三种常见数据积累场景及解决相关障碍的技术和策略

在这里，我们将探讨当挑战在于缺乏数据时会发生什么——这是任何预测性维护模型的基础。

要构建许多预测性维护系统所依赖的机器学习算法，必须有足够的数据来创建准确的模型。这些数据通常来自机器上的传感器，但当无法收集数据、使用新传感器或错误记录数据读数且信息有限时，公司可能会遇到问题。

这些挑战中的每一个都是可以解决的。下面我们将讨论三种常见的数据积累场景以及克服与每种情况相关的障碍的技术和策略。

场景 1：归零地

在这种情况下，您的部门没有收集足够的数据来训练预测性维护模型，并且您不确定可以从何处获取哪些额外数据。考虑收集数据并可能能够补充您现有数据的其他内部部门。在您的组织内采购可能足以满足您的需求。

供应商和客户也有可能补充数据，具体取决于业务规模及其在供应链中的位置。探索现有协议并确定是否可以促进合作。提供延长设备组件的健康和效率的服务只是企业都会欣赏的好处的一个例子。虽然这并不总是可能的，但可以获取的数据量值得考虑。

情景 2：盛宴或饥荒

在这里，一个部门拥有捕获足够数据量的工具，但系统无法收集数据，直到发生故障。或者更糟糕的是，系统只能收集事件代码和时间戳，这意味着传感器没有收集对于开发可以预测这些故障的模型至关重要的数据值。

公司可以通过更改内部系统上的数据记录选项来提高他们捕获数据的效率，如果生产数据不可用，也许可以在测试车队上进行。甚至可以通过重新配置现有的嵌入式设备来收集和传输传感器数据，尽管在开始时可能需要外部数据记录器。

场景 3：仿真软件

在某些情况下，仿真工具可以在帮助团队生成测试数据并将其与可用的传感器数据相结合以构建和验证预测性维护算法方面发挥重要作用。应将仿真工具生成的数据与测量数据进行比较，以确保仿真得到良好校准。例如，可以构建直流服务器电机模型，然后使用真实世界的传感器数据进行校准。

早期和战略性分析

缺乏数据可能会给您的预测性维护系统带来重大问题。幸运的是，工程团队可以采用多种解决方案来获取、组合甚至生成自己的数据。无论您的具体数据需求如何，所有考虑使用数据进行预测性维护的企业都应尽早开始进行战略性分析。一旦您了解了对您的目标最重要的数据功能，您就可以做出明智的决定，决定哪些数据需要保留，哪些不需要。

审核编辑：郭婷