ikonografi, der gør det nemmere at navigere i komplekse modeldefinitioner.
  • Bruge det nye initialiseringsblok til at sekvensere komplekse, parameterstyrede inputlæsninger på tværs af attributter i en instans.
  • Indlejre modelattributter for at skabe dybde i en payload. Modeller kan referere til andre modeller for at øge fleksibilitet og skalerbarhed. Du kan definere payload-dybde enten direkte i en model eller via en ekstern model. For eksempel kan et inspektionsdatasæt indeholde både inspektionsresultater og metadata om inspektionsprocessen og de undersøgte produkter. Resultaterne kan være underordnede en “resultater”-attribut, mens metadata hentes fra en anden model, der beskriver processer og produkter. Denne fleksible tilgang gør det muligt at kombinere forskellige datastrukturer og modeller.

Den nyeste version af HighByte Intelligence Hub giver endnu mere kontrol over komplekse og hierarkiske datastrukturer. Med Models og Instances kan du eksplicit skabe strukturerede datasæt fra datapunkter. Nu dykker vi ned i, hvordan man arbejder med indgående strukturerede data ved implicit modellering i Intelligence Hub.

Datamodellering med HighByte Intelligence Hub 4.0

1. Eksplicit modellering af datapunkter

Den første tilgang involverer at modellere indkommende datapunkter til konsistente datasæt. Dette løser problemet med at organisere inkonsistente OPC UA-tags i et datasæt. Models og Instances har i høj grad adresseret dette problem, siden deres oprettelse.

  • Brug af drag-and-drop referencepanel
  • Skabeloner, udtryk og funktioner
  • Effektiv til at strukturere og organisere data

2. Implicit modellering af datastrukturer

Den anden tilgang indebærer implicit modellering af datastrukturer ved at validere og tilpasse dem til behovene i eksterne systemer eller use cases. Dette inkluderer at tilføje, transformere eller sikre konsistens af allerede struktureret data.

  • Brug af Pipelines og Transform-trinet til implicitte modelleringsopgaver
  • Transform-trinet kræver JavaScript til at manipulere data og få dem til at matche en konsistent form

HighByte Intelligence Hub version 4.0

For at understøtte både eksplicitte og implicitte tilgange udvidede HighByte Intelligence Hub version 4.0 sine modelleringsmuligheder med introduktionen af Pipeline-modellering. Det inkluderer to nye Pipeline-trin:

1. Model-trinet
  • Definerer logik til at associere indkommende payloads med en model
  • Bruges til at omforme indkommende datastrukturer ved at kortlægge og transformere data til modelattributter
2. Model Validation-trinet
  • Sammenligner indkommende payloads med modeldefinitioner
  • Konfigureres til at sikre, at eventværdier matcher én eller flere modeldefinitioner
  • Har “valid” og “invalid” udgangsbaner, hvilket gør det til et kraftfuldt værktøj til at håndhæve datastandarder og lette remediation

Eksempel: AGV-data

For eksempel, hvis flere AGV-enheder sender data som en Webhook eller MQTT-besked, kan payloaden være struktureret, men ikke nødvendigvis i det format, som forretningsteamet kræver. De nye Pipeline-modellering-trin kan bruges til:

  • Omforme payloads
  • Validere data

Dette er en mere effektiv måde at håndhæve datastandarder på end at opdele AGV-datasættene i individuelle attributter og associere dem med instanser af en model.

Fordele ved de nye funktioner

De nye funktioner i HighByte Intelligence Hub gør det muligt at:

Understøtte både eksplicit og implicit modellering på en holistisk måde

Implicit håndhæve modelleringsstandarder på allerede struktureret data

Konklusion

Moderne datamodeleringsløsninger giver industrielle virksomheder mulighed for at definere modeller og anvende dem både eksplicit og implicit. Uanset om det drejer sig om at knytte individuelle tags fra en OPC-server til en aktiveringsmodel eller sikre, at allerede struktureret data fra forskellige CMM-inspektionsprogrammer overholder kravene til datakontekstualisering, kan disse værktøjer understøtte processen.

Tabellen nedenfor opsummerer de centrale punkter i dette indlæg:

EksplicitImplicit
DefinitionOprettelse af modellerede datasæt fra individuelle datapunkterBehandling af indkommende datasæt i forhold til eksisterende datamodeller
EksempelRå robotdata består af individuelle tags eller adskilte datapunkter. Disse skal mappes til en ensartet datastruktur. Alt håndhæves.Rå robotdata er allerede delvist struktureret og “stort set” modelleret. Der kan være uoverensstemmelser, som skal valideres eller omformes for at matche modeldefinitionen. Håndhæves ved undtagelser.
HightByte produkt funktionModeller. Kortlæg input til forekomster af en model.Pipelines. Kør pipeline-begivenheder gennem Model- og Modelvalideringsfaser.
TilgangTraditionel datamodellering, hvor forskellige datapunkter samles i en enkel eller kompleks datastrukturEn ny tilgang, der matcher delvist struktureret data mod en eksisterende model

Med disse værktøjer kan virksomheder effektivt organisere, validere og standardisere deres data, uanset om de vælger en eksplicit eller implicit modelleringsstrategi.


Vil du høre mere om HighByte?

Ønsker du at høre mere om, hvordan disse løsninger kan optimere din virksomheds datahåndtering, og hvordan HighByte Intelligence Hub kan hjælpe dig med at nå dine mål?

Kontakt os i dag for at få mere information og få en dybere indsigt i, hvordan vores løsninger kan transformere din dataorganisation.

Dette felt er til validering og bør ikke ændres.
Flere Insights