Endüstriyel IT ve OT ekipleri için teknik yazılar
74 yazı: OEE, Modbus, OPC UA ve MQTT, OT güvenliği, endüstriyel veri, edge bilişim ve IT/OT proje planlaması.
15 yazı · Endüstriyel veri · Konu merkezini açın
Endüstriyel veri için zaman senkronizasyonu: NTP, PTP ve zaman damgası disiplini
Zaman damgalarının verinin güvenilirliğini neden belirlediği, NTP’nin nerede yeterli olduğu, PTP’nin ne zaman emeğe değdiği ve tek bir zaman kaynağı ile zaman damgası kuralının nasıl seçileceği.
Proses birim dönüşümünde tuzaklar: etkin ve mutlak basınç, normal ve standart hacim
Proses verisinde gerçek hatalara yol açan dönüşümler: etkin ve mutlak basınç, sıcaklık ofsetleri, hacimsel ve kütlesel debi, normal ve standart metreküp.
Sensör CSV dosyasını okumak: analitikten önce aykırı değer, kayma ve düz çizgi
Dışa aktarılmış bir sensör dosyasını kontrol etmek için kısa bir rutin: zaman damgaları, eksik örnekler, z-skorları ve aykırı değerler, kayma ve donmuş değerler; veri bir panoya veya modele ulaşmadan önce ne yapılmalı.
IIoT veri bütçesini boyutlandırma: örnekleme, ölü bant ve saklama
Etiket sayısı, örnekleme aralığı, mesaj boyutu, ek yük ve saklamanın bant genişliği ve depolama rakamlarına nasıl dönüştüğü; ölü bant ve sıkıştırmanın bunları nasıl değiştirdiği.
Historian saklama süresini ölçülmüş veri bütçesiyle boyutlandırın
Veri yolunu tahmin edin, örneklemeyi saklamadan ayırın ve kapasite seçmeden önce sıkıştırmayı doğrulayın.
Otomasyon ve IT ekiplerinin birlikte kullanacağı veri sözleşmesi yazın
Endüstriyel etiketin kaynak sistem dışında anlaşılabilmesi için anlamı, zamanı, kaliteyi ve sorumluluğu tanımlayın.
Analitik kurmadan önce sensör veri kalitesini kontrol edin
Eğilime güvenmeden veya model eğitmeden önce tamlık, aralık, zamanlama ve bağlam için basit kontroller uygulayın.
Historian vs Data Lake: Where Should Industrial Data Actually Live?
Historians are optimized for fast time-series; data lakes for flexible analytics. The two are complementary - if you design the boundary.
Data Quality in Manufacturing: Why Garbage Time-Series Breaks Analytics
The analytics model is only as good as the data pipeline that feeds it. The most common data quality failures and how to catch them early.
How Time-Series Database Compression Keeps Historians Fast
Historians keep very large volumes of samples manageable. Understanding lossless and lossy compression helps you size and tune them.
Industrial Data Historians: Choosing Between OSIsoft PI, Ignition, and InfluxDB
Every factory needs a historian — but the choice between enterprise platforms, SCADA-native solutions, and open-source time-series databases depends on your scale, budget, and team skills.
Data Preprocessing for Industrial ML: Cleaning Sensor Noise Without Losing the Signal
Raw industrial sensor data is messy. Before any ML model can deliver value, it needs to survive proper preprocessing. Here is the pipeline that actually works in the field.
Time-Series Data at the Industrial Edge: MQTT, InfluxDB, and the Architecture Behind It
Storing and querying industrial time-series data at the edge requires a different mindset than cloud-native architectures. Here is what works in practice.
Industrial Data Modeling Principles with HighByte Intelligence Hub
Principles for modeling industrial data in an Industrial DataOps platform such as HighByte Intelligence Hub: model the plant first, condition data near the source, name consistently and version your models.
Running Lightweight ML Models at the Industrial Edge with ONNX
Why and how to run compact machine learning models on edge devices with ONNX Runtime: model export, quantization trade-offs, input validation, local buffering and safe model updates.
Konu merkezleri
Her merkez, bir konudaki yazıları önerilen okuma sırasıyla listeler.
IT/OT projesi mi planlıyorsunuz?
Makinenizi, veri akışınızı veya üretim hedefinizi birkaç cümleyle anlatın; ASP Dijital ekibi size e-posta ile dönsün.