目前设备管理中，数字化技术经常被用作设备预测性维护。设备预测性维护对于长时间运行、且对停机极为敏感的设备有很好的防御效果，例如：炼钢厂的锅炉设备，石油化工行业的空压机设备等等，数字化技术对设备的各项性能、运行参数进行检测，依赖于大数据以及AI分析能力，可以对这类设备做到预测性维护，不过这个一直以来有个无法避开的推广难题就是因为预测性维护需要大量数据的积累，以及针对故障的建模分析，这些作为设备预测性维护的基础数据，直接影响着预测性维护的效果，这也是长期以来设备预测性维护经常也仅仅是作为项目初期的一个建设目标存在，而经常无法具体落地的原因。 不过我这次不是谈设备预测性维护，而是从数字化的角度来看不同品牌的设备，设备的差异性。
最近完成多个高低温试验设备的数据采集，高低温实验机用来考核和确定电工、电子产品或材料在温度循环变化，产品表面产生高温或低温环境条件下贮存和使用的适应性，广泛用于电子电工、汽车摩托、航空航天、橡胶、塑胶、金属、船舶兵器、高等院校、科研单位等相关产品的零部件及材料在高、低温变化的情况下,检验其各项性能指标的检测。 我们接入了十几个品牌的高低温试验设备，涉及二十几个型号，设备从早期200X年到近两年的都有，常见品牌如：Climeca、Thermotron、Espec，国内的如：重庆银河、广五所、苏式试验 等多家，因为一直测试采集系统稳定性，而且高低温实验通常都试验时间较长，所以经常会翻看不同品牌、不同型号设备的数据，数据看的多了，倒是看出点有意思的东西。
为了避免麻烦，我们将不同型号的设备直接简化为A、B、C、D、E五类不同品牌的设备，试验过程中选用-60℃ 和 60℃这个目标温度试验，看不同设备的表现。
A设备：整个试验过程 曲线表现示例如下：
上图的曲线可以很明显的看到，下降迅速，持续稳定，在保持稳定之后，升温到 60℃的过程中，同样稳定、迅速，整个曲线平滑，可以很明显感受到这个设备对于温控能力表现一致、是个不错的品牌
B设备：整个试验过程 曲线表现示例如下：
上图的曲线可以看出来，同样下降迅速、持续稳定，但是相比于A设备，下降过程和升温过程的时间都会明显多于A设备，所以性能略逊色于A设备
C设备：整个试验过程 曲线表现示例如下：
这个设备的下降部分不再关注，主要看-60℃ 升温到 60℃ 的这个过程，能很明显看出来，会出现曲线跳动的情况，在降温的时候，温度下降不是匀速，应该设备压缩机工作的问题，在升温的过程中，也明显出现非匀速情况，这种情况应该是温度不均匀，感觉要么是加热不均匀，要么是不是设备有点老了，盲猜加热模块部分地方可能都已经老化了。
D设备：
D设备主要关注温度下降部分的曲线，这部分曲线可以看出来明显异常，尤其其中一段，下降过程中居然出现了温度上升的情况，开始我甚至一度认为是不是做试验的人员突然打算先做升温的部分，但是发现没过多久，稳定就又重新很快降下来，给我的感觉就是这个设备的压缩机是不是出现故障，或是设备软件出现故障，压缩机开始停止了工作，导致温度重新上升。这种设备在数据密集采集的时候，曲线表现尤为明显，
E设备：
E设备曲线最为不稳定，甚至在温度保持的时候，都有问题，这个设备我都当时都以为是当时试验要求如此。后面去了解了一下，此设备使用时间已经较长，购于2000年初，二十几年了，可能设备真的各方面都不太稳定了。不过因为这个设备是一家做普通民用电子电工产品的厂商使用，感觉他们的确也是不需要这么搞的稳定性，按我拿那朋友的意思，也就我们还真的做这个试验，没直接让你给我造两个图片算了。
