Pranav普拉卡什

制造业通过将原材料转化为产品来创造价值。其中许多过程通过传感器和控制系统以及制造执行系统(MES)实现自动化，产生大量数据。智能制造的关键目标是利用这些数据来实现数据驱动的预测性操作，以优化流程，以实现更高的吞吐量、质量和能源效率。制造系统的复杂性为构建健壮的数据管道带来了独特的挑战。数据需要从不同粒度的多个来源收集。

必须对其进行准备和充实，以使其为ML做好准备，并在边缘或云中处理1000个已部署的ML模型。为了使机器学习有用，它还必须与复杂事件处理(CEP)相结合。演讲将介绍智能制造背景下多元时间序列数据的挑战，我们应对这些挑战的方法，以及我们的学习。

在这次演讲中，我们将分享构建流分析和ML管道所面临的一些挑战。更具体地，我们讨论了处理不同粒度和到达顺序的时间序列数据。数据峰值也很常见，可能会对此类系统的操作sla构成严重挑战。我们详细介绍了我们的流数据管道，其中包括ML模型和边缘和云中CEP的生产部署。使用Spark、Kafka及其周围的生态系统，我们的团队创建了一个平台，能够用数百万个数据点近乎实时地监控数千个制造设备资产。bob体育客户端下载