制造業是一個國家綜合國力最重要的表現，在國民經濟中占有重要份額，也是決定民眾生活質量的重要條件。在經歷了21世紀初的互聯網泡沫和2008年全球經濟危機之后，世界各國，尤其是發達國家都意識到，制造業是推動科技創新、經濟增長和社會穩定的重要力量，成為各國發展和轉型的機遇以及形成新競爭力的戰場。

美國人之所以認為未來智能工業的發展必然從生產制造端轉變到消費端，并且提出“工業互聯網”的理念與“國家制造業創新網絡計劃”，是因為互聯網與商業模式創新是美國的強項。德國在制造業的核心優勢是裝備制造業以及生產線自動化，通過配置和自控的優化系統使得工業生產全自動化，所以德國工業4.0的實踐關注銷售、服務能力的提升。雖然角度不同，無不圍繞著制造業這個核心展開。

中國的制造業在改革開放30多年來取得了舉世矚目的成就，連續幾年成為“世界制造力競爭指數”最強的國家，中國已然成為世界制造業的新中心。2015年中，國務院印發《中國制造2025》，部署全面推進實施制造強國戰略。配套“互聯網+”和“供給側改革”等多項措施，“智能制造”被定位為中國制造的主攻方向。

如何實現智能制造? 從哈佛商學院到賓夕法尼亞大學沃頓商學院，有一個普遍的共識，即數字化轉型是智能制造實現的途徑。更為重要的是，這一共識同樣來自眾多的世界級制造業企業家們。

這一共識是基于無數技術趨勢的融合。例如物聯網、信息物理系統技術(CPS)、工業物聯網、移動技術、人工智能、云計算、虛擬／增強現實（VR／AR）、大數據分析等。我們一定要保持頭腦清醒，不要簡單認為有了這些技術，未來五年就是制造業的黃金時期，因為新制造業文化的變革進程是相當復雜、緩慢和艱難的，沒有行業與企業與用戶的融合推進，這次變革無法實現。數字化轉型不僅僅意味著企業簡單的數字化，而是把數字作為智能制造的核心驅動力，需要利用數據去整合產業鏈和價值鏈。

在過去的3到5年中，上面列出的技術一直都是熱門商業話題，單獨使用時，其中每一項都能使商業中的一些程序或活動實現數字化。而如果將這些技術融合起來利用，就有可能實現數字化轉型。

數據基本就是兩類，一類是人類軌跡產生的數據，另一類是機器自動產生的數據。這兩類數據構成了我們今天的大數據多結構化數據源。自工業革命以來，為了改進運營，制造商一直以來都在有意采集并存儲數據。隨著時間的推移，數據在制造業分析的需求將越來越大。然而在過去的250年間，利用數據的根本動因并沒有改變，但數據的復雜性增強，將數據轉化為情報的能力將有越來越大的需求。

對于數字化轉型的其他方面而言，2012年高德納給出的大數據定義里面，特別強調大數據是多樣化信息資產，大數據不僅要關注實際數據量的多少，而且最重要的是關注大數據的處理方法，讓數據產生巨大的創新價值。數據量大還是量小本身并不是判斷大數據價值的核心指標，而數據的實時性和多元性應該對大數據的定義和價值更具直接的影響。

如果不投資大數據及大數據分析，從中獲得信息，智能制造所追求的卓越運營將功虧一簣。如果通過利用大數據、預測性分析及云技術衡量產品性能只為了解客戶需求，這意味著你正在失去數字化轉型最大的價值。在工業大數據的領域里，我們除了要繼續關心“人為數據或與人相關的數據”，更多的要關注“機器數據或工業數據”與人的行為數據的融合。

數據本身不會為你帶來價值，數據的技術也不會讓我們的制造業更先進，數據必須轉成信息后才會對產業產生價值。智能工廠通過與環境系統的無縫交互，設備能夠有自我意識和自學能力，在未來可以實現更高程度的智能控制和優化控制。目前自學設備還遠未達到工業實施階段。

制造業企業有著大量的數據，從內部而言，積累了大量的內源數據，包括運維、管理、流程、質量等。而在互聯網時代，外源數據更多，包括供應商、競爭對手、客戶反饋等等。事實上，制造業企業不缺數據，問題在于數據質量低下，采集手段不科學。造成的現象是數據豐富但信息貧乏。目前表現出兩大問題：第一是數據的有效利用率很低；第二是缺乏分析能力，需要大量的工具。

由此可見，推動智能制造的并不是大數據本身，而是大數據的分析技術。工業大數據給了我們一個看世界的新角度。通過360度全景的數字視角，可能給我們帶來新的優勢，這就是它成為創新驅動核心動力的來源。

