概述
作為一個電氣自動化的從業者，有必要搞懂下面術語的意思。
IT：Information Technology的縮寫，指資訊技術；
OT：Operational Technology的縮寫，指操作層面的技術，比如營運技術；
CT：Communication Technology的縮寫，指通信技術；
ICT：Information Communication Technology的縮寫，指資訊、通信技術；
IoT: Internet of Things的縮寫，指物聯網；
IIOT：Industrial Internet of things的縮寫，指工業物聯網；
AIOT：Artificial Intelligence & Internet of Things的縮寫，指人工智能技術與物聯網融合。
下面主要闡述IT/OT融合的五層架構。
01
工業化控制層概述
工業化控制層包括智能産品/智能生産裝置/智能測試裝置、資料采集、裝置維修、裝置維護保養、預測性維護、機器人自動巡檢點檢、遠端監測與控制等。
智能産品/智能生産裝置/智能測試裝置：集先進制造技術、資訊技術和智能技術為一體，具有感覺、分析、決策功能的監測、控制與驅動裝置及産品。
◉ 資料采集：指通過線上的傳感器或軟體技術對被測對象進行自動采集數字或模拟信号，并傳送到DCS、PLC、DNC、SCADA、儀表等系統進行分析、處理。全部的資料采集系統包含了傳感器、信号調理、模\數轉換、通訊接口，以及信号處理裝置、信号處理軟體等。
◉ 裝置維修：指為保持、恢複以及提升裝置技術狀态進行的技術活動。其中包括保持裝置良好技術狀态的維護、裝置劣化或發生故障後恢複其功能而進行的修理，以及提升裝置技術狀态進行的計劃性或緊急性的技術活動。
◉ 裝置維護保養：是裝置維修與保養的結合。為防止裝置性能劣化或降低裝置失效的機率，按事先規定的計劃或相應技術條件的規定進行的技術管理措施。包括事後維護、預防維護、生産維護、預測維護等。
◉ 裝置預測性維護：基于生産過程、裝置運作資料及運作日志檔案資料的分析，對裝置狀态進行有效性評估，并通過預測可能的失效模式，動态、及時地發現裝置潛在故障，并形成具有針對性的預警及維護方案。
◉ 機器人自動巡檢點檢：制定對裝置進行定點、定位的周期性或臨時性的檢查方案，通過自行走機器人、無人機等方式，按照預設的路線，以傳感器、儀器儀表、視覺、紅外線等接觸式或非接觸式的檢測技術，對裝置運作狀态及環境進行資料、影像采集，并可做出預判。同時需采用無線傳輸技術，将以上資訊及時傳送給管理中心。在特殊工況下比較适用，但是在正常的環境下可以用遠端監控來替代。
◉ 遠端監測與控制：通過有線或無線網絡的方式，通過計算機系統對遠端的裝置進行運作狀态的資料采集與視訊監控，并可通過網絡實作遠端對裝置的啟停、運轉速度等運作狀态的控制。智能産品/智能生産裝置/智能測試裝置在開發階段就需在裝置内部建立運作狀态的資料采集系統，并具有可連接配接到專網、寬帶、4G、5G等的通訊接口。
02
IT資訊化5層架構的資料打通
1、概述
IT資訊化5層架構如下圖所示：
◉ 第一層（裝置基礎層）：包括工業生産各類裝置、傳感器、PLC控制、傳輸網絡以及物聯網網關等，是工廠的最底層加工單元。主要完成資料的采集、轉換、收集、處理和計算，以及必要的控制。通過統一的接口（如OPC UA），按照傳輸協定（比如工業以太網傳輸協定）連接配接到工業監測、控制、執行系統中。