我们抛开价格不说，单从设备的数据表现来说，可以很明显的看出来，A设备明显是市场中较好的设备，对于这个设备，值得一提的是，这个品牌的设备有个2000年初的设备，很多年，我每次看的时候感觉这个设备门把手都有点不好用了，但是部分试验人员依然喜欢使用这个设备，有一次刚巧遇到有人在使用这台设备，我就问了一下：另外那边还有其他的设备，感觉这台设备挺老了，为什么要用这台？那个实验人员回到：”感觉这台设备降温快一点“。根据后面的数据表现来说，实验人员的感觉是没错的。
从上面很简单一个实验过程数据来看，虽然不一定客观，但是在一定程度上的确是反应出不同品牌的设备和产品存在差异。因为我公司也经常会买各种基础产品或是模块来作为我们解决方案中的设备，或是作为我们设备中的模块。现在不同产品之间除了外观和软件功能的不同外，硬件参数在一定程度上大家都会对标推出类似或是相同的产品，但从厂商提供的性能参数指标上，其实很难看出来设备的好坏，尤其很多厂商只要问他，那性能都是行业一流，动不动就拳打ABB，脚踢西门子，在评测的时候，单纯的功能评测其实也较难区分出差异来，这时候数字化技术似乎可以作为一个选项，参与到设备的评测中，通过一下使用数据的直观表示，即可以选择出性价比适合自己企业的产品。
温湿度数据是实验室中很常用的一个数据，因为我公司也提供各类的温湿度采集设备采集数据，而且为了方便部署和使用，同时提供了多种通讯版本，如：蓝牙、4G、WiFi、RJ45、Lora等，在早期选择不同的温湿度芯片的时候，不同厂商的差别也很明显。 温湿度采集设备的设备差异主要体现在两个：一个是精度、一个是感应变化时间。如我们测试的某款芯片，价格的确便宜，宣传精度基本都是基本水平，温度：±0.1℃，湿度：±0.3，我们在做测试的时候，从拿到快递到开始接通，发现这个芯片数据错的离谱，当时室温18℃左右，但是芯片数据显示有三十几度，我们一度都怀疑是不是温湿度取错信号数据了。持续监测发现，温度数据一直在变，而且在持续降低，数据读取接近五分钟后，才发现这个模组和其他温湿度的设备数据基本一致，相差不超过0.5℃，我们这时候才意识到，这款模组的温湿度探头似乎对于温湿度感应没那么迅速；为了选用合适的温湿度模组，我司买了十几款温湿度模组进行测试，总体测试结果来看，模组性能和价格成正比，模组越越贵，无论从精度、还是感应变化时间来看，均是最好的。其中两款高端模组，这两款主要是用来做参照的，其他模组对照这个两个（为了防止只对照一个出现误判，特意买了两个，真是花了不少钱），这两个模组在数据上能精确到百分位，即：0.01的精度，同时两个模组的数据数据基本不会相差0.05（差别原因是摆放位置的区别，尤其是在冬天测试的时候，靠近空调出风口的，哪怕就相差一点点距离，数据也明显出现差异），而且两个模组反应极为迅速，曾直接哈气一下，两个数据立刻发生改变。 但是后期从客户的反馈和接受度来说，两款高端的模组基本没有人选择，因为我们目前项目中的实验室均不需要这么搞的精度，同时因为在实验室使用，基本对于设备的感应变化时间也没要求，所以，基本是反应时间慢、温度精度差大概在0.3℃，湿度精度差在0.5,的一款，和感应变化时间一般（由18℃到4℃基本在十几秒完成），温度精度差大概也在0.3℃，湿度精度差0.5的温湿度设备需求量最高。第一款主要是便宜，第二款也是低端模组产品。 对于温湿度设备，我们在多个项目中都有温湿度数据采集，前段时间，我们将多个项目不同地方的温湿度数据汇总，然后每天跟踪观察了一下，发现一个很有意思的事情，只要温湿度设备的采集节点够多，另外采集节点如果精确选择位置（例如放在地下），多个节点的数据汇总后，预测大幅度降温、下雨等，其实是一件不难的事情。将多个地方数据进行汇总，可以看到湿度会出现明显变化，例如在未来几天晴好的天气，部分点位湿度数据基本会在30 到 45之间，这个湿度的高低和温度基本成正比，当湿度开始上升，超过50的时候，意味着未来几天可能要下雨，如果超过60，那么意味着基本就是明天要下雨。不过这里还是有个需要注意的点就是：这些点位要多个采集点位里面进行选择，只有部分电位会呈现出正相关的预测性，很多点位都是事后诸葛亮，都能看出来要下雨了，那个数据才明显出现变化。 其实吧，的确也没啥用，但是就是看着觉得这种数据相关性就很有意思。
