随着工业互联网、大数据等技术的不断完善发展，工业制造业终端设备全过程数据、产品全生命周期数据、企业全系统数据、产业链供应链全链条数据等各类工业数据的实时获取与高效处理成为可能。工业大数据按来源划分，可分为工业物联网数据、企业信息化数据，以及外部跨界数据。
在当前基于工业互联网的分布式数据源环境下，一方面，工业领域物联网传感器在时刻收集工业现场生产设备以及产品产生的海量过程数据，这是当前工业大数据中最为主要也是增长最快的组成部分；另一方面，来源于制造执行系统、企业资源计划、产品生命周期管理等各类自动化与信息化系统中的业务数据，也是工业大数据的重要组成部分；此外，与工业企业外部竞争环境相关的客户数据、市场数据、竞品数据、政策法规等动态变化的外部跨界信息，也逐渐成为工业大数据的重要来源之一。工业大数据的形成与发展，为工业智能的发展奠定了基础。
尽管工业大数据在不同行业领域积累的规模日趋增大，但工业数据的分布广泛存在不均衡现象。例如，在设备健康管理的故障预测与诊断任务中，有缺陷的样本数据远少于正常的样本数据。同时，由于工业制造业逐渐向分布式、模块化发展，不同工厂、车间采集的数据汇聚到一起时，数据难以做到完全均衡。而随着工业设备的不断复杂化、集成化，可能出现一些新的未知的状况，缺乏历史数据。数据不平衡会导致数据分析模型性能不佳，因为它们倾向于挖掘数据量更多的类别的特征。
展开全文
工业系统向更为复杂化、智能化方向发展，借助于经验和简单的诊断仪器已经不能满足对生产系统可用度的提升，汽轮机、鼓风机、压缩机、发电机等旋转机械常常会发生各种不同情况的异常或故障而影响到整台设备的正常工作运转，出现重大的财产损失，以及灾难性的恶劣后果，造成机毁人亡。于设备维修管理而言，保养维修的工作量、维修响应能力、维修员综合技能要求、工业备件的供给效率、良品率提升、节能减排等都面临重大的挑战，预知设备故障，及时的进行设备维修，显得极其重要。
占星者忽米5G边缘计算器（简称占星者）的诞生就是为了解决设备健康管理的故障预测与诊断等问题，它赋予传统工业旋转设备无线连接和智能分析决策的功能，支持5G等多网络、多场景设备接入，数据采集无需复杂的多协议转换，直接从设备表面测量关键参数（振动、噪声和温度），利用工业机理和AI融合的算法，构建旋转设备故障模型库，实现边缘测数据实时分析和决策，把事后维修变为事前预防。
部分来源：《数据驱动的工业智能：现状与展望》
特别声明
本文仅代表作者观点，不代表本站立场，本站仅提供信息存储服务。