◉ 第二層（自動化控制層）：裝置監測控制系統，比如HMI、DNC、SCADA等。HMI稱作人機接口（也叫人機界面），是系統和使用者之間進行互動和資訊交換的媒介，實作資訊的内部形式與人類可以接受的形式之間的轉換。SCADA是資料采集與監測控制系統，是以計算機為基礎的DCS與電力自動化監控系統。可以對現場的運作裝置組網進行監測和控制，以實作資料采集、裝置控制、測量、參數調節以及各類信号報警等功能。
◉ 第三層（生産執行層）：由MES、MOM等滿足不同工業需求的生産執行系統構成，負責拿到任務并進行任務的配置設定與過程執行。在這個過程中，需要通過網絡和各類接口，向控制層系統或基礎層裝置請求所需要的各種參數、變量、狀态和資料，反向控制指令的原理一樣。其技術基礎是與現場裝置進行通訊，實作資料的自動化采集甚至智能采集以及反向控制。
◉ 第四層（業務管理層）：包括PLM、ERP、SCM、CRM等上層系統。其中，PLM負責産品從研發到報廢的“全生命周期管理”，ERP負責企業内部資源的配置和協調，SCM負責企業資源和外部的對接，CRM負責促進企業和消費者的溝通。
◉ 第五層（商業決策層）：經過層層資料的采集、處理、存儲、分析、利用，最終能夠為商業決策層（BI商務智能）提供精益的資料基礎。商業決策層将企業中現有的資料進行有效整合，快速準确地提出決策依據，幫助企業做出明智的業務經營決策。
通過以上IT資訊化5層架構的打通，能夠打破資料孤島，使得智能産品從設計、制造、安裝、運維到服務的所有環節都被打通。PLM的設計資料直接進入ERP系統，ERP系統立即調配工廠資源，如需外界供貨則由SCM系統自動調配。而借助于CRM系統，整個生産過程可以和客戶保持實時溝通。MES系統在其中起到了資訊化和工業自動化的橋梁作用。這一切的基礎是實作軟硬體的結合，用智能資訊化系統結合智能産品/智能生産裝置/智能測試裝置，最終實作整個制造工廠到服務現場的智能化。
2、資料采集
資料采集作為産品生産和服務運維過程中的資訊收集手段，是連接配接底層工業控制系統與上層資訊化系統的橋梁，為企業資訊化提供有效的基礎資料，比如工藝參數、裝置資料、品質資料等。資料采集将管理同生産緊密結合，形成“資訊源于生産，運維服務資料又最終指導、優化生産”的有效閉環。
2.1 資料采集類型
工業資料主要來源于機器裝置資料、工業資訊化資料和産業鍊相關資料。不僅要涵蓋基礎資料，還要逐漸包括使用者行為資料、社交關系資料、使用者意見和回報資料、裝置和傳感器采集的周期性資料等各類資料。目前主要包括以下幾種資料采集類型：
（1）海量的Key-Value資料：在傳感器技術飛速發展的今天，光電、熱敏、氣敏、力敏、磁敏、聲敏、濕敏等不同類别的工業傳感器在工業現場得到了大量應用，而且很多時候機器裝置的資料大概要到毫秒的精度才能分析海量的工業資料。是以，這部分資料的特點是每條資料内容很少，但是頻率極高。
（2）文檔資料：包括工程圖紙、仿真資料、設計CAD圖紙等，還有大量的傳統工程文檔。
（3）資訊化資料：是由工業資訊系統産生的資料，一般是通過資料庫形式存儲的，這部分資料是最好采集的。
（4） 接口資料：由已經建成的工業自動化或資訊系統提供的接口類型資料，包括txt格式、JSON格式、XML格式等。
（5）視訊資料：工業現場的視訊監控裝置産生的大量視訊資料。
（6）圖像資料：工業現場各類圖像裝置拍攝的圖檔，例如巡檢人員用手持裝置拍攝的，或機器人自動拍攝的裝置、環境資訊圖檔等。
（7）音頻資料：語音及聲音資訊。例如操作員的通話、裝置運轉的音量等。
