赞助内容
艾默生机械自动化解决方案销售与市场副总裁Derek Thomas
本文是四部分系列中的第二个，探索三个新但相关概念，用于从大数据中导出价值：小数据，边缘处理和嵌入式连接。这第一列概述了这三个主题，本专栏将重点关注小数据以及它与大数据的区别。
正如第一栏中所讨论的，许多公司都有诱惑解决大型数据问题，以大型尺度项目展开，节目地将各种来源的所有数据集成到数据湖中。单独的第一步呈现出巨大的挑战，但仍然不提供任何值，因为必须清除数据以删除异常。只有当这些任务完成时，才能分析开始创建见解和改进结果。
巨大和复杂的大数据项目导致许多公司在获得结果之前失败或放弃努力。对于大多数制造商来说，更好的路径是从一点数据方法开始，以大大简化和速度实现，并在几天产生的积极结果而不是通常需要大数据项目所需的数量。
最成功的小数据项目不是自上而下驱动的，而是从工厂、生产线甚至机器层面开始。这些级别的人员处理并了解日常操作问题，但围绕改进的决策往往基于单点观察或“直觉”，因为机器生成的数据会被浪费。这些类型的问题的答案可能存在于收集和存储的数据中，但通常不会出现在有意义的上下文中，或者被更大的数据池所稀释。
因此，任何小数据项目的第一步是识别引起操作问题的已知痛苦或问题，例如产品质量差和停机时间。这一步骤经常在IOT项目中跳过或过度推广，因为公司和利益相关者急于实施技术或“最新的大事”。但没有明确和前期目标，成功的机会很低，特别是在公司刚刚开始他们的数字转型之旅。
当一个人从一些小的、日常的烦恼和问题开始时，工厂的工作人员可以通过首先确定当地可用的数据，然后建议添加任何所需的新传感点，快速地对每个问题进行优先排序和逐个解决。这有助于推动早期的成功，以激发组织的热情，并为随后的小数据项目提供资金节省和增加收入。这就是小数据方法的力量，现在通过将计算能力移到边缘变得更加可行。
例如，一个终端用户在使用新机器时遇到了性能问题——包括过多的停机时间、速率损失和质量差，但无法确定根本原因。来自机器的现有数据，以及连接到边缘控制器的新传感器的数据，被用于监测压缩空气流量、电机振动、执行器位置、压力和真空。
来自这些新传感器的数据本身并没有改善机器的控制和操作，但它有助于通过本地操作员界面为操作员提供洞察，并通过安全传输到云计算为OEM提供洞察。这为双方提供了对相同数据的近乎实时访问，实现了协作解决问题。
这种对机器操作的改进的可见性允许终端用户使用这些额外的数据来启动对机器操作的程序性和调优更改，从而提高生产率和质量。OEM能够在问题升级前提供早期诊断，减少停机时间和维护费用。
这个概念在实践中的另一个例子可以在艾默生的机器自动化解决方案业务中找到，其总部和位于弗吉尼亚州夏洛茨维尔的世界级制造企业。
植物人员逐步和不断寻求改善机会。他们所承接的行动不依赖于企业大数据指令，而是基于已知的改进操作需求。这个自下而上，很少的数据方法确保有效性，因为最接近问题的那些提出了每个建议的改变，从而能够快速识别，然后快速实现解决方案。
大数据项目非常复杂，需要多年才能完成，需要大量投资。实施这些项目所需的技术经常成为焦点的领域，而不是他们打算解决的操作问题。因为在这么长的一段时间内没有实现结果，所以它根本不稳定地落入，劝阻努力。
小数据项目更简单，只需几天即可完成，并且需要最少的投资。操作问题是这些类型的项目的焦点，第二步选择了边缘的正确硬件和软件，这将是本系列中下一篇文章的重点。
由艾默生赞助的内容
了下:赞助内容
