思科系统公司在2017年5月于伦敦举行的物联网(IoT)世界论坛上公布了一项调查，结果显示:

• 60%的物联网项目在概念验证阶段停滞不前;
• (只有)26%的受访公司认为他们的物联网部署和计划是成功的;
• 总体而言，近四分之三的物联网项目被认为是失败的，而正在完成的项目中有三分之一是失败的不被视为成功。^我

规划、管理和扩展向工业4.0的过渡，并将其销售给组织的执行级别，是大多数可靠性和维护(R&M)从业者不具备的技能。然而，R&M人员确实拥有技能和成熟的方法，例如以可靠性为中心的维护(RCM)，非常适合支持使用工业物联网(IIoT)、高级分析、云计算、人工智能(AI)和相关主题的可控过渡，以获得早期最大的投资回报和更高的机械可靠性。这种新旧工具的连接被称为数据农业。
本文展示了如何最大限度地利用数据进行状态监视。它还描述了数据农业如何帮助克服当今数字化转型的另一个主要问题，即只有一小部分积累的数据正在以有意义的方式进行分析。²这些问题的成本可能相当大，对组织的底线没有明显的好处。

过去，现在和未来

今天和未来的能力包括无线技术、内部分析、大数据管理、工业物联网和/或物联网、云计算和高级分析。30多年前，大量的状态和性能数据必须由性能差得多的计算机和外围设备手动开发和管理，与此形成鲜明对比的是，今天的网络和设备可能带来的优势。凭借工业物联网和物联网数据容量和速度，再加上内部和外部无线网络协议提供的相关通信能力，数据几乎可以立即从机器流向远程数据中心。此外，目前使用的移动4G长期演进(LTE)蜂窝网络功能在不久的将来会被更优越的5G移动网络速度和容量(比4G高出50至1000倍)所超越³)．这些通信能力在20世纪80年代都不存在。

图1:2019年年中机械监测方案示例，显示分析水平和反馈性质(来源:Jack R. Nicholas, Jr.，版权所有)

最重要的是，为数百个客户执行现代预测分析程序所需的人员数量正在大大减少。可用的分析方法的种类显著增加，变得更加复杂。有了人工智能，人类的参与正在减少到只有最困难的分析和解释任务。随着云计算中的共享计算机资源，成本正在下降，因为参与的人员更少了，以数字形式存储数据的单位成本似乎在持续下降。

虽然模式识别、回归分析、相关性、极限和范围测试、相对比较和统计分析等分析能力在20世纪80年代得到应用，但计算机存储和召回能力、速度和成本限制了它们在国防等最高优先级项目中的使用。⁴

到2019年年中，对于世界经济的工业和公用事业部门来说，涉及内部和外部无线连接以及应用于关键机械的工业物联网的典型状态和性能监测计划可能如图1所示。

对于状态和性能监测，越来越多易于安装的数字无线传感器可应用于机械。为传感器和无线链路供电的能量通常来自电池，而电池的寿命取决于电池的设计技术、容量和数据传输的频率。替代能源，如燃料电池，正在开发中。与目前的电池相比，这些电池有望大大提高功率输出和寿命。然而，该领域最大的进步可能是开发环境收集或清除方法，利用机械、热、自然、光、磁场和核辐射能量为原电池电源电路充电。^v这些传感器通常提供原始数据，并将其直接或通过相关的可编程逻辑控制器(plc)发送到附近的计算机进行基本分析(例如，检查警报和警报限制，相对比较)，并将异常情况通信给指定人员。

现代状态和性能监测的一个关键原则是在尽可能靠近网络边缘的地方进行尽可能多的分析。随着智能传感器的引入，这成为可能，可以定制，以适应应用程序，并提供可操作的信息。⁶每个传感器点都应评估其单独或与任何其他数据源(例如计算机卡)结合指示实际或可能的故障模式的能力，这将在下文中描述。但首先，必须确定故障模式和相关的缓解数字分析任务。

