SKF物联网技术负责人Erwin Weis解释说，收集过程数据并正确使用是预测性维护计划的重要组成部分，并证明了知识就是力量的格言。

收集数据是一回事，但有意义的是增加价值。用现代工业术语来说，这是关于将“大数据”变成“智能数据”。

大数据通常被认为是由传感器，设备，系统和其他测量设备产生的大量数据，然后您必须加以理解。但是，实际上还不止于此。

数据并非全部采用相同的形式。有些是“结构化的”，例如以传感器输出的形式，通常可以以数据库格式进行组织。其他数据是“非结构化”的，可能包括文本，图像，音频或视频。这两个截然不同的数据集的混合是“大数据”复杂性的一部分。

总的来说，大数据的特点是复杂性提高了，对容量，速度，多样性和准确性的要求也越来越高，这就需要新的数据库系统来分析和利用数据。

然后面临的挑战是如何理解它并将其转变为“智能数据”。使用知识和专业知识来丰富原始数据是实现此目标的方法。在工业环境中，此过程最常用于操作和维护。收集大量过程数据并正确解释它们可以为操作员提供改善运行条件所需的信息。通过根据结果调整条件，对数据进行正确的筛选和解释可以帮助提高机器性能或延长其使用寿命。简单来说，有经验的操作员可能会读取多个读数（例如温度，压力和振动），然后进行“诊断”。

这种结构化数据构成了基于状态的监视（CBM）和预测性维护方案的基础。进行正确的测量，并在偏离标准时立即采取措施，有助于使机器保持更长的运行时间。一个简单的例子是轴承振动监测，其中单个数据集可以帮助延长机器寿命并提高可靠性。

SKF工程师最近帮助Scuderia Ferrari F1团队从其测试室实时收集数据。基于SKF的IMx平台的平台持续监控测试室内驱动组件的振动行为，每秒处理多达100,000次观察。每秒最多可整理20次此数据-将其分成更易于管理的块-并进行分析。Scuderia说，这帮助团队“专注于结果而不是数据”。

在进行连续监视之前，团队必须进入一个单独的测试室以准确查看内部正在发生的事情。不可能实时在线检查高频数据。这使故障排除过程变慢，并且无法根据趋势值创建组件使用寿命的预测。

SKF对其IMx平台进行了调整以适合此应用，因为它更习惯于监视诸如风力涡轮机之类的应用程序，这些应用程序要求的数据量，通道和计算机速度都大大降低。

结构化进度

结构化数据可以自动进行解释：例如，如果某个参数升高，则可以识别正常和异常行为，并可以对其进行调整–或进行诊断。持续的挑战是使一切自动化，包括非结构化数据。

如今，经常向客户提供有关机器行为的书面报告。根据经验，像SKF这样的工程专家每年都会向其客户提供许多此类报告。那么，如果这些报告的结果可以自动产生并用于改善分析功能，该怎么办？

有先例。例如，机器视觉系统“知道”缺陷是否严重，因为已经“展示”了许多示例。该原理用于检查从产品到质量检查的所有内容。在不太遥远的过去，此类缺陷只能由操作人员来识别。

现在，类似的原理也适用于更复杂的机器问题。自动化系统很快将能够解释大量的结构化和非结构化数据，并自动诊断问题。例如，它可以将当前图片与历史图片进行比较，或者直接从书面报告中提取数据。有了每一个文本，图像，音频或视频，自动化系统都将学习并改进。同时，专家可以专注于系统尚不知道的问题，并且可以触发监督学习。

当然，在达到这一点之前，还有一些障碍需要克服。尽管硬件和软件已经准备就绪，但我们仍然需要由不同供应商生产的所有系统无缝地相互通信。数据访问，交换和互操作性长期以来一直是一个令人担忧的问题，但是有迹象表明事情正在变得更加开放。特别是由多个供应商提供服务的最终用户正在推动系统相互协调工作。

从大数据转变为智能数据，意味着从知道发生了什么，知道将会发生什么，为什么会发生以及需要做什么而转变。如果我们能够实时获得这种见解，那么我们将为行业创造利益和价值。