人们通常认为大数据仅仅是从传感器、设备、系统和其它测量设备中生成的大量的数据，而后当有需求时再对这些数据进行处理。 然而，大数据的意义实际上远不止如此。 

数据的形式不尽相同。 一些数据是“结构化的”，例如以传感器输出的形式，其通常可以储存为数据库格式。 还有一些数据是“非结构化的”，可能包括文本、图像、音频或视频。 上述两种截然不同的数据集的混合，仅是对 “大数据”复杂性的一瞥。 

大数据的复杂程度前所未有，其在数量、速度、多样性和真实性方面的要求也极高，因此需要全新的数据库系统来分析和利用这些数据。 

SKF授权我们面临的挑战是要清楚理解这些数据的用处，并将其转变成“智能数据”。 要实现这一目标，可以使用专业知识和技术丰富原始数据。 在工业应用中，该过程最常应用于运行和维护之中。 收集并正确解读大量过程数据，可以为操作者提供改进运行状态所需的信息。 通过正确筛选和解读数据，可以基于此结果来调整设备状态，帮助设备提高性能或延长其使用寿命。 简单来说，一名有经验的操作者可能只需通过几个读数，例如温度、压力和振动，就可以对设备进行“诊断”。 

这种结构化数据是实施状态监测（CBM）和预测性维护方法的基础。 正确地测量并在数值偏离正常范围时立刻采取行动，有助于设备运行更长时间。 一个简单的例子是轴承的振动监测，检测到的单个数据集可以帮助延长设备寿命并提高其可靠性。 

斯凯孚的工程师最近帮助法拉利F1 车队实时收集其测试室的数据。 基于斯凯孚IMx的平台持续监控测试室中驱动部件的振动状态，每秒处理多达 10 万个观测值。 这些数据被以每秒20 次的频率进行整理，然后被分解成更易于管理的数据块并进行分析。 法拉利团队表示，这有助于团队“关注结果而不是数据”。 

在此之前，团队必须进入一个单独的测试室，以确切地了解内部发生了什么。 由于无法实时在线查看高频数据， 因此故障排除的过程十分缓慢，并且无法基于趋势值创建对组件使用寿命的预测。  

斯凯孚为该应用提供适用于监控诸如风力发电机等应用的IMx平台，其所需数据和通道更少，对计算机处理速度的要求也更低。 

结构化的进展

结构化数据可以被自动解读： 如果某个参数上升，可以判别其属于正常或异常行为，并且可以对其进行调整或者诊断。 我们一直面临的挑战是将包括非结构化数据的一切都实现自动化。 

如今，客户经常会收到设备状态的书面报告， 斯凯孚的工程专家每年要向其客户提供许多诸如此类报告。 那么，这些报告的结果是否可以自动生成，并用于提高分析能力？ 

确实有这样的先例。 例如，设备检视系统可以“知道”故障是否严重，因为它们已经“见识”过许多例子。 该原理可应用于检查从产品到质量检验等多个方面。 而在不久以前，还只能由操作者识别这类故障。 

现在，类似的原理可用于处理更复杂的设备故障。 自动化系统将很快能够解读大量的结构化和非结构化数据，并自动诊断问题。 比如它可以比较当前图片与历史图片，或者直接从书面报告中提取数据。 自动化系统将通过每一个文本、图像、音频或视频进行学习和改进。 同时，专家可以专注于系统尚未知晓的问题，并且可以触发监督式学习。 

当然，在我们实现这一点之前还有障碍要克服。 虽然硬件和软件已经到位，但我们仍然需要在由不同供应商生产的各种系统中无缝地相互通信。 数据的访问、交换和互通一直都困扰着我们，但有迹象表明，事情正在变得越来越明朗， 尤其是由多个供应商提供服务的终端用户正在推动互通协调的系统的发展。 

从大数据转变到智能数据，意味着从知道发生了什么，到知道将要发生什么、发生的原因和需要做什么。 如果我们能够获得这种实时的洞察力，那么我们SKF授权将为行业创造利润和价值。