生产线末端检测已成为任何现代生产线的标准组成部分。检重秤、金属探测器、X 射线检测系统和视觉系统都监控生产，以确保产品的质量和合规性。然而，这些设备通常会做出二元决定——一件物品是好是坏。用于做出此决定的数据在做出决定后立即被丢弃。

几十年来，监控和数据采集 (SCADA) 系统和制造执行系统以及各种形式的工厂管理系统一直在收集设备的状态和运行数据。开放平台通信联合架构 (OPC UA) 和打包机器语言 (PackML) 等标准提供了一种结构，设备可以通过该结构在设备和 SCADA 系统之间共享信息。

传统上，共享的数据仅限于诸如设备是否正常运行或是否存在故障等信息。这种“缓慢移动”的数据不会经常变化，虽然提供了有用的监督信息，但它不允许进行详细分析。然而，与数据收集、存储和分析以及机器学习等工具相关的成本急剧下降，这意味着我们现在可以捕获和分析“快速移动”的数据。

例如，通过捕获检重秤进行的每次测量，可以在产品超出范围之前识别趋势。如果生产一种产品涉及四台灌装机，而故障意味着一台装袋机始终生产超重的产品，则在分析四台机器的批次平均值时，高级数据并不表明有任何超出范围。但是，如果对各个权重进行分析，则会出现周期性模式——从而可以识别和解决问题。

或者，巧克力涂层可以涂在多条巧克力条上。如果传送带上的流速不均匀，则中央条上的巧克力层将比外部条上的厚。识别和纠正这种不均匀性可以使涂层更接近最佳水平 - 确保所有棒材都符合要求的重量。如果没有这种洞察力，将调整包衣机以确保外部巧克力棒满足最小重量，从而导致内部巧克力棒上的额外巧克力的“赠送”成本。批次级别的数据不会解决这种变化——但单个重量的数据会。

视觉系统通常用于确保正确贴上标签——如果存在关键的过敏原信息，这一点尤其重要。此外，还会检查重量和价格等信息，确保信息打印正确、清晰。将称重价格贴标机连接到视觉系统是连接设备强大功能的一个简单示例。通过分析打印的对比度，可以在打印头出现故障时生成警告。这允许进行预防性维护，而不是等到打印质量低于可接受的标准——此时将需要计划外停机。

X 射线检测系统在最基本的层面上检测金属、石头或玻璃污染物等异物。此外，X 射线图像还可用于验证产品的完整性。与检重秤一样，剔除周期可能表明上游设备存在问题。但是，X 射线检测可以更深入地探究具体问题。以四包酸奶为例。如果其中一个加注阀已部分堵塞，则四个罐中的一个将反复填充不足。这种底部填充物可能不足以让检重秤将整个产品识别为重量不足。但是，通过使用 X 射线分区质量检测单独测量每个罐的质量，可以将四个单独的质量报告给监控系统，并且可以快速识别与生产规范的任何偏差。

X 射线检查也可用于确定组件是否损坏。如果一个未对准的工具导致大部分饼干在放入包装时破裂，那么在开始收到客户投诉之前可能不会被发现。在连接的环境中，可以报告破损频率，并且可以应用设置为低于自动拒绝阈值的警告阈值来发出问题警告。

除了为质量检查收集更精细的结果外，还可以收集有关产品的其他元数据。例如，可以使用 X 射线检查系统来确定容器中的组件数量是否正确。这与检重秤相结合，可确保保持正确的包装重量并按预期提供产品。但是，制造商可能对了解产品的平均尺寸分??布很感兴趣。

以一包四个烤土豆为例，控制土豆的总重量和总数，任何发现不合格的包都会被拒绝。但是，一包包含三个小土豆和一个大土豆的包装虽然可以接受，但不如四个同样大小的土豆那么受欢迎。因此，每个马铃薯的大小可以通过 X 射线系统记录下来，并且可以用于分析，即使数据本身并不用于做出拒绝决定。稍后可能会决定，事实上，这应该成为拒绝的标准——此时可以获得历史数据，以便就可接受的公差做出数据驱动的决定。

工业 4.0 背后的核心要素之一是推动可追溯性。从农场到餐桌跟踪产品的能力需要将数据分配给正确的项目。这意味着，除了检查设备将数据传递到服务器之外，服务器还必须能够将此数据链接到特定的上游详细信息。目前，要确定哪个供应商提供了经过加工和包装的原材料，这在很大程度上是一个手动且耗时的过程。例如，如果观察到由于骨骼污染导致的废品率升高，则根据所涉及的工艺，可能难以确定是哪个供应商提供了这种不合格材料。

如果将每次独特检查的详细信息反馈到中央数据库，该数据库已经知道使用了哪个起始材料批次以及产品通过了哪些中间设备，那么就很容易确定问题是如何以及为什么出现的。随着我们向一个更加互联的工厂迈进，我们可以在产品标签上标注原材料的来源，以及使用了哪些搅拌机、烤箱和包装机的详细信息。如果不得不搁置产品——或者更糟的是召回——这种越来越细化的细节水平可以减少搁置的规模。

随着数据量的增加，分析所需工具的数量和复杂性也会增加。虽然分析单个数据流的趋势可以对设备超出范围提供预警，但真正的价值来自于数据的组合。一台设备的运行是否会影响相邻设备的行为，从而导致产品不合格?通过将广泛的数据带到一个位置，实时、时间和环境因素可以更容易地与问题相关联。

在最基本的层面上，通过收集检查系统用来做出好/坏决定的数据，而不仅仅是接收结果，可以设置中间警告阈值。然而，随着越来越多的设备连接起来，大量相互关联的数据允许进行前所未有的分析和识别潜在复杂问题的根本原因。