（8）其他資料：例如遙感遙測資訊、三維資訊等。
2.2 資料采集方法
（1）傳感器
傳感器是一種檢測裝置，能感受到被測量的資訊，并将資訊按一定規律轉換成電信号或其他所需形式的資訊輸出，以滿足資料的傳輸、處理、存儲、顯示和控制等要求。生産工廠中的房間中存在許多傳感節點，24小時監控着整個生産過程，當發現異常時，迅速回報至上位機，是資料采集的感官接收系統，屬于資料采集的底層環節。
（2）RFID技術
RFID射頻識别技術是一種非接觸式的自動識别技術，通過射頻信号自動識别目标對象、擷取資料資訊并交換資料。RFID技術可識别高速運動物體并可同時識别多個标簽，操作快捷友善。
在工作時，RFID讀寫器通過天線發送出一定頻率的脈沖信号，當RFID标簽進入磁場時，憑借感應電流所獲得的能量發送出存儲在晶片中的産品資訊，或者主動發送某一頻率的信号。閱讀器對接收的信号進行解碼，然後送到背景主系統進行相關處理。主系統根據邏輯運算判斷該卡的合法性，針對不同的設定做出相應的處理和控制，發出指令信号控制執行動作。
2.3 資料采集難點
（1）資料量巨大
如果單純是将資料采集到，可能還比較好完成。但是，因為必須要考慮資料的規範與清洗，是以在存儲之前需要對海量的資料進行處理，從技術上又提高了難度。
（2）工業資料的協定不标準
網際網路資料采集一般都是常見的HTTP等協定，但在工業領域，有ModBus、OPC、CAN、ControlNet、DeviceNet、Profibus、Zigbee等各類型工業協定，而且各個自動化裝置生産及內建商還會自己開發各種私有的工業協定，導緻在工業協定的互聯互通上，出現了極大的難度。很多企業在工業現場實施綜合自動化等項目時，遇到的最大問題就是面對衆多的工業協定，無法及時有效的進行解析和采集。
（3）視訊傳輸所需通訊帶寬巨大
随着雲計算技術的普及、公有雲的興起，大資料需要大量的計算資源和存儲資源，是以工業資料逐漸遷移到公有雲已經是大勢所趨了。現在一個工業企業可能會有幾十路視訊，成規模的企業會有上百路視訊，如此大量的視訊檔案如何通過網際網路順暢的傳輸到雲端，也是需要面臨的巨大挑戰。
（4）對原有系統的采集難度大
在實施大資料項目時，資料采集往往不僅僅是針對傳感器或者PLC，而是采集已經部署完成的自動化系統的上位機資料。這些自動化系統在部署時，廠商水準參差不齊，大部分系統是沒有資料接口的，文檔也大量缺失，大量的現場系統沒有點表等基礎設定資料，使得對這部分資料采集的難度極大。
（5）安全性考慮不足
原先的工業系統都是運作在區域網路中，安全問題不是突出考慮的重點。一旦需要通過雲端排程工業之中最為核心的生産能力，又沒有對安全的充分考慮，造成的損失是難以彌補的。
3、資料展示
資料采集、處理之後，需要對采集資料進行展示，例如智能産品/智能生産裝置/智能測試裝置運作狀态報告，可以顯示出目前每台裝置的運作狀态，是否空閑、空閑時間多少、是否加工中、加工時間多少、狀态設定如何、正在運作中或是出了故障等。
資料展示需要對采集到的項目資料提供多種報表的展示，例如裝置綜合使用率OEE報表，能夠準确清楚地分析出裝置效率如何，在生産的哪個環節有多少損失，以及可以進行哪些改善工作。裝置實時狀态跟蹤、能耗看闆，将生産現場的裝置狀況第一時間傳達給相應的使用者。企業通過對工廠裝置狀态的實時了解，可以實作即時、高效、準确的精細化裝置管理。
03
智能産品/智能生産裝置/智能測試裝置
資料的聚合清洗和優化
