作者 | Tina Hull

“

通过使用在运行维护期间收集的大数据来规划和集成分析，有助于企业提高可靠性。

”

自从开始记录机器上的读数以来，工业企业已经使用了数据分析、趋势分析、图表和其它可视化技术。尽管数据分析技术变化不大，但没有多少维护经理能够完全了解它是什么，如何影响运营以及将如何塑造工业4.0。

运维中的数据分析是什么？

数据分析是对原始数据的分析，以做出明智的决策。几十年来，技术就是这样。现在，变化的是数据采集量，以及“谁”或“什么”在进行分析。

传统上，技术人员收集数据，而管理人员或专家分析这些输入并得出结论。随着先进技术和软件的更新换代，这两项活动比以前更加数字化。

现在，数据分析不仅对维护很重要，它还是未来发展的关键。未来的维护策略，将使用规范性分析（prescriptive analytics），利用软件收集和分析数据，并为无法正常运营的系统提供维护建议。在“规范性维护”方面，先进的人工智能（AI）和机器学习（ML）软件将帮助确定采取什么行动以及何时采取行动。

目前，可用于实际应用的AI维护软件还很少。很多公司都在竞相实现这一目标。然而，在大多数工业车间，这依旧是一个梦想。运营通常以手动读取数据为基础，只有少数高级用户使用无线传感器，并期待自动化程度更高的未来。

手动与自动数据分析

手动数据分析需要大量的处理数据和查看曲线工作。许多工业运营部门提供数据分析服务，减轻了管理者的麻烦——数据筛选、来源验证并确定哪些数据需要专家分析。

无论您是拥有手动数据分析的内部专业知识，还是更愿意使用复杂的自动分析，都必须有状态监测传感器和控制装置生成的大量数据。

面向制造业的大数据

大数据一般是指大型或复杂的数据集。在维护领域，它包括工业测量、运营数据和无线传感器读数。然而，收集和存储所有这些数据并不是重点。这些信息必须被提取和利用才能发挥作用。

数据分析是从大数据中释放信息的关键。专家分析师可以从一系列看似不可理解的值和代码中获取价值。随着工业4.0 继续革新维护和维修操作，这种分析将转变为智能软件功能。

虽然对许多人来说，AI 数据分析依旧是未来的趋势，但当前的维护软件系统，正在利用更多的数据来协助维护团队，并增加易于自动化实施的任务。

工业技术和数据分析

工业数据源包括运营控制数据，如监控和数据采集（SCADA）、可编程逻辑控制器（PLC）系统、楼宇管理系统、集成或第三方传感器、具有连接工具的技术人员等。随着IIoT 传感器在资产上的应用日益广泛，大数据的来源比以往任何时候都多。热成像工具也可用于读取多个资产的读数。振动传感器进行连续的状态监测，并能检测到电机轴错位等问题。技术人员使用手持工具抽查获得的数据，可以立即发送到云。软件可以将数据源融合到一个全面的图像中进行推断。

分析工业数据

一家商业奶酪制造商最近庆祝其投资数百万美元的扩建工程的完工，产能增加了25%。大量新设备即将投入使用，管理层明白为了正常运营，必须对资产进行监控。

该公司的制造设施工艺工程师表示，团队清楚他们需要保持工厂的正常运营。他们还想立即知道设备的任何问题。

他们使用无线振动传感器将恒定读数上传到云端，并使用分析软件对最常见的故障进行振动监测。这些数据为维护团队提供稳定的见解，如资产状况状态、事件信息、警告等。

实施数据分析的5个步骤

通往未来增强型数据分析的道路并不是唯一的。一些公司已经将以可靠性为中心的维护紧密融入到运营中。还有一些企业则正在开始他们的可靠性之旅。在深入研究工业4.0 之前，需要了解基本知识。然而，无论目前企业处于何种状态，都可以从这些步骤中受益。

步骤1完成资产关键性分析

通过此分析指导团队，按照重要性对资产健康和维护进行优先排序。团队根据每个资产在组织内的使用情况，而不一定是根据其在工业中的标准用途，以及失败时对业务的影响来对其进行评级。

资产关键性分析还可以告知团队，哪些资产是状态监测和筛选的主要候选资产，并提供分析来源。

步骤2规划试点项目

与大多数技术部署或工艺变更一样，最好用小部分资产进行试点。在资产关键性分析中，确定对日常运营至关重要的设备。对这些更关键的资产进行状态监控，生成数据分析所需的组件（手动或自动）。

步骤3启动计划

启动计划并不是一蹴而就的；而是在部署期间持续进行完善，以确保其满足维护和运营需要。如果工艺或自动化不能正常工作，请优化并收集更多数据。很多企业后来放弃了试点项目，因为试点项目并没有给他们想要的东西。相反，要像海军陆战队一样思考——快速应变、适应和克服挑战。

步骤4与领导层一起审查结果

启动试点项目并不是重点。有了数据在手，用户可以进一步向领导证明扩展计划的意义。他们还可根据多年的业务管理和工艺变更经验来提出建议。用数据向他们证明，该项目是可靠的，可以进行扩展。

步骤5扩展数据分析计划

一旦领导批准了项目，请回到资产关键性分析上，以确定在何处扩大状态监控。可以在设施内、设施之间，甚至不同国家之间扩展监控。优化现有装置以获得更好的数据也很有帮助。

扩展数据分析计划，还意味着测试工业数据的新来源。它有助于将传感器、手持工具、集成SCADA 和PLC 系统的设备以及其它资源整合在一起，从而改进过程中的分析。尽管振动监测是新项目的良好起点，但热成像、油液分析和其它基于状态的维修资源也很有帮助。

上述原则有助于实现高质量的数据分析，并为未来的技术和软件奠定基础。它们也是以可靠性为中心的维护计划的一部分。解决方案应与云集成，并将工业4.0 投入运营。现在是为即将到来的AI / ML 时代奠定数据分析基础的时候了。那些已经实现数据分析目标的企业，将为拥有整合新兴技术所需的一切做好准备。

关键概念：

■ 数据分析是对原始数据进行分析，以做出明智的决策。

■ 利用大数据进行高级数据分析，可以帮助生产制造商做出更好的决策并改善运营。

■ 资产关键性分析可以帮助公司确定从哪里改进分析，并据此构建计划。

思考一下：

数据分析和大数据如何改进您的设施？