预测性维护的困惑：合成并收集足量数据

　　在第一篇博客中，我按五个核心开发阶段探讨了数据在打造预测性维护模型过程中发挥的重要作用，以及工程师未接受系统化预测性维护工作流程培训的情况下将面临的挑战。

　　许多预测性维护系统依赖机器学习算法，为构建机器学习算法，必须要有足够的数据才能创建精确的模型。此数据通常来源于机器上的传感器，但是如果无法收集数据、启用新传感器、数据读数记录错误乃至信息有限，企业在构建预测性维护模型时会遇到问题。

　　每项难题都是可以解决的。接下来，我们将讨论三种常见的数据累积场景，同时附上克服每种场景局限性的技巧和策略。

　　场景 1：零基础

　　另外，供应商和客户也有可能对数据做出补充，具体取决于业务规模及其在供应链中的位置。深入剖析现有协议，确定是否可以建立合作。延长设备组件正常运行时间及提高效率只不过是企业获得的优势之一。虽然并不总是可行，但务必仔细考量可以获取的数据量。

　　场景 2：荒野求生

　　在这种场景下，部门具备捕获足量数据所需的工具；但是，除非发生故障，否则系统不会收集数据。甚至更糟的是，系统只能收集事件代码和时间戳，意味着传感器并不会收集开发可预测故障的模型所需的关键数据值。

　　企业可通过更改内部系统的数据日志选项（如果生产数据不可用，也许可针对测试数据进行）来提高数据捕获效率。甚至可以重新配置现有嵌入式设备，以便收集和传输传感器数据，但初期可能有必要采用外部数据记录器（图 1）。

　　图 1.配置数据日志以收集和传输传感器数据。 1984–2019 The MathWorks, Inc.

　　场景 3：仿真软件

　　在某些场景下，仿真工具可有效协助团队生成测试数据，进而综合运用测试数据与可用传感器数据构建并验证预测性维护算法。应将仿真工具生成的数据与测得的数据进行比较，确保仿真系统得到妥善校准。例如，人们可以构建 DC 服务器电机模型，而后运用实时传感器数据校准。

　　提前启动战略性分析

　　缺乏数据可能使预测性维护系统陷入重大困境。幸运的是，工程团队可以运用多种解决方案收集、整合甚至自行生成数据。无论您对具体数据的需求如何，只要考虑采用预测性维护数据，所有企业均应提前启动战略性分析。一旦您了解最有利于实现目标的数据特征，便可以明智地决定哪些数据需要保留，哪些数据不需要保留。

图说工控