最有效的方法是RCM。为了尽早获得RCM投资的回报，无论最理想的结果是什么，都应该进行帕累托分析，以确定应该调查哪些最坏的坏演员。⁷

有正确的根本原因分析(RCA)或缺陷消除(DE)的实际故障⁸所进行的活动也可能产生数字分析任务。

2017年初，推出了一种信用卡大小的计算卡，提供了一种模块化的方法来设计边缘计算能力和与消费或工业产品的连接。该卡是一台具有内存、存储、输入/输出选项、WiFi和蓝牙连接的全计算机。⁹今天，有更多的小型计算机、微型计算机和芯片设计用于边缘分析，具有相同甚至更强的功能。这些包括分析方法，如回归或趋势分析，对极限或范围的测试，模式识别和相关性分析，由驻留在边缘计算机集成芯片中的人工智能软件支持。^x

理想情况下，一个单一的设备从一个地方的多个传感器接收输入，加上有效的编程，可以提供基本但非常有用的可操作的情报，如果不是一个具体的行动过程的话。

无线链路和网关用于将传感器连接到计算设备，然后将结构化信息传输到下一层次的分析，通常使用以太网或其他有线网络协议。在这个级别上，一旦建立了适当的连接，就可以对整个工厂进行监控。可以创建数据湖或本地云存储功能来积累数据，而无需走出设施。一台本地计算机或服务器可以装载被监控工厂的数字孪生。虚拟的(即数字的)孪生植物具有真实植物的所有特征。虚拟双胞胎包含了所有描述正常、安全操作的信息，可与实际工厂条件进行比较，从启动到全面生产再到关闭。理想情况下，任何不正常的情况都会引起内部分析师、操作员和维护人员的注意，以及如何纠正任何异常情况。

连接选项正在增加。除了蓝牙、WiFi和Zigbee等无线网络协议，一种全新的数据传输方式正在兴起，称为LiFi。LiFi与发光二极管一起工作，发光二极管正被广泛用于许多永久性结构和交通工具，如飞机，以取代高能耗的空间灯。它在闪光中对信息进行编码。局域网可以以类似于微波系统的方式创建，但成本更低，尽管前面提到的计算机、手机和类似设备必须经过改造才能接收信号。一家大型科技公司在2016年初透露，其新发布的智能手机的操作系统具有LiFi功能。^西

图1所示的总体分析能力包括使用高级分析的场外或云计算，可能与来自组织外部具有以类似方式使用的相同类型资产的数据源的数据相结合。先进的分析方法包括数据挖掘、聚类分析、分类和时间序列分析等方法。^十二世好处很多，这超出了本文的范围，正如书中所描述的，资产状况监控管理。^十三世

通过数据农场集中数据收集和分析工作^十四

如前所述，数据农业的肥沃土壤可以在RCM、RCA和DE等方法中找到。播种是由这些经过验证的方案派生出来的任务，特别是如果这些任务是非侵入性的，并且涉及使用数学算法和/或可视化分析进行数据收集和解释。
一旦执行了任务，所收集的数据就有了价值，即使这种价值在于确保一切正常，不需要采取补救行动。这听起来很简单，也很直接。然而，它需要仔细的资源管理(例如，通过过滤)，以防止系统收集、聚合和分析数据，使其因重复和冗余的信息而不堪重负。^十五
整个数据农场过程如图2所示。

图2:支持高级分析的数据农场过程(来源:Jack R. Nicholas, Jr.，版权所有)

最初，并不是所有的任务都可以使用这个概念进行管理。因此，应该建立一个愿望清单，以搜索解决方案提供商，这些提供商可能对内部未解决的未知问题有答案。当组织派遣人员参加涉及工业4.0问题的会议和展览时，例如云、工厂或边缘的机器分析时，应该使用愿望清单。出席会议的好处之一是，不仅可以从供应商那里，还可以从其他与会者那里获得有关您愿望清单上的具体信息，从而有机会找到难以解决的问题的答案。

可以使用商业上可用的软件程序或服务提供商(如软件即服务(SaaS))从已知故障模式的已定义数据源中获取结果。口译现在可能由人类来完成，但毫无疑问，未来将使用人工智能软件程序来完成，其中许多软件程序正在从世界各地迅速增加的供应商那里获得。

