Datamodeller
I det här avsnittet introduceras Cognite Data Fusion (Cognite datafusion) (CDF) funktioner för datamodellering som du kan använda för att bygga uttryckliga och skalbara datamodeller, mata in data för att fylla i modellerna och ställa frågor till modellerna om data de innehåller.
En datamodell är en abstrakt representation av enheter i den verkliga världen. I den ordnas dataelement och deras egenskaper och deras relationer standardiseras. Du kan bygga en omfattande kunskapsgraf i ett sammanhang, över branschdata med några få enkla byggstenar—noder, kanter och egenskaper.
Cognite datamodeller
Cognite tillhandahåller fördefinierade datamodeller så att du snabbt kan komma igång:
-
Kärndatamodellen innehåller standardiserade byggstenar vilka utgör grunden för mer specialiserade modeller.
-
Branschdatamodellerna utökar kärnmodellen för att tillgodose specifika branschkrav, t.ex. för processindustrin.
-
Anpassade datamodeller erbjuder ett dataperspektiv som är särskilt skräddarsytt för ett användningsfall, en lösning eller applikation.
Datalagring och analys
Behållare är där egenskaper som logiskt hör samman, t.ex. sensor readings av temperatur och tryck, och equipment information som modell, ålder och underhållshistorik, fysiskt lagras. Av effektivitetsskäl sparas vissa typer av branschdata—t.ex. filer och datapunkter för tidsserier— i särskilda lager för data.
Vyer är virtuella skikt för att ställa frågor och välja data i behållare för analys t.ex. machine performance och predictive maintenance. Genom att använda samma datapunkter kan du skapa anpassade vyer för att uppfylla olika behov samtidigt som konsistens och tillförlitlighet bibehålls.
Föreställ dig att du behöver analysera data från ett löpande band i en fabrik. Din datamodell bestämmer hur analysen ska utföras, med vyer och behållare som definierar hur data ska lagras och kommas åt; effektivt och tillförlitligt. Datamodellen kan ha dessa vyer och behållare:
-
Vyn Machine performance hämtar last month's data från Sensor readings och behållare med Production data för att analysera hur utrustningen fungerar.
-
Vyn Predictive maintenance hämtar data från behållaren med Sensor readings och fokuserar på avläsningar som kan visa på wear and tear. Den hämtar även data från behållaren med Equipment information, som maintenance history och machine age, för att identifiera möjliga fel i utrustningen.