在智能制造的工業大數據中，數據類型多樣性是大數據的重要屬性。大量的數據不是大數據，單一的數據類型也不足以構成大數據。人們一直設法收集并弄清楚不斷變化的數據類型。在制造業中，大數據分析需要利用通用的數據模型，將庫存記錄、交易記錄和財務交易記錄等結構性商業系統數據與預警、流程參數和質量事件、社交媒體或其他協作平臺獲得的文本信息、圖像數據、地理或地質信息等非結構性操作系統數據以及供應商、公共網絡數據結合起來，進而通過先進的分析工具發現新的洞見。

在工業大數據的實踐中，宏觀與微觀、規模與定制、個性與共性必然成為主要的幾對矛盾。未來制造業經濟是由企業流程以及產業鏈接口能力所決定的，而機器的能力是基礎。

制造業企業在力求降低生產過程中的浪費，提高制造工業環保與安全水平，根據生產狀況實現系統自我調整、實現自適應，以及全面服務個性化需求的過程中，都會實時產生大量數據。

在現代工業供應鏈中，隨著大數據應用的普及，我們可以感受到從采購、生產、物流到銷售市場都是大數據的戰場。大數據可以幫助我們實現客戶的分析和挖掘，它的應用場景包括了實時核心、交易、服務、后臺服務等。其載體包括手機、傳感器、穿戴設備、3D打印機和平板電腦等。傳感器數據屬于工業大數據類別之一，這些機器數據可以幫助我們找到已經發生的問題，協助預測類似問題未來重復發生的幾率與時間，幫助我們保障生產，滿足法律法規的要求，提升環保水平，改善客戶服務。

因此，利用大數據的工具，通過數據分析和挖掘，我們可以了解問題產生的過程、造成的影響和解決的方式，找到創造附加價值的新形式。利用大數據的工具和思維，幫助制造業實現商業模式的轉變，改造和提升客戶體驗，完善內部操作流程，或許是最佳途徑之一。

我們要從設備資產智能管理、工業大數據分析以及工業物聯網這三駕“馬車”，結合現代制造業企業的下一代企業架構，幫助制造型企業實現智能制造管理的落地。設備智能管理是智能制造數據的核心來源，通過工業物聯網的平臺連接了所有人、物與事，然后利用大數據工具來分析已知事件，預測問題，挖掘新知識，協助管理決策等。

資產智能管理（AIM）、傳統資產管理（EAM）以及資產性能管理（APM）能夠實時產生大量數據。資產智能管理無間斷地處理制造各個領域生成的數據，包括歷史記錄數據以及實時質量流程中獲得的時域信息。

資產智能管理的數據組成部分非常之多，例如，通過震動感應器采集旋轉機械的數據，地理位置信息記錄了移動資產和資產移動的數據，通過位置數據和氣候數據了解電力傳輸和分配部分或管道的線性資產的實時狀態，基礎地質數據協助確定采礦業操作條件等。

當把所有這些資產設備的數據源結合起來，再利用演繹和預測分析等方法對這些數字進行分析時，你絕對有機會將智能制造管理提升一個層次。僅僅通過監測一定數量的設備的實際運行時間來安排預防性維護并不足以成為大數據手段。當你使用震動分析、熱紅外成像、流程條件數據、實時位置信息以及在互聯網上搜索有關類似設備的失效模式時，才真正涉及到了大數據。

制造業的大數據分析已經成為工業物聯網的一部分，為企業傳統供應應用程序的升級和改造提供依據。工業物聯網實現了產品的可溯源，降低了質量成本，而且在流程數字化方面推動了制造業智能化。

構成新的工業物聯網應用工作區的將是全新的下一代系統。這些應用程序將填補傳統架構的空白，吸收任何地方的數據并將其傳輸到任何其他地方，從而幫助進行新的分析以及為新的混合應用程序所用。這些應用程序還可以簡化分析，供車間人員所用，以及/或將這些解決方案與必要的服務和數據科學家專業知識結合起來。

抽樣調查、確保質量是我們在小數據時代的管理。而如今，在快節奏的生產環境中，要人工去檢測每一個產品的質量，顯然是不切實際的。在工業物聯網平臺，通過所有產品的智能連接，越來越多的產品和設備有了“情境自我意識”，使數據捕獲、分析和檢測變得異常容易。企業通過互聯網平臺還可以迅速改進設計并改善工程質量。

我們許多生產流程的手冊和模型都有知識差距，這也是建立產品或企業級別的知識庫之所以那么艱難的的原因所在。而物聯網有可能填補這些差距。流程數字化將帶給我們的未來是：從設計到用戶體驗，一切都是有結構的和數據可尋的。這樣，制造商不僅可以理解實體產品是怎樣設計和制造的，還可以了解用戶體驗如何以及如何與產品互動。

隨著數字處理能力的不斷提升以及工業物聯網平臺日益成熟，我們將很快解鎖海量并仍不斷增長的數據。這些數據與我們的制造流程以及為我們提供聚集這些數據并部署強有力的分析程序對其進行分析的空間的云服務有關。

