别太相信IIoT IIoT同样存在数据不完整或不可靠

工业4.0能利用分析大数据所得洞见，透过预测性维护、资产优化来提升营运效率。但关键在于在正确时间将正确数据输入适当模型和预测算法。但数据分析师常发现所使用的数据不完整或不可靠，而须设法填充缺失的数据。为提升数据质量管理工作，企业应从在可信环境中收集数据开始。

根据报导，机器学习或数据模拟等技术虽能改善不良数据，但无法解决不良数据源的原始问题。此外，这些解决方案通常过于复杂，无法应用于某些用例。而任何数据质量管理工作都应从在可信环境中收集数据开始。

新设备被添加到连网工厂系统时会对其进行身分验证。然后，再被授权透过网络传输数据，并使用诸如TLS或SSL之类的安全协议来保护网络上的数据流。但随著时间推移，工业环境的动态性意味著设备状态须持续更新。

例如，除非主动检查以验证设备的持续真实性或常规口令更新，否则设备可能已被入侵。设备作为数据源的可信赖性的原始认证不再有效，而需要用于连续更新该验证的方法。

来自这些设备的数据生成和通讯也很关键。许多传感器只传达事件或改变规范。以温度传感器为例，若生产环境中的温度保持在紧密有效的范围内，则传感器可在很长一段时间内不会传输数据，而无法确认传感器联机是否丢失或发生故障，因此需要一种方法来验证传感器本身的正确 *** 作。

最后，可信设备是在其正确 *** 作状态下运行的设备。这意味著设备正在运行并经过适当的身分验证。对于更复杂的设备，如镜头，就要有完整设定的度量方式。

例如，若镜头正在收集特定流程或特定区域中的可视数据流以供测量质量，信任度量会显示镜头正在传递要追踪的讯息。若镜头已破损，企业都会知道所收集的数据无效，不应包含在特定分析中，而且须再次采取措施使设备恢复到其受信任状态。