在這里，我們將探討當挑戰(zhàn)在于缺乏數(shù)據(jù)時會發(fā)生什么——這是任何預測性維護模型的基礎。

要構(gòu)建許多預測性維護系統(tǒng)所依賴的機器學習算法，必須有足夠的數(shù)據(jù)來創(chuàng)建準確的模型。這些數(shù)據(jù)通常來自機器上的傳感器，但當無法收集數(shù)據(jù)、使用新傳感器或錯誤記錄數(shù)據(jù)讀數(shù)且信息有限時，公司可能會遇到問題。

這些挑戰(zhàn)中的每一個都是可以解決的。下面我們將討論三種常見的數(shù)據(jù)積累場景以及克服與每種情況相關的障礙的技術和策略。

場景 1：歸零地

在這種情況下，您的部門沒有收集足夠的數(shù)據(jù)來訓練預測性維護模型，并且您不確定可以從何處獲取哪些額外數(shù)據(jù)?？紤]收集數(shù)據(jù)并可能能夠補充您現(xiàn)有數(shù)據(jù)的其他內(nèi)部部門。在您的組織內(nèi)采購可能足以滿足您的需求。

供應商和客戶也有可能補充數(shù)據(jù)，具體取決于業(yè)務規(guī)模及其在供應鏈中的位置。探索現(xiàn)有協(xié)議并確定是否可以促進合作。提供延長設備組件的健康和效率的服務只是企業(yè)都會欣賞的好處的一個例子。雖然這并不總是可能的，但可以獲取的數(shù)據(jù)量值得考慮。

情景 2：盛宴或饑荒

在這里，一個部門擁有捕獲足夠數(shù)據(jù)量的工具，但系統(tǒng)無法收集數(shù)據(jù)，直到發(fā)生故障。或者更糟糕的是，系統(tǒng)只能收集事件代碼和時間戳，這意味著傳感器沒有收集對于開發(fā)可以預測這些故障的模型至關重要的數(shù)據(jù)值。

公司可以通過更改內(nèi)部系統(tǒng)上的數(shù)據(jù)記錄選項來提高他們捕獲數(shù)據(jù)的效率，如果生產(chǎn)數(shù)據(jù)不可用，也許可以在測試車隊上進行。甚至可以通過重新配置現(xiàn)有的嵌入式設備來收集和傳輸傳感器數(shù)據(jù)，盡管在開始時可能需要外部數(shù)據(jù)記錄器。

場景 3：仿真軟件

在某些情況下，仿真工具可以在幫助團隊生成測試數(shù)據(jù)并將其與可用的傳感器數(shù)據(jù)相結(jié)合以構(gòu)建和驗證預測性維護算法方面發(fā)揮重要作用。應將仿真工具生成的數(shù)據(jù)與測量數(shù)據(jù)進行比較，以確保仿真得到良好校準。例如，可以構(gòu)建直流服務器電機模型，然后使用真實世界的傳感器數(shù)據(jù)進行校準。

早期和戰(zhàn)略性分析

缺乏數(shù)據(jù)可能會給您的預測性維護系統(tǒng)帶來重大問題。幸運的是，工程團隊可以采用多種解決方案來獲取、組合甚至生成自己的數(shù)據(jù)。無論您的具體數(shù)據(jù)需求如何，所有考慮使用數(shù)據(jù)進行預測性維護的企業(yè)都應盡早開始進行戰(zhàn)略性分析。一旦您了解了對您的目標最重要的數(shù)據(jù)功能，您就可以做出明智的決定，決定哪些數(shù)據(jù)需要保留，哪些不需要。

審核編輯：郭婷