预测性维护的困惑：综合和获取足够数量的数据

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

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，但是当数据收集不是一种选择时，当使用新传感器时，或者当数据读数被错误记录并且信息有限时，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，以及克服与每种场景相关的障碍的技术和策略。

场景 1：世贸遗址

在此方案中，您的部门没有收集足够的数据来训练预测性维护模型，并且您不确定可以获取哪些其他数据以及从何处获取。考虑其他收集数据的内部部门，这些部门可能能够补充现有数据。组织内的采购可能足以满足您的需求。

供应商和客户也有潜力补充数据，这取决于业务的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协作。提供延长设备组件的健康和效率只是企业将欣赏的好处的一个例子。虽然这并不总是可行的，但可以获取的数据量值得考虑。

场景 2：盛宴或饥荒

在这里，部门拥有捕获足够数量数据的工具，但在发生故障之前系统无法收集这些数据。或者更糟糕的是，系统只能收集事件代码和时间戳，这意味着传感器不会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捕获数据的效率，如果生产数据不可用，则可能在测试队列上。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，但在开始使用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。仿真工具生成的数据应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。

及早进行战略性分析

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，工程团队可以使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，所有考虑将数据用于预测性维护的企业都应该尽早开始战略性地进行分析。一旦您了解了对您的目标最重要的数据功能，您就可以就哪些数据需要保留以及哪些不需要保留做出明智的决定。

审核编辑：郭婷