收集更多的數據已經不能讓您脫引而出，更重要的是誰能夠迅速分清所收集到的數據。 在過去，硬件采樣率由于受模數轉換發生速度的限制，在物理上局限了采集數據的數量。 而如今，硬件已不再是采集應用的限制因素。 如何管理采集到的數據才是未來的挑戰。

計算技術的不斷進步，包括了微處理器速度和硬盤驅動器存儲容量的提高，加之軟硬件成本的降低，引發了驚人速度的數據爆炸。 特別是在測量應用中，工程師和科學家們每分每秒都能收集大量的數據。 歐洲核子研究中心的大型強子對撞機的運行實驗每秒鐘能產生40 TB的數據。 而波音噴氣發動機運行時，每隔30分鐘系就統會創建10 TB的操作信息(Gantz，2011)。 這就是“大規模數據”。

大規模數據現象為數據分析、搜索、集成、報告和系統維護帶來了新的挑戰，只有滿足這些挑戰才能跟上數據飛速增長的步伐。 數據的來源是多方面的，而工程師和科學家認為最為有趣的是來自真實世界的數據， 即捕獲和數字化的測量數據。 因此，它也被稱作“大規模測量數據”，可以通過測量振動、射頻信號、溫度、壓力、聲音、圖象、光、磁、電壓等現象獲得這些數據。 大規模測量數據TM在廣泛的數據采集領域激起了三大技術趨勢。

上下文數據挖掘

真實現象的物理特性能夠防止在采集速率不夠高的時候采集數據，讓小規模數據集變得不再可行。 即使測量現象的特性允許更多的信息采集，小規模數據集往往一開始就限制了結論和預測的準確性。

以挖掘一個金礦為例，其中只有20%的黃金是可見的。 其余的80%是存在于您看不見的泥土中。 礦業的目的就是充分挖掘礦井的全部價值。 這就引出了術語“數字塵土”，意思為數字化數據帶有隱藏價值。 因此，需要通過數據分析和數據挖掘來發掘前所未有的見解。

數據挖掘的過程就是使用與數據一同保存的上下文信息，搜索并削減大規模數據集，使其變得更容易管理及利用。 將原始數據與背景，或“元數據”共同保存下來，數據采集、定位、過后的處理和理解就會變得更為方便。 例如，查看一系列看似隨機的整數： 5126838937。乍看之下，該原始信息的含義不得而知。 然而，當它變為(512)683-8937時，我們就能知道清楚地識別出它是一個電話號碼。

測量數據上下文的描述性信息提供了類似的益處，它能夠詳細描述指定測量通道的傳感器類型、制造商與校準日期，或是整體待測組件的修訂記錄、設計師或型號。 事實上，原始數據存儲的上下文越多，在整個設計生命周期中數據追蹤、搜索或定位，以及通過專用數據后處理軟件在今后與其他測量關聯才會更為有效。

智能DAQ節點

數據采集應用的形式多種多樣。 但由于涉及多種行業和應用，只有在需要時才會采集數據。 工程師和科學家們將重要資源投資在構建高級采集系統上，但這些系統生成的原始數據也不會因此就無用了。 相反，采集原始數據，將它輸入分析或處理算法，構建設計者所需的實際結果系統。

例如，汽車碰撞測試在毫秒之間就能收集千兆字節有關速度、溫度、沖擊力和加速度的數據。 可以從這些原始數據計算得出的一個關鍵性相關結論為顱腦損傷標準(HIC)，它是單標量的計算值，能夠表示碰撞假人在碰撞中頭部受傷的可能性。

此外，一些應用程序—尤其是有關環境、結構、機器狀態監測空間—能夠保持周期性的慢采集速率，而當檢測到明顯的條件時又能大幅提高。 該技術的采集速度低，且最大限度地減少了記錄的數據，同時采樣率要足夠滿足應用中高速波形的需求。 想要在滿足特定標準時，采用某項技術，如將原始數據轉化為結果，或調整測量細節，您必須使您的數據采集系統智能化。