1、概述
要實作裝置的智慧管理、智慧資料處理，第一步需要拿到智能産品/智能生産裝置/智能測試裝置資料。除了智能産品/智能生産裝置/智能測試裝置資料采集，還要對智能産品/智能生産裝置/智能測試裝置資料進行聚合、清洗和優化等。
◉ 資料聚合：是資料處理的最後一步，通常指的是轉換資料，是每一個數組生成一個單一的數值，比如sum( )、mean( )和count( )等。首先確定采集資料結構的完整性，然後借助聚合功能，使用規範格式（比如XML）在任何格式之間按需轉換。
◉ 資料清洗：清洗、比對資料并對所有異常進行處理，以確定資料的規範化、高品質。資料采集是一個大集合，難免會出現一些錯誤或有沖突的不想要的“髒資料”。需要按照一定的規則把“髒資料”“洗掉”，過濾掉那些不符合要求的、不完整的、錯誤的、重複的資料。
◉ 資料優化：要獲得高資訊含量的、有用的資料，除了要進行資料聚合及清洗，還要對資料進行優化，根據資料分析優化模型，對資料進行分析重組。
2、資料分析
在裝置自動化過程中，産生了大量的資料，這些資料所蘊含的資訊和價值并沒有被充分挖掘，資料分析的目的就是弄清楚智能産品/智能生産裝置/智能測試裝置資料背後的含義。
從工業物聯網角度來說，資料分析可以從以下兩個方面來看：
（1）分析資料，形成分析結果，這是資料分析必須要做的一個基礎事情。
（2）合理應用分析結果。分析的目的是把分析的結果應用起來，實作安全生産+節能減排+提高效率。這件事情是一件實實在在的事情，如果隻是吹捧概念，無法真正落地，是很難做到資料的完美應用的。
3、邊緣計算
邊緣計算是一種分散式運算架構，将應用程式、資料資料與服務的運算，由網絡中心節點，移往網絡邏輯上的邊緣節點來處理。它是将原本完全由中心節點處理的大型服務加以分解，切割成更小更容易管理的部分，分散到邊緣節點去處理。如果把雲端比作大腦，那麼邊緣計算就是神經末梢，對簡單的刺激進行自處理并将處理的特征資訊回報給雲端大腦。
随着物聯網的發展，智能産品/智能生産裝置/智能測試裝置所産生的資料将越來越多，這些大規模資料需要放到雲端進行處理。放到雲端，就需要無窮無盡的傳輸帶寬和資料處理能力，“雲”難免不堪重負，是以需要邊緣計算來分擔雲計算的壓力。是以，在工業現場的邊緣側進行資料采集、處理及傳輸的邊緣計算網關承擔着不可小觑的重任。後期邊緣計算與雲平台再進行融會貫通，實作“邊雲一體化”，利用大資料分析賦能生産，能夠發揮工業資料的真正價值。
邊緣計算能夠提供随處可得的不間斷的網際網路接入、全面的安全性和無線服務等，為真正意義上的智能産品/智能生産裝置/智能測試裝置資訊化、智能化提供資料的高速通道。其強勁的邊緣計算能力，在物聯網邊緣節點實作資料優化、實時響應、靈活連接配接、智能分析，顯著減少現場與中心端的資料流量，并避免雲端運算能力遇到瓶頸。能夠優化網絡架構，更安全、更快響應，同時更智能化地實作現場業務。
另外，邊緣計算具有多種工業協定，比如Modbus TCP、Modbus RTU、OPC UA、PROFINET、PROFIBUS-DP、EtherCAT、EhterNET/IP、CC-LINK、PPI等，還具有完善的網絡功能，支援QoS功能、VLAN功能、虛拟IP映射功能、Sniffer功能等。
4、BI商業決策
4.1 BI概述
BI即商業智能，泛指用于業務分析的技術和工具，通過擷取、處理原始資料，将其轉化為有價值的資訊來指導商業行動。BI能夠為企業的商業營運提供基于曆史、當下和未來的分析視角，涵蓋了從營運到戰略的每個層面。
