Modèles de données
Cette section présente les fonctions de Cognite Data Fusion (CDF) modélisation des données que vous pouvez utiliser pour créer des modèles de données expressifs et évolutifs, intégrer des données en vue de compléter les modèles, et effectuer des requêtes portant sur le contenu des modèles.
Un modèle de données est une représentation abstraite d’entités du monde réel. Il permet d’organiser des éléments de données et leurs propriétés et de standardiser leurs relations. Il est possible de créer un graphique de connaissances complet et contextualisé de vos données industrielles à l’aide de quelques constituants élémentaires : nœuds, arêtes et propriétés.
Modèles de données Cognite
Cognite fournit des modèles de données prêts à l’emploi pour une mise en route rapide :
-
Le modèle de données de base propose des constituants uniformisés à partir desquels il est possible de concevoir des modèles plus spécialisés.
-
Les modèles de données d’entreprise sont une extension du modèle de données de base qui permet de prendre en compte les besoins spécifiques de chaque secteur (de l’industrie de transformation, par exemple).
-
Les modèles de données personnalisés offrent une perspective des données adaptée à un scénario, une solution ou une application en particulier.
Stockage de données et analyse
Les conteneurs sont les espaces de stockage physiques des propriétés ayant un lien logique entre-elles (telles que les sensor readings de la température et de la pression) et des equipment information (telles que le modèle, l’âge et l’historique de maintenance). Dans un souci d’efficacité, certains types de données industrielles—comme les fichiers et les points de données des séries temporelles, par exemple— sont conservés dans des magasins de données (data stores) spécialisés.
Les vues représentent une couche virtuelle pour interroger et sélectionner des données dans les conteneurs à des fins d’analyse, telles que la machine performance et la predictive maintenance. Le recours aux mêmes points de données vous permet de créer des vues personnalisées répondant à différents besoins et de garantir la cohérence et la fiabilité des données.
Imaginez, par exemple, que vous deviez analyser les données d’une chaîne d’assemblage d’une usine. Votre modèle de données est en quelque sorte le plan sur lequel vous allez fonder l’analyse. Il fait appel à des vues et des conteneurs qui définissent comment stocker et consulter les données de façon efficace et fiable. Le modèle de données pourrait être constitué des vues et conteneurs suivants :
-
La vue Machine performance exploite toutes les données rassemblées au cours du dernier mois à partir des conteneurs Sensor readings et Production data afin d’analyser le niveau de performance des équipements.
-
La vue Predictive maintenance exploite les données du conteneur Sensor readings, en se concentrant sur les relevés pouvant révéler un signe d’usure. Elle collecte également des données du conteneur Equipment information (maintenance history et machine age, par exemple) pour identifier les pannes d’équipements potentielles.