必须对收集到的数据进行相应的分析，以便预测维护系统可以识别模式并形成模型，从中可以得出机器的状况并提出维护建议。良好且详细的模型对于整个系统的质量至关重要。
生产和制造中的预测性维护
示例：例如，您希望收集和评估自己生产中的数据
确保产品质量始终如一，
为降低排除率，
优化材料和资源的使用，
根据您的需求主动组织您的维护
以避免意外停机。
可能的数据源有，例如
过程控制系统，
机器和控制接口（OPC UA、Modbus、以太网等）或
外部传感器（振动、声学、温度等）。
产品和机器的预测性维护
示例：您希望提供数据收集和分析作为附加的付费数字服务
能够提供有吸引力的全方位服务优惠，
主动提供备件销售和服务，
确保为您的客户提供更高的可用性，
为您的客户提 哥斯达黎加 whatsapp 数据 供运营和流程专业知识支持，
通过附加值使自己在竞争中脱颖而出。
可能的数据源有，例如
机器控制，
外部传感器（振动、声学、温度等）或
服务和维护数据。
预测维护系统中的典型分析流程
一旦建立了预测性维护系统，过程总是相似的：首先，数据收集在中央系统中，例如我们的 adesso 物联网云。如上所述，可能的来源是机器数据、服务系统、过程控制系统或附加传感器。改造解决方案对于经济有效地数字化现有机器特别有吸引力，因为它已经实现了实时监控。
贵公司的预测性维护流程示例
许多客户询问我们如何在他们的公司中绘制预测性维护流程，以及除了传感器数据之外其他数据源是否相关。额外的数据源提供了巨大的附加值，绝对应该考虑在内。在您的公司中，数据管道可能如下所示：
数据源位于左侧。在这里，我们经常区分静态主数据和历史或实时数据。静态主数据来自 SAP 等外围系统，其中包含机器的资产描述和维护历史记录等。特别是，有价值的信息可以隐藏在这些数据集中。也许有问题的机器过去曾多次出现过某些故障，或者已经经常维修过，因此也可以从这些数据中识别出未来的问题？
此外，还必须查看机器状态监测的实时数据。
重要的是，我们使所有数据都可分析 - 我们的专家经常为此目的构建所谓的数据湖。各种数据都收集在这个数据湖中，这些数据通常是非结构化的，因此不会提前放入紧身胸衣中。然后，数据科学家使用 R 或 Python 等框架和工具来处理这个数据湖。
数据分析的结果以易于理解的方式准备并显示在可视化层中（位于图像的最右侧）。例如，这种情况以服务仪表板中的维护建议的形式发生，或者在关键情况下以服务技术人员移动电话上的推送消息的形式发生。