迈克尔·佩尔蒂埃2020年9月23日|
制造业企业毫无疑问地听到了物联网的价值（物联网） - 它将有助于降低成本，提供更短的市场时间，支持大规模定制和/或改善安全。这些都是最令人兴趣的目标和期望，事实是他们更难以实现，而无需正确的视角，就可以真正提供了什么。
这就是为什么制造商需要考虑他们想要实现的目标，然后制定一个实现目标的计划;在这个计划中几种不同的技术将被使用，有些承诺可以交付。
举个例子，一个制造商正在寻找一个预见性维护解决方案。这些技术如何适应支持一个？关键是要问 - 并已回答 - 这些问题。
- 我想解决什么问题？
- 我需要知道什么信息才能解决这个问题?
- 如何捕获创建该信息所需的数据？
- 我需要什么技术来解释这些数据?
- 如何将数据转换为信息?
“我想解决什么问题？”
物联网项目失败的一个最常见的原因是未能明确定义南方的目标/目标。处理“预测性维护”之类的问题太大了，因此需要将其分解为多个组件。
首先，你是想为你自己的内部设备解决这个问题，还是想为你卖给客户的产品创建一个新的功能和服务线?从一台机器开始，然后是它的一个方面。首先你会问什么需要更换——比如油、过滤器、切割刀片，还是别的什么?-然后从这里往回算。
“要解决这个问题，我需要知道什么信息?”
那么，你怎么知道某些东西需要替换呢?既有领先指标，也有滞后指标。一个领先的指标是，你有办法知道，例如，过滤器太堵了，在它有下游的影响。滞后指标是你可以事后知道的，比如你生产的产品已经不在公差范围内了。尽管在交易环境下，领先指标更受青睐。
“我如何捕获创建该信息所需的数据?”
假设压力差异有所增加，这表明您可能需要更换脏滤波器 - 这是信息，因此您需要哪些数据来派生它？这是我们开始进入IoT平台的地方。在这种情况下，您需要提供可以提供这些值的差压传感器。或者，也许只是滤波器两侧的压力或流量传感器，提供独立措施。在任何一种情况下，您都希望此设备能够生成测量。
然后这个问题变成了“数据在哪里？”传统上，组织将在现场存储数据，但是基于云的存储可能是优选的，具体取决于您可能需要/想要进程的数据卷以便开始解释该数据。
“我需要什么技术来解释数据?”
评估一个零件是否在公差范围内并不需要机器学习。建立了边界，如果测量在边界内，一切都在工作。回到我们的预测性维护问题上，在什么情况下需要更换过滤器?在什么点上它开始影响切削工具的能力，以加工规格的零件?
这是机器学习发挥作用的地方，并且具有丰富的数据在哪里非常有价值。通过将我们的数据存储在Data-Lake类型的解决方案中，我们现在可以使用机器学习工具来揭示实际关系之间的压力和所涉及的部件之间的内容。
“如何将数据转化为信息？”
现在我们有了数据，我们建立了一个机器学习模型，可以告诉我们压差是多少，现在我们终于可以进行预测维护了。我们可以使用流分析服务来监测压力差，并将数据实时发送到我们的机器学习模型。它根据模型对输入进行评估，并返回零件超出公差的可能性百分比。我们现在可以创建一个警报机制(电子邮件、文本等)，让人们知道当这个数字达到50%时。在这一点上，我们现在可以安排停机时间来替换过滤器，而不是等到我们开始得到不符合规格的部件。我们终于得到了这个项目的回报。
可以在又一遍地使用这种方法来监视制造过程的其他方面，理想情况下，与其他数据一起实现以提供更包容和稳健的预测维护模型。然而，开始小，遵循这些步骤将有助于导致成功。这种相同的方法可用于解决超过预测的维护问题，并且可以用于更好地分配资源，处理材料或甚至影响制造过程本身。这一切都恢复了物联网系统可以带来制造业的价值。
