在這里，我們將探討當挑戰在于缺乏數據（任何預測性維護模型的基礎）時會發生什么。

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，但是當數據收集不是一種選擇時，當使用新傳感器時，或者當數據讀數被錯誤記錄并且信息有限時，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，以及克服與每種場景相關的障礙的技術和策略。

場景 1：世貿遺址

在此方案中，您的部門沒有收集足夠的數據來訓練預測性維護模型，并且您不確定可以獲取哪些其他數據以及從何處獲取。考慮其他收集數據的內部部門，這些部門可能能夠補充現有數據。組織內的采購可能足以滿足您的需求。

供應商和客戶也有潛力補充數據，這取決于業務的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協作。提供延長設備組件的健康和效率只是企業將欣賞的好處的一個例子。雖然這并不總是可行的，但可以獲取的數據量值得考慮。

場景 2：盛宴或饑荒

在這里，部門擁有捕獲足夠數量數據的工具，但在發生故障之前系統無法收集這些數據。或者更糟糕的是，系統只能收集事件代碼和時間戳，這意味著傳感器不會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捕獲數據的效率，如果生產數據不可用，則可能在測試隊列上。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，但在開始使用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，仿真工具可以在幫助團隊生成測試數據并將其與可用的傳感器數據相結合以構建和驗證預測性維護算法方面發揮重要作用。仿真工具生成的數據應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。

及早進行戰略性分析

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，工程團隊可以使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，所有考慮將數據用于預測性維護的企業都應該盡早開始戰略性地進行分析。一旦您了解了對您的目標最重要的數據功能，您就可以就哪些數據需要保留以及哪些不需要保留做出明智的決定。

審核編輯：郭婷