“大数据”的另一个组成部分是“大”的真正含义。在早期的PLC中，1024输入和1024输出的I/O映射被认为是“大”的。现在不那么多了。在混合数据中添加12或16位模拟值真的很费力。
随着控制系统技术的发展，随着内存密度和处理器吞吐量的增加，数据收集的边界呈指数级增加。网络速度提高了数千倍，可以同样轻松地向内部和外部应用程序提供数据。
使用较新的工具可以很容易地实现更复杂的功能。在电动机的情况下，最有价值的功能将是看到随着负载变化，相电流随时间的总和。在启动负载时的前20秒内获取当前示例通常是数据最有信息的地方。存储多次启动和创建“正常”剖面成为测量机械负载条件的模板。这种类型的数据结构将是一个模拟数据文件，具有已知的采样率和分辨率，可能比MP3音频的密度低得多。
另一个重要的规则可以构建，观察当前随时间变化的稳定负载，如风扇。当风扇以设定的速度运行时，其电流应是恒定的。5%或更多的变化将表明有问题。采样可以根据用户定义的间隔定期进行。正常的样品可以丢弃，错误带之外的样品将发出警报状态，并标记日期和时间，以备参考。
相比之下，生产车间指标如机器正常运行时间和生产产量则非常简单。在离散制造中，每完成一个零件就增加一个计数器。涉及许多步骤或部件可追溯性的复杂制造需要在产品经过其工艺步骤时进行时间标记。
在高度集中的系统中，大型数据库和远程制造操作之间的协调会变得更加复杂。这些系统包括主要的通信基础设施，以及在今天有点偏执的世界中防止入侵的重要安全措施。对于大型跨国公司来说，安全边界意味着巨大的投资。
主要的一点是，定义数据结构并不像看起来那么困难，因为没有一个通用的数据“超集”。在生产车间，什么是重要的很容易定义。在定义业务如何执行的指标方面，什么是重要的也相对容易定义。
所以，大数据可能并没有那么大。
了下:机电整合的建议
