5大传感器数据分析挑战：致命还是可以治愈？
平稳运行的传感器数据分析工具可能与交响乐团一样难以管理。因为乐团中的每个音乐家-以及物联网系统的每个部分-都需要正常工作并与他人“协调”。但是指挥家如何使他们的乐团工作得如此出色，听起来如此美妙，而不是制造混乱的杂音？显然，其中涉及许多实践。但是除此之外，他们绝对知道需要避免什么陷阱。这就是为什么，如果我们正在谈论协调传感器数据，那么了解您可能面临的5个主要传感器分析挑战就很重要。
挑战＃1。选择正确的时间间隔以实时收集和传输数据很困难
问题是，每个特定的业务甚至任务都可能需要完全不同的实时分析方法。选择适合您特定目的的数据收集和传输时间间隔可能会充满挑战。例如，石油钻探厂的大数据解决方案可能需要让控制应用程序每秒向执行器发送命令，以优化泵的压力或钻头的转速。这可能意味着每80毫秒收集一次数据，并每800毫秒以数据包形式传输一次。而不必为了每30分钟就收集和传输一次太阳能发电量，就可以将面板调整到太阳角度。基于这种时间间隔的数据分析也是实时的。
选择适当的时间间隔，以使其不太频繁，但是您仍然能够及时提取有价值的见解，这对于每个企业来说都是特定的，但是：
请记住，间隔越大，丢失数据的机会就越多，因为在等待时间内，数据没有正确存储（仅存储在有限的本地内存中）。同时，时间间隔越短，系统过载越多。因此，您的解决方案需要准备好处理数据流。
即使您的解决方案非常频繁地收集数据，也应确保它注意到在数据分析作业之间发生的传感器读数的快速变化（如果您的读数完全可以做到这一点）。使用具有更快读取功能的传感器将对此有所帮助。否则，很容易被您的设备看似正常的性能所蒙蔽。
挑战2。由于传感器数据质量差而产生的分析噪声
消除错误的数据样本一直是一个问题，而这个问题的核心是不良的数据质量。为了确保足够的分析结果，您需要处理以下内容：
传感器故障。多个传感器可能显示出错误的读数，例如总是比实际温度高2.4度。如果您发现了这样的不幸事故，那么大数据仓库中的某些数据将受到威胁。因此，您需要清理（或至少在给定的时间范围内标记数据）并修复/更换传感器。此处的第二种选择是，传感器可以开始始终显示不合理的读数，例如，实际上水箱几乎不温暖时，水箱中的水温为248°F。尽管此类读数与实际状态之间的差异要大得多，但与第一种选择相比，这些读数更容易发现和消除。
传感器漂移。即使您的传感器没有发生异常，您也应始终记住传感器漂移。随着时间的流逝，它们的敏感性麻木和读数开始“倾斜”并偏离。而且，您越是不理会这个问题，它就会变得越明显，从而增加了解决它的重要性。这就是为什么有专用于它的整个数据集的原因。
未知异常。一切可能都正常，但有时您会发现读数无缘无故丢失。或者，不时地，该处的传感器传输的数值不足，然后又恢复正常。这样的偏差可能令人不快，而找出其根本原因对于经验丰富的传感器专家而言是一项工作。
显然，您需要注意这些传感器数据质量问题，以便能够获得足够的可行见解。但是您不应该认为您需要消除所有错误的读数。由于大数据分析的性质（应用于传感器数据），实际上是不必要的，更不用说了。
挑战3。发现棘手但有意义的模式的复杂性
在海量数据中，可能很难发现真正有意义的模式。例如，可以很容易地注意到温度急剧升高，找出原因并消除它。这样，您可以说在某种程度上延长了设备的使用寿命。但是，与揭示数据的“隐藏”模式相比，这不会带来任何令人眼花value乱的价值。例如，揭露温度升高和降低的原因越来越少。如果您找到一种方法来检测和理解此类异常的真实含义，它将使您的生产获得更复杂的见解并节省更多资金。
寻找这些模式并正确解释它们是一项统计和数学任务，并且是一项非常复杂的任务。这是雇用数据分析师不会做的事情，因为他们的努力可能还不够。对于拥有更多知识和技能的人来说，进一步推动传感器数据分析的可能性是一个案例。数据科学家的案例。
挑战4。将传感器数据放入上下文的麻烦
即使您寻找棘手的模式，单独查看传感器读数的变化也是不够的。要真正了解正在发生的事情并看到更广阔的前景，您将需要的远不止于此：
搜索读数之间的相互依赖性。例如，您会发现温度和物质中特定化学物质的剧烈变化后压力会升高。显然，要了解您将需要确定可能交互的参数。但是，您还需要了解这些交互作用可能在什么时间范围内体现出来。
将传感器数据与其他数据类型组合。为了真正将传感器数据置于上下文中，您应该尝试查找其他有助于更好地分析传感器读数的数据。这里最重要的附加数据类型是有关机械配置，传感器布置以及（如果生产管理是（半）自动化的）发布给执行器的命令的数据。其他类型的“辅助”数据可以是：维护团队的行动注册表（文本），物质颜色（图像）或用锤子敲击奶酪轮的声音（音频）。所有这些都会影响您的良率，停机时间或缺陷预防，这就是分析它们很有用的原因。
仅将数据置于上下文中并揭示隐藏的有意义的模式才能将您的企业提升到运营效率的新高度。从描述性和诊断性方法（传感器数据分析的简单形式）到预测性甚至是描述性分析。
挑战5。被忽视的数据安全的危险
我们所有人当然都需要提防整体大数据安全挑战，但是在传感器数据分析中，有些方面数据安全以其自身的方式尤为重要。在这里，我们不仅在谈论有人破坏您的分析结果或出于某些不明确的目的窃取您的传感器读数。被忽略的传感器数据安全性所承受的最大危险是威胁自动化或半自动化的生产管理系统。这些复杂的生态系统可能会因为使用执行器而变得危险。如果将伪造的传感器数据馈送到分析工具，它可能会向执行器发送不足的命令，从而给您的生产带来混乱。为了使其更加生动，请想象一下电影中经常出现的情况：一个人被困在自动驾驶汽车中，汽车驶向致命的障碍。
为避免发生此类恐怖事件，您的员工或顾问将需要为系统的安全性而进行认真的工作，以使其既安全又不会损害整个系统的性能。
那么，致命还是可以治愈？
在这些挑战中，实际上有无数种方法可以使您的分析工作徒劳无功，例如：
您可能选择的数据收集和传输间隔太短，并且由于过载，解决方案将几乎无法工作。
您可能有太多来自传感器的脏数据，并且这种噪声无法让您正确分析任何内容。
您可能只专注于数据中的明显模式，而错过了更严重但不太明显的序列分析。
您可能会在上下文之外分析数据，而无法理解您的制造参数和操作是如何相互作用的。
您可能会忽略传感器数据安全性，而完全忽略可能破坏系统的外部入侵威胁。
因此，如果您无法正确应对所有这些挑战，那么这些挑战显然将是致命的。这就是为什么您应该对传感器数据有足够的了解，并在寻求传感器数据及其在企业中面临的挑战之前，可以寻求专业人员的帮助。
题库