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

這些挑戰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據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據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據。考慮收集數據并可能能夠補充您現有數據的其他內部部門。在您的組織內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據，具體取決于業務規模及其在供應鏈中的位置。探索現有協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，但可以獲取的數據量值得考慮。

情景 2：盛宴或饑荒

在這里，一個部門擁有捕獲足夠數據量的工具，但系統無法收集數據，直到發生故障。或者更糟糕的是，系統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可以預測這些故障的模型至關重要的數據值。

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

場景 3：仿真軟件

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

早期和戰略性分析

缺乏數據可能會給您的預測性維護系統帶來重大問題。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據。無論您的具體數據需求如何，所有考慮使用數據進行預測性維護的企業都應盡早開始進行戰略性分析。一旦您了解了對您的目標最重要的數據功能，您就可以做出明智的決定，決定哪些數據需要保留，哪些不需要。

審核編輯：郭婷