机器很少在没有警告的情况下发生故障。
在许多工业环境中，机器在停止工作之前会逐渐发生变化。其温度可能会略微上升。振动可能会变得更强。功耗可能会变化。生产速度可能会下降。单独这些变化可能不足以使机器停止，但它们结合在一起可以表明出现了问题。
挑战在于尽早检测到这些变化以采取行动。
对于许多设施，机器数据是通过传感器收集并发送到中央服务器进行分析。这对于报告和长期分析效果很好，但并不总是检测需要立即响应的问题的最佳方法。
另一种方法是分析靠近机器本身的传感器数据。
这使系统能够持续寻找异常行为，而无需将每个传感器读数发送到远程服务器。
查看单个读数的问题
一个简单的监控系统可能会为每个传感器定义一个限制。
如果温度超过某个值，则生成警报。
如果振动超过另一个值，则生成警报。
如果功耗过高，则生成警报。
问题在于机器并不总是以如此简单的方式发生故障。
一台机器可以在正常温度范围内，而其振动却缓慢增加。与此同时，其功耗可能开始变化。
单独来看，这些读数可能不足以引发警报。
结合在一起，它们可能是重要的。
这意味着有用的机器监控并不总是依赖于固定的限制。系统需要理解什么 正常行为 看起来，并识别出与该行为的有意义变化。
学习正常的样子
一台机器通常有一个操作模式。
它的温度在一定范围内变化。
它的振动有一个正常水平。
它的功耗遵循一个一般模式。
它的生产速度根据当前的工作负载而变化。
本地监控系统可以利用这些信息建立正常操作的图像。
它不一定需要理解每个读数的确切原因。它需要识别机器何时开始表现出与其通常模式不同的行为。
例如，想象一个通常以稳定振动运行的电动机。
经过几个小时，振动开始逐渐增加。
增加的幅度不足以触发传统警告。
然而，本地系统注意到当前的振动水平始终高于机器的正常行为。
它可以在振动达到危险水平之前标记出变化。
这给维护团队提供了在故障发生之前调查机器的机会。
为什么在机器附近处理数据很重要
一台大型机器可以持续生成传感器读数。
如果每个读数都发送到远程系统，信息必须通过网络传输才能进行分析。
对于长期报告，这个延迟可能无关紧要。
对于即时机器监控，它可能很重要。
本地处理允许系统在生成读数时进行检查。
机器不必等待远程系统决定是否发生了异常情况。
当响应需要迅速发生时，这尤其有用。
例如，本地系统可以：
检测振动的异常变化
比较多个传感器读数
确定变化是否持续
警报操作员
触发预定义的机器响应
记录事件以供后续分析
中央系统仍然可以接收重要信息。
不同之处在于，立即决策并不完全依赖于它。
结合多个信号
这种方法最有用的部分之一是能够同时查看多个测量值。
假设一台机器产生以下变化：
温度略微上升。
振动略微增加。
电力消耗变得不太稳定。
生产速度略微下降。
这些变化单独来看可能并不严重。
然而，一个同时查看它们的系统可能会识别出机器的行为有所不同。
这比为每个传感器创建单独的警报要有用得多。
过多的单独警报可能会造成另一个问题：警报疲劳.
如果操作员每次测量稍微超出正常范围时都收到警告，他们最终可能会停止将警告视为重要.
一个考虑多个信号的系统可以将注意力集中在更有意义的变化上.
目标不是预测确切的故障.
有时人们期望监控系统能够准确地说出什么会故障以及何时故障.
这并不总是必要的.
在许多情况下，更有用的结果只是:
“这台机器的行为与正常情况不同.”
这些信息足以触发检查.
维护技术人员可以检查机器并确定实际原因.
这是一个重要的区别.
该系统不需要取代维护团队.
它需要在合适的时间为维护团队提供更好的信息.
本地检测还可以减少不必要的数据传输.
持续的传感器监控可以产生大量数据.
将所有数据发送到中央系统可能并不必要.
本地系统可以处理原始读数并发送有用的结果.
例如，与其发送每个振动测量，不如发送:
正常操作范围.
显著变化.
检测到的异常行为.
事件发生的时间.
相关机器.
事件周围传感器数据的摘要.
当需要详细分析时，原始数据仍然可以存储。
但常规通信不需要传递每个单独的读数。
这可以减少网络流量，同时保持中央系统的信息更新。
当连接消失时会发生什么？
工业环境并不总是依赖于不间断的网络访问。
连接可能会失败。
网络设备可能需要维护。
远程服务可能会暂时不可用。
如果机器监控完全依赖于远程系统，通信的丧失也可能意味着监控的丧失。
本地检测改变了这一点。
即使与中央系统的通信暂时不可用，机器仍然可以继续被监控。
本地系统可以继续收集读数，识别异常行为，并应用即时规则。
当通信再次可用时，重要事件可以发送到中央系统。
这使得监控过程更加弹性。
减少误报
一个好的检测系统不应该仅仅产生更多的警报。
它应该产生 更有用的警报.
这需要理解临时变化和有意义变化之间的区别。
例如，机器在启动时可能会经历短暂的振动增加。
这并不一定意味着存在问题。
如果在正常操作期间同样的增加持续存在，情况就不同了。
因此，系统可以考虑以下因素：
变化的大小
持续的时间
是否在恶化
其他传感器是否显示相关变化
机器当前是启动、停止还是正常运行
这创造了一个更实用的监控过程。
系统可以寻找值得关注的行为，而不是将每个异常读数视为故障。
将检测与维护连接起来
检测到异常情况只有在之后发生某些事情时才有用。
结果可以与维护过程相连接。
例如，当机器显示出持续的行为变化时，系统可以自动创建一个包含相关信息的维护请求。
技术人员不必从空白请求开始。
他们可以看到：
哪个机器发出了警告
异常行为何时开始
哪些测量发生了变化
测量是如何变化的
是否之前发生过类似事件
这为维护团队提供了更好的起点。
它还创建了一个有用的记录，可以与未来的机器问题进行比较。
随着时间的推移，公司可以了解哪些警告模式与实际维护问题相关。
从一台机器开始
这种类型的系统不需要在整个工厂中开始。
一个实际的实施可以从一台机器开始，在那里意外的停机是昂贵的，或者传感器信息已经可用。
第一步是了解机器的正常行为。
系统可以监控相关的测量并识别有意义的变化。
一旦结果可靠，相同的方法可以扩展到其他机器。
这种渐进的方法有一个重要的优势。
它允许公司在进行更大投资之前，衡量系统是否真的改善了维护决策。
从对故障的反应到对变化的响应
传统的维护通常始于一个问题。
机器停止。
出现警报。
生产被中断。
技术人员进行调查。
本地机器监控改变了起点。
该过程可以在机器行为开始变化时开始，而不是在机器已经故障时。
这种差异可能是显著的。
目标不是消除每一个机器故障。这是不现实的。
目标是给操作员和维护团队更早的信息，以便他们有更多时间做出反应。
对于工业公司来说，这意味着更少的意外中断，更好的维护计划，以及对设备随时间变化的行为有更清晰的理解。
来自机器的最有价值信号并不总是显示“故障。”
有时是更早的信号，显示：
“事情开始发生变化。”