大數據分析、深度機器學習、人工智能和算法的興起正在推動最新的工業革命，并且已經持續了相當長的一段時間。捕獲數據、創建數字分析以及從另一端自動更改、優化甚至控制機器性能的能力現在已成為許多公司和行業結構的一部分。簡而言之，現在每個人都在努力實現“數字化”。
然而，對于所有這些關于數字和工業 4.0 的討論，監控機器最關鍵部分——它的命脈也就是它的潤滑油——很早就在進行，就是取油樣，將其放入塑料瓶中，手寫油樣和機器的詳細信息，將其送到實驗室并耐心等待（有時數周）顯示油樣狀態的結果。或者，可以使用便攜式快速檢測設備在現場采集并檢測，從而短時間內獲得幾個油樣數據。
潤滑油在線監測如何開始改變這種模式，并推測該行業的發展方向以及它必須全面擁抱工業 4.0 和數字革命的潛力。
數據無用
推動“數字化”在很大程度上依賴于監測系統可以獲取數據，因此“數據”就變得非常受歡迎。 現在，幾乎有一種對數據的癡迷，但就其本身而言，數據是完全沒用的。 比如擁有了一個知名品牌的健身追蹤器手表。 這個手表有一個很棒的功能，就是可以追蹤睡眠。 當醒來時，你或許癡迷地查看手機、下載數據并查看睡眠模式。 它可以告訴你睡了多長時間，是否在夜間醒來，甚至可以告訴你整晚睡得有多深，數據會以友好的方式呈現。 那么，這些數據意味著什么？ 你該如何處理所有這些信息？ 你會根據數據進行哪些改進？ 這種睡眠跟蹤功能會產生什么結果？ 如果這些都沒有，那就等于零，那么這純粹就是無用的數據。
數據分為兩類：它可以告訴我什么以及我需要知道什么？在這種情況下，不驅動結果的數據是無用的數據。
為了使數據有意義，就必須遵循四個規則：分析、解釋、數據前后關系和結果。
分析 - 數據必須基本可靠。原始數字不提供意義。原始數據必須轉化為有用的輸出。
解釋 - 數據是什么意思？這些數字與實際情況有何關系？
數據前后關系 - 這個元素在很大程度上被忽略了，但卻提供了最重要的洞察力。圍繞數據條件的前后關系可能與數據本身一樣重要。
結果 - 這是另一個經常被忽略的數據特征。根據睡眠跟蹤器的示例，如果數據不能帶來明確的結果，那么它就沒有意義。
比如測量一個人的體重，（數字）秤顯示他有 90KG。這個結果好嗎？這是一個健康的體重嗎？此時，您只有分析。如果沒有其他三個元素，這些數據將毫無用處。
怎么解釋呢？假設您將他的體重與體重/身高圖表進行比較。 通過這種解釋，對于一個身高 190cm 的人來說，90KG是正常體重。 這通常是數據調查結束的地方，包括了分析和解釋、單個數字與規格的相關性以及基本的解釋結果。缺少的是前后關系和結果。 在沒有前后關系的情況下，您假設體重 90KG和190cm的人是健康的。 前后關系有多種形式，但最常見的是趨勢分析。 在這個例子中，如果這個人四個星期前重達 120KG怎么辦？ 通過趨勢分析，你可以假設出了問題，而他實際上并不健康。 短時間內體重減輕的幅度表明可能患有嚴重的疾病。 因此，了解數據的前后聯系可以改變整個畫面。
從這些信息中可以得出什么結果？ 該人可能知道了潛在問題并能夠自我糾正，或者他可能會通過拜訪醫生尋求進一步、更詳細的分析。
油液分析行業也是如此。 首先，油液分析主要側重于分析和解釋。 取樣的本質是指在某個時間獲取單個數據，即一個人的體重測量值。 這通常與靜態規格（或身高/體重圖表）結合，并且純粹基于單個時間點（紅色、黃色或綠色）給出結果。
分析和解釋，也沒有前后聯系，很少有結果，這就是目前的常態。 如果需要對該數據進行徹底分析，那么通常在取樣檢測和結果之間存在明顯的時間滯后。 是有很多在這段滯后期間資產遭受災難性損失的例子。
實驗室可以提供精確到多個小數位的精度級別，并將不同的磨損金屬顆粒區分到百萬分之幾，您總是需要這種級別的準確性嗎？您必須牢記您對原始問題的回答（您在尋找什么？）。 這個問題有兩條清晰而截然不同的路徑。 在第一條路徑上，在資產級別，實時，在資產運行過程中，您主要需要知道三個簡單的事情：一切都好嗎，哪里出了問題，我該怎么辦？ 在第二條路徑上，在發生重大故障后，應進行取證分析，對故障資產進行尸檢，在這種情況下，失敗后，需要回答更多問題，例如為什么失敗，根本原因是什么以及我們需要在其他資產上解決什么問題以防止它們失敗？
