Low-Code Integration
Verknüpfe den SeriesExplorer mit deinen Codes oder externen Programmen über die Low-Code API. Analysiere Time Series integriert in deinem speziellen Workflow.
Was ist Low-Code Integration?
Low-Code Integration im SeriesExplorer ermöglicht dir die Einbindung von Codes oder externer Software mithilfe von Bash oder Batch Skripten. Das folgende Beispiel illustriert den Ablauf.
Water Circuit Daten
In diesem Beispiel verwenden wir Accelerometer-Daten von einer Studie, in der ein Wasserkreislauf in verschiedenen Prozesszuständen beobachtet wurde. Die Werte der Time Series stammen von verschiedenen Sensoren des Systems und sind mit Zeitpunkten in einer CSV-Datei gespeichert.
1. CSV-Datei importieren
Wir ziehen die CSV-Datei per Drag & Drop in den SeriesExplorer. Dann setzen wir „Points Column Name“ auf den Spaltennamen der Zeitpunkte „datetime“, sowie „Series Column Name“ auf den Spaltennamen der Time Series „Accelerometer1RMS“. Danach starten wir den Import.
2. Script anbinden
Wir wählen im SeriesExplorer „Scripting“ aus um ein Bash oder Batch Skript anzubinden. Das Skript erhält als einzigen Parameter den Pfad zu einer temporären Datei, in der die Time Series im JSON-Format gespeichert ist. In dem Skript können wir unseren eigenen Code oder externe Software aufrufen, um die Zeitreihe zu verarbeiten.
Das Bash oder Batch Skript ist die Schnittstelle, die den SeriesExplorer mit deinem Code oder externer Software verbindet. In diesem Beispiel rufen wir die Python-Datei „dct_transform.py“ mit dem Pfad zur Time Series Datei auf. Diese wendet das Discrete Cosine Transform (DCT) an, um die Time Series in den Frequenzbereich zu transformieren.
Das Python Skript liest zuerst die Datenreihe aus dem JSON-Format ein, führt dann mit den Datenpunkten die Discrete Cosine Transformation durch, und speichert schließlich die Frequenzen in der ursprünglichen Datei. Diese wird nach der Transformation von dem SeriesExplorer gelesen, um die veränderte Time Series zu laden.
3. Ergebnis inspizieren
Im Editor schauen wir uns die Zeitreihe an, um die Discrete Cosine Transformation zu inspizieren. Bei Bedarf können wir unseren Python-Code verändern und das Skript nochmals aufrufen. Oder wir berechnen weitere Transformationen und Analysen.
4. Workflow-Schichten
Als nächsten Schritt legen wir eine neue Workflow-Schicht an. Dann können wir weitere Skripte anbinden oder Datenanalysen mittels Machine Learning durchführen. Dadurch können wir die Verarbeitung der Datenreihe iterativ anpassen und unsere Analyseziele erreichen.
Welches Format hat die Low-Code API?
Der SeriesExplorer übergibt den Pfad einer temporären Datei an dein Skript als Argument. In Dieser Datei ist die Zeitreihe im JSON-Format gespeichert. Die folgende Tabelle schlüsselt die Attribute auf.
| Attribut | Bedeutung |
|---|---|
| class_name | Typ der Datei, fester Wert: SeriesProcessingResult |
| points | Liste an Zeitpunkten (Integers oder Floats) |
| data | Liste an Datenpunkten (Integers oder Floats) |
| annotations | Liste an Annotationen |
| datetime | Bestimmt ob die Zeitpunkte Unix Timestamps sind (true) oder Laufnummern (false) |
Lade dir das obige Low-Code Beispiel inklusive exemplarischer Time Series Datei herunter.
Gründer
Arik Ermshaus