对于工业互联网有三句话：第一句，数据采集是基础；第二句，工业PaaS是核心（IaaS是地皮，PAAS是毛坯房，SAAS是精装房，我们买的是毛坯房）；第三句，工业APP是关键。
既然数据是基础，就得谈谈工业大数据，工业大数据五大特征：一是数据体量大，主要表现在随着设备数据和互联网数据的涌入，工业数据的存储量将达到EB级别；二是数据分布广泛，分布于机器设备、工业产品、管理系统、互联网等；三是结构复杂，有结构化、半结构化和非结构化等不同类型；四是数据速度需求多样化，有要求实时、半实时和离线3种，生产层级要求实时性，需要达到ms级别，管理层级实时性要求不高；五是数据价值不均匀，20%的数据具有80%的价值密度（如产品图纸、试验分析、加工工艺），80%的数据只有20%的价值密度，需要分析挖掘（如工况、图片数据）。
随着时间的推移，大数据就会滚雪球，云存储和其他类似的服务，就会承受着大量复杂数据处理请求的压力。数据服务中心存在于远离其连接的数据密集型应用程序的地方，需要费力地完成它们的请求。边缘计算就是要在一定程度上缓解大数据带来的负荷。
关于转动设备监测边缘计算：
我们知道飞机最危险的时候是起飞和降落，平飞时很安全，工厂的大型设备如汽轮发电机组、压缩机、烟机等也是这样一个特征，我们之前在对这类设备离线监测时候，为了监测一次启机数据一蹲点就是一两天，设备经常开不起来，或者条件不满足，开起来了就能一直平稳长周期运行下去。就像坐飞机经常晚点一样，都是晚点在机场。对于这类设备边缘计算我们就要抽样（不是降采样，抽样是定时抽取一段最高采样的数据，降采样是每多少个采样留一个），那么启停机一定要加密抽样上传（基于转速变化与时间变化的上传），同步采集也很重要（同步采集：机组每转一转固定采集多少个点；异步采集：每秒钟固定采集多少个点。这里跟多通道同步采集不是一个概念）。当机组正常稳定运行时减少抽样上传量甚至一天留三四组波形数据就好，数值数据可以多些。另外突发事件要有黑匣子（基于报警的上传），就好比单次心电图可能抓不到心脏异常情况，而需要背一个24小时心电图（黑匣子），然后真正有用的就是心脏异常时前后那一点点心电图数据拿出来就够了。
还有一类典型的滚动轴承齿轮箱设备如钢厂轧机、风电机组等，最关注的就是滚动轴承齿轮箱有没有伤，有伤了永远都不会好，啥时候都能测得到，这类设备特点是变工况，就好比你脚有点扭伤，跑步时会更疼些，走路时候会稍微轻一点，要想知道伤势程度，就一定要在同一条件下比较。转动设备也一样，就是在同一工况下比较看其劣化，而数据不需要太多，甚至一天传一次就好。
上述两类，当做预测模型第一类注重数据融合（类似中医啥都问）；第二类注重监测手法（类似西医），其中振动最敏感，因此要在振动数据深挖，冲击脉冲包络分析倒频谱之类的。
工业大数据要的覆盖面广，要的是万物互联，要的是有用的数据或者可能有用的数据，但是大量重复的数据毫无意义，现在市场上出现了NB-IOT,4G/5G,Zigbee,Lora,WIFI,蓝牙五花八门的无线技术，由于其窄带传输，很多指标都在边缘分解，安装改造用起来是简单了，但是针对振动这块，我们都是拿一组波形数据分析的，如果指标选取不好上来的数值数据就都会是无意思的数据，后期根本没法用。另外无线传感器为了方便多数磁座安装，频响只能在1K以下，对于滚动轴承齿轮箱，即使有波形，也做不了包络分析，还是没啥大用。
工业互联网的发展势必带动设备医学工程的发展，机器多自愈，少治愈指日可待，将来的机器会更智能化！
