在这两部分工作做完后，就是数据运营了。上述模型通过可视化之后会部署到现有的平台或者是SaaS服务云。在这部分，需要有日常的运营工作，例如应用端的部署、分值计量和衡量指标，到最后还会反馈到第一个阶段，算法不是一成不变的，随着数据的积累、故障调优，会重新反馈到第一阶段。所以实际上，算法是在云端或者在本地的自学习的算法，随着数据的积累，也会更加智能。

案例分享

一、电梯预测性维护

电梯是量很大的设备，对安全质量要求很高。在电梯的智能化转型过程中，有三个阶段。

第一阶段以安全监控为主，主要是东芝、日立这些日系企业通过总线系统收集电梯运行的实时数据，根据预先定义的阈值(例如最高速度)进行报警。

第二阶段就是三菱电梯通过历史数据进行存储，然后对地洞次数、运行时间做统计。统计指的是数据分析来预测电梯的健康状况。第一阶段和第二阶段主要用的是历史数据或者是人工统计的方式来做分析。

第三阶段就是智能预测了，这一阶段可以通过电机总线和外加传感器的方式来收集实时数据，这些数据可以从系统层面来分析故障、能耗等。与此同时，随着这些数据的积累，还可以建立一个回修专家系统，像OTIS、蒂森克虏伯这些公司已经在做这部分工作。

Gartner曾对蒂森克虏伯的方案做出这样评价，它是电梯预测性维护的第一个方案，它可以告诉技术工人怎么去维护。蒂森是一家德国高端电梯公司，在北美一共有一百万的电梯在运行。蒂森和微软、CGI合作，通过物联网监控平台BlueBox，可以把数据实时上传到云端，在云端进行数据存储分析，最后把结果展现到终端，所以售后团队就可以提前知道电梯的情况，这样就可以实现停机时间缩短一半。

虽然很多都能做到实时监控，但大数据需要做的是用云来做实时的分析。

这张图显示了某台电梯在某个位置的健康状况。从图中可以看到，这台设备的健康指数是70%，这其中采集了温度、电梯速度高速、电梯门关门时间等，通过这些数值的综合评估来给电梯做健康值的打分。

下一步就是实时性预测。采集这些电梯变量之后，通过分析就可以得出预测，再对工作人员进行通知，设备在几天之后会出现故障。

这是蒂森电梯的应用架构

从图中可以看出，BlueBox获取数据后，进行前端处理并做存储。事实上，在这一阶段，做存储并不容易，流式数据的采集、展示和分析，对数据质量要求很高。此外，还可以利用机器学习来对实时监控做评判。

做大数据分析出发点是解决用户痛点，工业物联网和传统交互体验的人工智能相比，最大的区别就是工业智能解决的是显示存在的问题。预测维护可以帮助客户进行提前预警、备货，减少人力成本；创建新的可靠性标准；实时监控，可以给电梯提供商、业务和用户带来安全保障。

二、变速箱预测性维护

和电梯一样，变速箱也是一台成套设备，由电机、减速箱、驱动器、钢丝绳等部分组成。而对成套设备做预测性维护并非是预测成套设别的生命周期，最终都是对系统的组成单元做预测性维护，把问题聚焦。

这是整体的分析框架

数据源来自客户，包括报警数据、模拟数据（电流电压温度等）、数字数据（开关位置）、标签描述。拿到这些数据后，就要做相应的数据存储和分析。这里主要做两部分工作：1.可视化，主要目的发现问题的时间分布在哪，从该图可以看出，我们收集到的数据量非常大，模拟数据175M，数字数据10M，报警历史记录有1740条。

然后再通过机器学习进行建模，对故障模型进行分析，分析后把故障预测的结果推送到可视化工具。