分析的结果必须得到管理。首先，决定在内部使用什么，并选择那些将发送到场外的云端，与其他来源的数据一起进行聚合、分析和解释。将结果发送到任何云，无论是内部的还是外部的，都需要同步或结构化结果术语和格式，以避免混淆“苹果”和“橘子”，浪费资源并产生无意义或无用的信息。

从2016年初到2018年，时间序列数据库管理系统(DBMS)是工业4.0领域增长最快、最受欢迎的数据库部分。^十六世在这方面，制造业遥遥领先。^第十七章这意味着组织在工业物联网追求上投资最多的地方。最大的问题是:他们的投资物有所值吗?在时间序列分析中，分析和报告与既定范围或限制相关的异常模式、趋势或条件，以便被监控机器或过程的所有者采取后续行动。这被称为数据挖掘或探索性数据挖掘。虽然这是常识，但就数据存储成本和降级条件的搜索而言，它可能非常昂贵。通常，即使在深度学习机器诊断或其他AI程序的帮助下，集群或模式的开发也需要很长时间。如果结论是没有问题或没有检测到任何问题，这可能是有用的。然而，数据农业的概念是，当已知的原因和缺陷被认为是可能的时，以搜索早期预警为目标。在执行基于数据农场的目标分析时，可以继续进行盲搜索。

图3描述了数据农业和数据挖掘之间的基本区别。

图3:数据农业和数据挖掘的区别

图3强调了成本因素。通过集中于已知的故障模式和原因，农业提供了一种控制成本的方法，而不会抑制数据挖掘的巨大潜力。最终，数据农业的影响应该体现在非现场、基于云的分析中，增加输出的价值。这允许组织增加正在进行有效分析的数据量。当其他数据被认为在识别由老化和其他因素造成的未知问题方面有价值时，仍可能受到高级分析处理。

图4:显示分析水平和反馈性质的未来机械监测方案示例(来源:Jack R. Nicholas, Jr.，版权所有)

图4展示了使用IIoT同时涉及数据农业和数据挖掘的监测方案的概念描述。

无论是在工厂内部还是在云计算外部，数据农业都可以带来早期和更有价值的收益。它不会降低数据挖掘的价值，但可能会大大增加正在处理的数据的有用输出和价值，从而导致物联网和工业物联网项目的成功比例高于最近思科系统调查中显示的比例。

结论

数据农业使用成熟的方法(例如，RCM、RCA、DE)，通过分析揭示故障模式的传感器信息来定位特定的故障模式和原因。与一些物联网/工业物联网爱好者和大数据数据库管理组织提出的立场相反，这些方法至少在短期内不会过时。在从收集、积累、结构化、过滤、分析和采取行动的数据中获得价值方面，它们可以发挥巨大的优势。这将克服目前IoT/IIot计划在绝大多数涉及机械状况和性能监测的情况下失败的趋势。
本文中定义的数据农业的主要优势在于控制成本，在数字革命开始显示其在提高机械可靠性和降低制造业生产成本方面的真正潜力时，允许获得价值。

参考文献

^我https://www.i-scoop.eu/internet-of-things-guide/internet-things-project-failure-success/
²从各种出版物和互联网上的许多估计中很难做出判断，更难将机器数据从云内部或外部收集的所有其他数据中分离出来。目前，作者估计，使用本地或高级分析进行任何类型分析的机械数据不到所有数据的5%。

³吉尔,鲍勃。“工业物联网和5G、工业物联网/工业4.0的承诺。”观点，2016年5月4日。也看到https://industrial-iot.com/2016/04/industrial-iot-promise-5g/还有安东尼·萨巴斯提安。“韩国将投资15亿美元建设比4G‘快1000倍’的5G移动网络。”2014年1月22日，https://www.extremetech.com/computing/175206-south-korea-tospend- 1 - 50亿- 5 g -移动网络-那- 1000倍-快- 4 g．2017年开始部署，预计2018年韩国平昌、首尔冬奥会期间将进行5G预商用试验。看到http://gsacom.com/global-spectrum-situations-5g-positioning-countries/。美国的移动网络提供商开始宣传2019年在一些市场部署5G LTE功能。