由于近几年来“低碳、零碳”的宣传和要求，以及绿色能源、绿色XX的宣传，很多客户对于能源极为关注。无论是想实现“低碳、零碳”还是绿色XX，都是在能源消耗和能源使用上做文章。然而对于很多制造业企业来说，对线路进行改造以加装电能表是不现实的，尤其是对于很多企业来说，他们更希望看到每个设备的相关电能信息，如果每个设备加装电能表基本不可能。因此我公司推出来的互感器电能采集设备在很多工业场景是极佳的选择。它可以在不改变任何线路的情况下，对设备使用的电能相关情况进行采集，如：电压、电流、电能、功率、功率因数、频率、温度等数据，采集设备小巧，便于安装，在很多工业场合极为适用。 采集电能相关数据在进行设备评估其实也是个有效的参考。但是依据我们经验，使用电能数据对于设备的进行评估，千万不要只以功率和电能消耗作为主要的评估因素，因为我们发现设备电能消耗似乎是和设备采用的技术相关，或是直接和设备设计的时间正相关。也就是基本是越晚设计的设备型号，一般来说会更省电。从技术上来说，应该是芯片、电子元件的发展带来的。电能数据对于设备的评估，需要持续监测设备在不同工况下的数据，尤其是电压、电流、频率、功率因数等数据，在固定工况下，这些数据应该是在合理的范围内波动，极少出现异常数据跳动。不同的设备虽然这个数据都不一样，但是整体数据的平稳度在一定程度上就表明了设备差异。根据和车间相关人员交流、以及对设备做市场调研、观测设备运行电能数据，多方面交叉比对，目前的出来的结论是：优质设备和电能数据的平稳度是正相关，并且相关度很明显。 在采集设备相关的电能数据后，在用于设备评价后，如果只是用于计算设备的能耗、功率等，感觉这种采集设备并未发挥完全的效用。我们基于电能数据用于设备评价的思路，曾将某产线的长期运行的电能相关数据进行汇总，然后结合产线的设备维修记录和设备故障记录，分析电能数据和设备故障之间的相关性。依据调研数据，能看到电能数据和设备故障直接由相关性，而且相关性很明显，由于相关性过于明显，因此我们后期针对性交流后发现，这种相关性不具有预测性，或是不具有明显的预测性。简单来说，就是基本上数据异常的时候，设备已经出现了明显的故障，或是设备就是处于故障状态。因此它可以作为设备状态异常的一个监测指标，但是不能作为设备维护的参考指标。当然，后期我们也仔细去思考为什么不具有明显相关性，目前得出的结论是可能还是和行业设备相关，这个产线主要是重加工产线，他们的设备耗能高，功率大，不同工况下差异很大，同时设备故障也是常见于操作问题，或是i操作过程中出现的异常情况，如：加工设备老化，这种设备维护在预测性维护中比较常用的手段是声纹，有高端的会使用激光等分析，这些故障的确不太可能会提前暴露在电能的相关数据中。这也的确又回应了开始说的那句话：“设备预测性维护基本是依据行业做方案，并且需要积累数据才真正有可能落地实现”。
说了这么多，其实就是想通过我们遇到的、接触过的相关经验来给大家提供一个设备评价的思路，而且在目前数字化的方向上，这种设备评价方案也简便易行，只是可能需要量身定做评价方案；同时也是希望数字化中的数据，不只是停留在简单设备状态监测和设备数据读取，而是能扩展更多的数据使用方向，让数字化中的数据更有价值。