BI可以為企業提供外部、内部兩方面的資訊分析。外部資訊包括競争對手、供應商、原材料、需求等資訊，内部資訊包括産品和服務的成本、品質等。BI能幫助企業了解最新趨勢、抓住新的市場機會、發現潛在的威脅，進而更好地優化資源、改進财務績效、引導産品潮流、提高服務水準，提升企業的競争優勢。
從行業發展來看，BI的發展是以較為完善的企業資訊系統和穩定的業務系統為基礎的，其未來的應用是與企業資訊化的基礎狀況密切相關的。商業智能等于商業加智能，需要積累大量的裝置、生産、業務資料，借助于資料倉庫、資料模組化、資料分析、資料挖掘等技術，結合商業知識建立分析模型，然後進行統計分析、深層挖掘，以可視化互動的方式進行展現。
4.2 BI系統的組成
（1）業務系統
不同于業務管理類的資訊系統，BI系統對企業資訊化本身提出了更高的要求。随着業務的推進，企業資訊系統會産生大量的資料，BI系統通過定時、實時的方式從各個業務系統中擷取最新的業務資料，然後進行規範加工、計算彙總，最後展示給各級使用者。
（2）企業資料模型
BI系統中最有價值的部分是企業資料模型。資料模型是資料倉庫落地的業務基礎，資料倉庫中按業務主題存儲着企業的經營資料，是商業智能系統的核心元件。
（3）應用層
BI系統通過規範的資料管理，可以為使用者提供多管道、多種形式的資料服務：
綜合報表：為企業各級人員提供傳統、複雜的統計報表，大大減少各級資料分析人員的日常制表工作。
管理駕駛艙：為公司高層管理人員提供全面的、可視化的關鍵績效名額分析工具，通過圖形化的經營戰略地圖、KPI儀表盤、各種經營名額的變化趨勢等，為不同的管理人員提供個性化的可視化展示。
監控和預警：實時監控企業各種關鍵績效名額，并基于管理規則和業務計劃，對超出正常範圍的名額和計劃延遲事項提供郵件、短信等多種提醒方式，保證關鍵問題能夠及時獲得管理層及相關人員的關注和解決。
分析挖掘：屬于BI系統的高端應用。企業可以使用系統提供的資料分析工具和方法，對曆史經營資料進行分析和挖掘，發現隐含的未知業務知識和規律，指導業務創新和輔助決策。
4.3 BI帶來的價值
（1）給決策層帶來的價值
BI能給高層管理者帶來的最直接效益就是資訊擷取的效率獲得極大提升，過去數天或者數周才能獲得的資料報告，可以直接從管理駕駛艙中獲得。管理者可以及時掌握公司整體營運狀況，對關鍵項目進行全程的跟蹤監控，及時發現或預見潛在偏差，組織通知相關人員分析問題的原因，采取相應措施進行調整。
管理駕駛艙是企業圍繞着長期規劃與短期計劃、執行監控、問題分析、調整等過程實作的商業智能應用。
（2）給管理層帶來的價值
BI幫助企業各級職能管理者面對行業環境的快速變化做出靈活反應、科學決策，制定業務範圍的合理經營目标，洞察出日常經營活動與計劃産生偏差時能夠及時采取的糾偏措施。在日常營運管理決策時用資料說話，無論好壞對錯，是非成敗，都要拿出資料，檢查工作，研究問題，改進工作。從收集和分析資訊開始，按規律辦事，從工作中找出規律性，而不是拍腦袋的決策。
（3）給執行層帶來的價值
BI能夠帶來的最直接的影響是效率的提升。通過BI系統，大部分報表變得随手可得。
綜合以上，BI商業智能帶來的最積極的影響是企業整體效率的提升，可以保證企業各級業務有序、按計劃地執行，出現偏差後能夠及時獲得關注和處理，降低了企業的經營風險。
04
智能産品/智能生産裝置/智能測試裝置
資料上工業雲
