Man måste förstå vad man mäter

Jag jobbar med att skapa information från data och göra den begriplig för oss människor. Det mesta är diskret data från händelser i organisationer, t.ex. en vara som skickas eller en fakturarad skapas, som sedan aggregeras och presenteras ur olika synvinklar.

Men viss data är inte händelser utan avlästa värden. Och ibland vill man göra avläsningar av statistik från händelser, t.ex. antal order per dag. Teoretiskt kan man säga att man ger data en ny tidbas och i det stora hela ser det likadant ut. Men man blir av med detaljer!

Bilden ovan är från nya temperaturövervakningen i den uppvärmda delen av vårt växthus och är ett ovanligt fint exempel på vad som kan hända när det blir fel.

I verkligheten finns en termostat som slår av och på en värmefläkt med ca 1ºC skillnad mellan av och på. Samtidigt har vi temperaturövervakningssystemet som är låst till att bara spara mätvärden var 5:e minut. När av- och påslagen för termostaten blir tätare än var 5:e minut bryter avläsningen ihop och man kan inte riktigt lita på värdena längre.

En bild från wikipediaartikeln om aliasing visar lite vad som händer.

Bild från Wikipedia

Hade det slumpat sig så att frekvensen på av och påslag var exakt samma som mätfrekvensen hade vi bara sett en rak kurva medan verkliga värden kunde varit hur stora eller små som helst.

Normalt hanterar man detta genom att sätta ett elektriskt filter på ingående signaler så att alla frekvenser som är högre än vad som går att mäta försvinner, ungefär att bara trenden blir kvar.

För ett sådant här system som vårt växthus är den bästa lösningen att lagra mätvärden oftare än var 5:e minut, men tyvärr är det inte gjort för det, utomhustemperaturer svänger ju aldrig på detta viset.