第一條路徑就是我們需要討論的對驅動實時數據的新數字技術的需求發揮作用的地方。 “恰好足夠的數據”提供您需要知道的趨勢信息（而不是您可以被告知的信息）比在單個時間點取樣及時獲取的數據更有價值。 再次回到這個人的體重類比的例子， 該男子手腕上佩戴了一個設備，該設備可以測量和跟蹤他的體重和其他健康指標，例如血壓、心率等，可穿戴設備上的軟件可以跟蹤數據趨勢并提供基于已知的解釋結果，雖然這些數據不如您在醫院獲得的準確，但是實時的數據可以讓你了解整個趨勢動態的狀況。
就是這種“恰好足夠的數據”，并是實時的，它跟蹤趨勢并因此提供上下文關系。 它具有良好數據的四個要素：分析（設備進行測量并將其轉換為數據）、解釋（將相關數據放入圖表中以顯示數據的含義）、數據前后聯系（它查看一段時間內的趨勢并且通常具有 您當時正在做什么活動的上下文）和結果（一些設備現在根據結果推薦操作）。
“恰好足夠的數據”并顯示上下文的數據通常比單個時間點的精確數據更有價值。 對于潤滑油監測行業來說，這是相對較新的。 長期以來，取樣檢測一直是常態，更多地關注準確性和可以告知的內容，而不是您需要知道的內容。
實時在線傳感器
實時在線傳感的出現正在顛覆整個行業，這將對實驗室和便攜的現場檢測套件的供應商產生影響，與在線傳感器相比，便攜的現場檢測套件的唯一優點是節省成本。
但是依照 IC Insights 的 Rob Lineback 的說法，工業物聯網 (IIoT) 傳感器的成本在過去 15 年中下降了 90% 以上。 這一趨勢無疑將繼續下去，降價將在未來幾年侵蝕現場油液檢測套件的市場份額。 兩者將成為直接競爭對手。
關于實時油液分析的出現，已有很多報道。 盡管這項新技術取得了長足的進步，但它仍然存在局限性。 大多數實時在線傳感器是單個測量值或最多測量兩個或三個潤滑油元素。
如果可以集成成實時監測系統，就可以監測多個數值，測量油的粘度、磨損顆粒和水含量，對這些條件進行趨勢分析很有用，并且可以生成足夠好的數據.
數字時代潤滑油監測的未來
如前所述，數字時代和工業物聯網在很大程度上被潤滑油監測行業所忽視（也許有一些例外）。 通過提供實時（如果不是有限）洞察力，我們已經看到內聯傳感器功能如何開始出現。 未來這個行業將走向何方？ 我相信這個領域會有幾個趨勢，包括增加測量參數（分析）、非石油數據攝取（上下文）、資產數據攝取（上下文）、更深層次的機器學習（解釋）、生態系統整合（結果）、 和機器控制（結果）。
油液分析的真正潛力尚未實現，而釋放這種潛力是我認為行業發展的方向。 添加更多測量值，攝取更多數據，然后將這些數據處理成有意義但簡單的結果將是第一個改進，但這不會是結束。 不管它有多好，孤立運行的數據可能很麻煩。 將數據和成果整合到運營商的生態系統和基礎設施中，才是真正價值開始體現的地方。 基于數字石油數據的自動化結果是最終目標，而且并非遙不可及。
邁向數字世界
某些行業是工業 4.0 和數字革命的早期采用者，例如媒體、信息技術和金融，而其他行業正在迅速追趕，包括石油和天然氣以及先進制造業。 潤滑油監測行業已經遠遠落后，可以說還沒有跳上數字火車。 這是令人驚訝的，因為潤滑油數字監測的潛力是巨大的。
潤滑油監測數字時代的興起并不僅僅依賴于將模擬數據轉換為數字數據，將現有的手動實踐復制到相同實踐的數字可視化中。這場革命的核心是更大、更哲學的問題，例如“我需要知道什么？”和“我如何處理這些信息？” 不僅提供分析和基本解釋，而且包括背景和簡單結果和行動的數據必須是前進的方向， 數字監控工具可以融入運營商的生態系統，任何運營技能水平都可以訪問和操作，并實時回答“一切都好嗎？”、“出了什么問題？”三個基本問題。和“我該怎么辦？”將是潤滑油監控行業邁向數字世界的關鍵。
本文首發深圳市亞泰光電技術有限公司官網，亞泰光電，國家高新技術企業和深圳知名品牌，10余年工業內窺鏡和油品分析儀研發、生產行業經驗，國內外知名企業合作供應商，產品優惠熱線：0755-86656083 86656390,聯系我們獲取更多讓您怦然心動的詳情，期待您的指導與交流！
最新資訊文章