随着制造業的發展，智能産品/智能生産裝置/智能測試裝置的性能越來越好，功能也越來越強大，結構越來越複雜，自動化程度越來越高。同時，工廠對智能産品/智能生産裝置/智能測試裝置的安全、穩定性要求也越來越迫切。無論是智能制造還是智能産品/智能生産裝置/智能測試裝置，核心都是資料。過去，資料沉澱在裝置裡，無法提取出來，生産管理隻能依賴經驗，而不能依靠資料。而如今，可以通過裝置聯網，采集生産、裝置資料甚至環境資料，裝置成了能聽懂指令和會說話的智能裝置。
如今工業雲環境已經初具規模，如果能将智能産品/智能生産裝置/智能測試裝置資料上雲，對智能産品/智能生産裝置/智能測試裝置開展全面的狀态監測、故障診斷及健康管理，将大幅保障裝置安全可靠地運轉。并且可以對智能産品/智能生産裝置/智能測試裝置資料進行分析，充分挖掘資料的價值，找到生産效率提升的關鍵因素。
智能産品/智能生産裝置/智能測試裝置上雲能夠幫助企業形成完善的裝置運維生命周期閉環，有效提升裝置運維管理效率，并在這個過程中沉澱企業資料知識資産，為後續生産營運優化提供依據，給企業帶來巨大的經濟效益。通過智能産品/智能生産裝置/智能測試裝置上雲，将裝置運作資料、狀态資料、診斷資料、自身生命周期資料等放在雲端，建立雲上裝置與資訊系統的安全穩定連接配接，全方位管理生産進度、品質、裝置和人員等各環節。對接線上裝置資料進行實時監控，實作裝置資料內建管理，解決裝置監控、産品品質追溯等問題，通過資訊化建設全方位的可追溯資料。
拿裝置維修履曆資料舉例：維修履曆資料是工廠維修人員、裝置廠家留下的痕迹資料，系供應鍊資料。通過上雲可以将這些資料進行痕迹管理和深度分析，應用于工廠端、服務端、供應鍊與裝置端。這需要以維修模式創新作為基礎，比如維修合夥人制度，以及工業服務産業化作為支撐，方能實作資料變現。
05
人工智能和雲計算
賦能資料産生價值
資料的挑戰是所有新技術挑戰的主要表現形式。如何做好裝置與裝置之間的互聯，不同裝置之間資料的互動，在生産過程中、安裝運維過程中的海量資料處理，已經不單純是要解決資料聯通，而是需要全方位的技術思考。
1. 人工智能賦能的資料産生價值
《人工智能标準化白皮書（2018版）》認為，人工智能是利用數字計算機或數字計算機控制的機器模拟、延伸和擴充人的智能，感覺環境、擷取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統。
1.1 人工智能的特征
（1）由人類設計，為人類服務，本質為計算，基礎為資料。通過對資料的采集、加工、處理、分析和挖掘，形成有價值的資訊流和知識模型。
（2）能感覺環境，能産生反應，能與人互動，能與人互補。能夠幫助企業做人類不擅長、不喜歡但機器能夠完成的工作。
（3）有适應特性，有學習能力，有演化疊代，有連接配接擴充。人工智能系統具有一定的随環境、資料或任務變化而自适應調節參數或更新優化模型的能力，并且能夠在此基礎上通過與雲、端、人、物等，進行越來越廣泛的、深入的數字化連接配接擴充，使系統具有适應性、靈活性、擴充性，來應付不斷變化的現實環境。
1.2 智能制造對人工智能的需求
（1）智能産品/智能生産裝置/智能測試裝置：包括智能産品/智能生産裝置/智能測試裝置、自動識别裝置、人機互動系統、工業機器人以及數控機床等具體裝置，涉及到跨媒體分析推理、自然語言處理、虛拟現實智能模組化以及自主無人系統等關鍵技術。
（2）智能工廠：包括智能設計、智能生産、智能管理以及內建優化等具體内容，涉及到跨媒體分析推理、大資料智能、機器學習等關鍵技術。
