用知识赋能数字制造团队
第四次工业革命提供了从制造过程中获取大量实时数据的机会，并且几乎每个表面都有可能转变为用于数据收集的传感器.但是，这些丰富的数据是否提供了数字团队优化活动所需的知识？
在这部电影中，Senseye 的 Alexander Hill 和 Rob Russell 与制造技术中心的 Hannah Edmonds 博士、Make UK 的 Jim Davison 和 MCP Consulting Group 的 Peter Gagg 一起讨论制造商应该收集哪些数据以及如何收集现有数据集可以重新调整用途以推动新的见解和更大的价值，以及如何重新设计维护等流程以满足车间工程师的需求。
成绩单
Senseye 的 Alexander Hill：我想说这很简单，就像“你有数据，然后走开”一样简单。不幸的是，我们看到的是许多组织拥有过多的数据。因此找出正确的数据是什么以及您需要从这些数据中理解什么是一项挑战。
制造技术中心 Hannah Edmonds 博士：拥有大量数据会带来挑战，我们可能会进入数据饱和阶段——这太好了。
Rob Russell，Senseye：从预测性维护的角度来看，关键是收集状态监测数据，我们可以从中评估机器的状态。但与传感器信息一样重要的是，在适当的时间点根据上下文收集数据非常重要。
Hannah Edmonds 博士：状态监测和分析可以实现更主动的维护方法。这不仅仅是等到错误发生，而是试图确定设备的状况何时会随着时间的推移而恶化。
我们可以检测设备、收集数据，然后监控它们的操作以获得生产洞察力，以防止这种故障 - 在问题发生之前进行干预。
MCP Consulting Group 的 Peter Gagg：每个人的第一个想法是来自传感器的数据是启动预测性维护计划所需的全部。但是，企业中已经存在许多其他类型的数据。
来自楼宇管理系统、设备历史、PLC、制造执行系统、OEE 系统等的数据，以及通常的振动、温度、压力、流量、电流和电压。
这实际上是将所有这些整合在一起，确定您真正需要在预测机制中使用的参数，并查看它们是如何相互关联的。
Jim Davison，Make UK：这一切都是为了真正了解您的工艺、机械或产品中的关键参数。了解哪些输入会影响零件的好坏，或者机器能否以铭牌功能可靠且重复地运行。
一旦您能够理解这一点并了解您的流程，您就可以捕获重要的数据并且可以影响您正在寻找的参数。然后以有用的方式显示它。
Alexander Hill：在现代工业设备中，已有大量数据可用并已捕获。电流、温度、压力、循环时间等信息。这些东西实际上可以用于状态监测，但通常不是——它们仅用于控制过程。
我们可以进行这些测量并使用它们来了解机器健康状况。我们使用可用数据自动构建机器模型。然后我们帮助我们的客户从机器的角度了解他们需要注意什么。不用说“查看所有这些原始数据”，我们实际上是把它拿走，抽象出来，并确保他们能够理解他们需要关注的资产——在成百上千的资产中。
设备保养维修