⁴Nicholas, J.“组织必须做什么才能在运营、维护和可靠性领域最大限度地利用大数据和预测分析。”论文发表在可靠性会议，拉斯维加斯，NV, 2017年4月。描述了潜艇维护监测和支持计划，可以说是20世纪进行的最全面的资产状况监测计划之一(在从欧洲港口和向西到夏威夷的122艘核动力潜艇上应用26种预测技术，每艘潜艇上多达65个系统)。

^v尼古拉斯,J。资产状况监测管理．迈尔斯堡:Reliabibob综合体育网页版lityweb.com, 2016年12月(ISBN 978-1-941872-52-9)，第10章，pp170-171。提供传感器电池替代电源的更多详细信息。

⁶智能传感器可能是相当复杂的集成微处理器。然而，与能够定期传输数字数据的传感器相比，这些传感器需要更多的功率，并不是所有情况下的首选。ABB开发了一种紧凑型传感器，连接在低压感应电机的框架上。不需要布线。基于ABB数十年的电机专业知识，智能传感器使用车载算法，通过智能手机和/或互联网将有关电机健康状况的信息(例如振动、温度)传递到安全服务器。该解决方案可以使大量的电机成为智能设备，使其受益于智能服务。该解决方案于2016年在北美市场推出。看到http://new.abb.com/motors-generators/service/advanced-services/smart-sensor

⁷可汗，请注意。”坏演员计划．”bob体育正规吗 综合资讯2019年8月/ 9月，第56-60页。文章提供了一个很好的帕累托分析方法。虽然本文的目标是预防性维护优化、生命周期成本、备件预测和可靠性、可用性和可维护性(RAM)建模，但它同样适用于关注哪些系统应该进行以可靠性为中心的维护。

⁸李伟平、李伟杰、艾伯夏。不要只是修复它，还要改进它!迈尔斯堡:Reliabibob综合体育网页版lityweb.com, 2009。(ISBN 978-0-9825163-1-7)。提供关于缺陷消除的详细信息。

^西de Leeuw, Valentijn。https://industrial-iot.com/2017/01/intel-compute-card-iot-moduless-potential-impact-product-life-cycle-,2017年1月27日。

^x文森特,詹姆斯。“谷歌推出了用于设备上机器学习的微型新型人工智能芯片。”边缘2018年7月26日:https://www.theverge.com/2018/7/26/17616140/google-edge-tpu-on-device-ai-machine-learning-devkit。文章指出:谷歌正在将其AI专业知识从云端转移下来，并推出了新的Edge TPU，这是一种微型AI加速器，将在物联网/工业物联网设备中执行机器学习工作。Edge TPU被设计用来做所谓的推理。这是机器学习的一部分，算法实际上执行了它被训练的任务，比如，识别图片中的物体。谷歌的基于服务器的tpu针对这一过程的训练部分进行了优化，而这些新的Edge tpu将进行推理。六个这样的芯片可以装进一枚一美分硬币的周长。

^西《经济学人》报纸。“从全新的角度来看。”2016年9月24日，第76-77页文章指出，印度公司Velmenni、英国公司PureLiFi和法国公司Luciom正在推销这项技术的各种应用。苹果当年发布的iPhone操作系统被描述为具有LiFi功能，但必须添加传感器(手机没有提供)才能使该功能有用。

^十二世同上，参考文献v.第179页提供了一些分析方法名称的典型列表。

^十三世同上，参考文献第10章，第178-184页。

^十四这篇文章的作者找不到这个词的具体来源，农业数据，并不能声称是它的起源。这个想法来自于在美国海军学院学报上读到的一篇关于一个完全不同主题的文章。它的定义甚至可能与《Proceedings》文章的作者的定义不同，作者使用了这个术语而没有定义它，这引发了它在数字机器监控中的价值的想法。

^十五Valerio,巴勃罗。“物联网和边缘计算资源管理。”物联网时代2019年8月12日:https://iot.eetimes.com/managing-resources-on-iot-and-edge-computing/

^十六世Risse。迈克尔。“时间序列数据库的新崛起。”智能工业2018年2月26日:https://www.smartindustry.com/blog/smart-industry-connect/the-new-rise-of-time-series-databases/

^第十七章同前。