（3）智能服務：包括大規模個性化定制、遠端運維以及預測性維護等具體服務模式，涉及到跨媒體分析推理、自然語言處理、大資料智能、進階機器學習等關鍵技術。
1.3人工智能賦能價值
舉個例子：比如裝置預測性維護的人工智能應用。傳統的裝置維護方法是人工經常性的巡視、定期預防性檢修，憑外觀現象、訓示儀表等判斷可能出現的異常；定期對裝置實行停止運作的例行檢查，做預防性絕緣試驗和機械動作試驗等。一旦裝置出現問題，隻能逐個排查，需要耗費大量的人力、物力。
通過人工智能技術的賦能，可以實作預測性維護。通過邊緣側的資料采集、處理，基于資料驅動型的機器學習方法，充分發揮算法、模型的作用，借助于計算機的算力、學習力來尋找最優的維護參數，并獲得更高的預測準确度。通過預測預控，變被動為主動，在機器發生故障之前自動檢測到異常，并提醒使用者進行有針對的維修維護。
再舉個例子：比如商業決策BI的人工智能應用。傳統的BI看闆報警是基于事先設定好的規則，比如：門檻值、警戒線等。一旦超出了設定的門檻值或警戒線就自動告警。
通過人工智能技術的賦能，可以實作模型控制，比如：機器學習、深度學習等。人工智能對比過去的資料，自動選擇适合的算法、自動判斷告警、觸發上述預測性維護指令等商業決策。
2. 雲計算賦能的資料産生價值
随着物聯網、工業大資料等資訊網絡技術和制造技術的融合發展，作為基礎設施的雲計算逐漸向制造和服務領域滲透。解析服務、雲資料、雲存儲等産品和解決方案的出現，極大地友善了物聯網、大資料的工業部署，打通了工廠間的資訊孤島，使制造企業能夠實作跨平台的海量資料分析和管理，實作快速響應和柔性高效的生産制造。工業雲平台的推出為制造企業提供了協同設計、模拟仿真、物流追蹤、智能控制等雲服務，生産管理智能化水準得到明顯提升。
無論工業物聯網、大資料驅動、數字孿生這些概念說的如何天花亂墜，在實際工業生産過程中，如果不能解決企業的核心問題——提高利潤、降低成本，都難免是紙上談兵。雖然資料本身很重要，但能直接解決問題的服務應用對企業才更有價值。目前，除了如何采集資料之外，絕大部分企業面對的關鍵問題是如何運用資料産生價值！
通過雲計算賦能，可以産生如下價值：
（1）通過雲計算，能夠将原本隐性的問題，通過對資料的挖掘變得顯性，進而使以往不可見的風險能夠被避免。
（2）将雲計算與大資料、其他先進的分析工具相結合，能夠實作産品的智能化更新，利用資料挖掘産生的資訊為客戶提供全生命周期的增值服務。
（3）利用資料尋找使用者價值的缺口，開拓新的商業模式。雲計算平台可以為客戶的産品需求和企業的制造資源搭建溝通橋梁，企業可以通過用戶端與雲平台的雙向溝通開展面向客戶個性化需求的産品設計，并通過雲平台将産品的生産狀況和制造進度及時回報給客戶，實作産品全生命周期的使用者參與。以使用者需求為原點配置企業制造資源和能力，打造個性化産品，實作商業模式創新。
（4）雲計算應用逐漸普及，并不斷向細分領域滲透，加速企業由硬體制造商向“制造+服務”的提供商轉型。企業利用雲計算結合大資料、物聯網、線上監測等技術能夠将産品的運作過程虛拟化傳輸到雲資源池中進行故障診斷、壽命預測，并為軟體問題提供線上解決方案，産品附加值得到提升。制造企業通過建構雲平台，對外開放自身資料、知識、專家和制造資源，能夠為第三方企業和使用者提供資料分析、融資租賃、供應鍊管理等産業鍊延伸服務。
06
智能産品/智能生産裝置/智能測試裝置
融入工業物聯網