無論是為促銷產品還是作為戰略目標的方式，大數據已然成為很多公司和機構過度使用的術語。通過不同技術，我們將數據空間完全釋放出來，從而可以利用大數據分析技術將任何地方的數據加以融合，新的分析工具應用這一新的數據模型，從而發現之前從未有可能的洞見。這些分析工具包括：圖像、視頻、地理空間、時間序列、預測模型、機器學習、優化、模擬和統計過程控制等。

制造即運營管理，是供應鏈的四大環節之一，負責規劃、組織、管理所有制造產品所需要的資源，包括設備、人力、技術、流程、信息等。其主要職能是統籌相關的資源與活動，將投入的資源轉變成最終可銷售的產品和服務。每個企業都有自己的規劃和自己企業在運營環節的管理最佳實踐。大數據對促進供應鏈中的生產環節產生了前所未有的巨大影響，在眾多的運營決策改進里面，這些影響包括產品設計、質量控制、客戶畫像等等。大數據及其 分析將影響制造業的規范性、產品以及服務的品質以及卓越運營這三大方面。

基于預測性分析的進化步驟被稱為規范性分析。規范分析法是20 世紀60年代后期美國管理心理學家皮爾尼克提出的，它對事物運行狀態做出是非曲直的主觀價值判斷，力求回答“事物的本質應該是什么”。規范性分析意味著分析工具不僅能夠預測可能發生的事情，還可以提供備用的“假設”分析，以提供可以改變結果的方案。從這一分析出發，我們可以將工業物聯網平臺的數據提供給智能連接資產內部的云數據庫或潛在的分散分析，以期在“最佳”結果的基礎上，對規范性維護活動做出最準確的定義。

這一轉變將徹底改變制造行業。我們將不再需要一系列專家來告訴管理員何時需要針對設備資產做哪些維護以及如何維護，因為當資產無法實現自我修復時，將會自己告訴你它們需要什么。

商業原則之一的帕累托法則，也稱為二八定律，一般來講質量也往往與這一基本原則緊密相關。早在上世紀90年代開始，大量企業就開始通過應用分析法來提高產品質量和生產的效率，其核心是實現生產與服務的需求相匹配。

今天的大數據分析手段也如出一轍。大數據不僅能夠使生產商制造產品的時間縮短，還能夠在產品批量生產前通過模擬，檢驗防止產品缺陷，減少產品開發周期過程中不必要的環節等。

質量管理強調產品質量要符合消費者預期，這個預期包括預算、功能、外觀等等。這是大數據分析法提升質量管理環節的首要收益。通過對內源與外源數據的實時采集和分析，企業能夠準確地了解消費者需求及其購買行為，明確產品特征，運用高級分析法準確地指導生產、運輸與采購，從而提升產品或服務的質量。

大數據的實時性與實效性，給企業的生產質量管理創造了實現質的飛躍的條件。傳統質量管理主要是通過靜態的、歷史的、沉淀的數據，通過檢查表、散點圖、控制圖等檢測手段來發現生產過程的質量問題，大數據則通過物聯網，通過產品上安裝傳感器、標簽等手段，實時監測采集數據，認知產品性能，實時提高質量。

當企業高管們在探索如何利用大數據改善運營之時，我們需要從企業的生產目標以及更高的商業目標開始思考這個問題。越來越多的管理人員意識到，貫穿產品生命周期各個階段的數據，將成為能給企業帶來高效增值的極有價值的原始材料。

企業不論何時開始實施卓越運營，都必須將人、流程和技術結合起來，基于此，制造業的卓越運營實踐需要包含資產管理（EAM），資產性能管理（APM），企業質量管理（EQMS），環境、健康和安全管理（EHS），工業能源管理（IEM）以及制造運營管理（MOM）六大支柱。

將數據和大數據分析結合起來時，之前未知而有待發現的相關性以及打破信息孤島的可能性變得越來越大。把從運營中已使用到的大數據、社會媒體以及物聯網等新的數據源，以及融合大數據分析解決方案的能力三者結合起來，大數據就可以為管理層提供運營洞見。

在制造行業，企業邊界日益模糊，最難以預測的外部因素，當數顛覆性創新。互聯互通徹底改變了商業游戲規則，在意識到競爭時已為時過晚。對于所有希望轉型的制造業企業來說，企業管理者需要迅速全面了解前沿技術及其相關性與關聯性，利用現代企業架構，重新定義企業，通過全供應鏈的數字化，來獲得更為高效、智能與高利潤的服務產品。

雞蛋，從外打破是食物，從內打破是生命。智能制造之路亦是，從外打破是壓力，從內打破是成長。我們要從設備智能管理、工業大數據入手分析，駕馭工業物聯網的三駕馬車，結合現代制造業企業的下一代企業架構，讓自己有能力從內打破，打造并形成數據紅利，在這場智能制造的文化升級中，實現重生，實現我們的制造強國之夢。