工業物聯網是将上述所有創新技術融合的最新業務場景。具有感覺、監控能力的各類采集、控制傳感器或控制器，以及移動通信、智能分析等技術不斷融入到工業生産過程各個環節，進而大幅度提高制造效率，改善産品品質，降低産品成本和資源消耗，最終實作将傳統工業提升到智能化的新階段。從應用形式上看，工業物聯網的應用具有實時性、自動化、嵌入式、安全性和資訊互聯互通性等特點。
工業物聯網是工業系統與網際網路，以及進階計算、分析、傳感技術的高度融合，也是工業生産加工過程與物聯網技術的高度融合。它将制造業生産、監控、企業管理、供應鍊以及客戶回報等資訊系統融為一體，通過資料中心對不同管道的資料進行智能處理，進而提高生産效率、産品品質和使用者滿意度。
工業物聯網具有全面感覺、互聯傳輸、智能處理及自組織和自維護的特點。即利用RFID、傳感器、二維碼等技術即時擷取産品從生産、銷售、市場等各個階段的資訊資料，通過專用網絡和網際網路相連的方式實作裝置和網絡的資料互動，利用雲計算、模糊識别、神經網絡等智能計算對資料進行分析并處理。同時，一個功能完善的工業物聯網系統通過全方位互相連通，實作了自組織和自維護功能。
以前制造企業一直處于把數字世界和實體世界分離的局面，現在制造業廠商正逐漸通過物聯網将兩個世界進行融合。從“管理、控制、智能”的角度來看，其實物聯網與工業自動化是一脈相承的，工業自動化包含采集、傳輸、計算等環節，而物聯網是全面感覺、可靠傳遞、智慧處理，兩者是相通的。
智能産品/智能生産裝置/智能測試裝置如何與工業物聯網接軌？
（1）實作遠端控制
為使用者提供高效的服務。實作随時随地擷取裝置位置、工況、報警、故障、服務等資訊，即便遠在千裡之外，裝置出現了故障，各種故障資訊資料也可及時傳輸至廠家系統控制室，再由專家将解決方案回傳，最終完成問題的解決。實作裝置操作的簡單化、無人化、智能化，實作基于多裝置類型的協同精細化生産管理水準，提升裝置的品質和效率，并且節能降噪，保障效益的最大化。
（2）大資料的應用
智能産品/智能生産裝置/智能測試裝置融入物聯網可以采集到龐大的資料量，這其實是一個金礦，如果利用得好，企業可以挖到非常可觀的财富。比如能夠實作全國甚至全球各地庫存互聯互通，實作泛供應鍊數字化管理，實時提供裝置和備件、配件、易損品、易耗品庫存和物流情況，向市場營銷、售後服務、生産管理、電子商務等提供數字支援。并提供庫存線上查詢及周轉率和成本統計分析，提供物流端到端監控及安全管理和物流成本核算等。
（3）完善售後服務
傳統的後市場服務模式可以稱為“被動式”服務，客戶有需求，才會有專門的服務人員上門服務。随着物聯網的發展，這樣的服務模式越來越不能滿足客戶的需求，服務的方式需要由被動變為主動，即在客戶尚未意識到自己需要服務時，企業就已經預知到客戶需要相應的服務進而主動聯系或者提醒客戶，這樣的場景化服務模式無疑會極大地提高客戶的滿意度和服務品質。可以通過物聯網采集裝置狀态，對裝置進行遠端監控和故障診斷，避免裝置非計劃性停機，進而實作預測性維護，提供增值服務，并促進備品備件銷售。
（4）服務轉型
搭載物聯網的東風，可以更大程度地實作智能産品/智能生産裝置/智能測試裝置的資訊化和智能化，有助于完善資訊化推進機制，推動資訊技術深度應用，加快裝置制造業向服務型制造的轉型。
綜上所述，工業物聯網雲平台除了通過對現場海量的裝置以及他們産生的資料進行采集、進而聯網，實作整個架構的縱向資訊化、數字化整合，還有橫向的業務、資料整合。方方面面的資料最終構成了萬物互聯的智能工廠