从工厂的工业资产中收集和分析数据几乎算不上是尖端技术。多年来，工厂车间经理和他们的同行们一直在分析工业机器数据，以警惕生产混乱，识别质量故障，或作为调整资产以提高业绩的指导。
随着工业资产通过传感器进行数字化，并通过工业物联网(IIoT)进行连接，制造商仍然希望通过分析机器数据来提高生产效率，减少停机时间，控制成本，并促进更好的决策。然而，当涉及到规模时，目标已经发生了显著的变化。如今的制造商正在努力实现大规模转型，而不是让工厂经理或维修工人分析来自特定资产的历史数据，以便在未来做出适度的改变。他们的目标是创建灵活和智能的操作，使资产和系统网络能够在近乎实时的情况下实现整体自动化和优化。
在预测性维护、实时质量控制和根本原因分析场景测试等领域，智能操作的引擎是由人工智能(AI)和机器学习驱动的高级分析。虽然在工业领域，分析类别仍然有些模糊，但用例已经引发了巨大的兴趣和增长。根据物联网分析在美国，工业人工智能和分析市场在2019年达到了150亿美元，其中最主要的用例是预测性维护，有近四分之一的受访者(24.3%)引用，其次是质量检验和保证(20.5%)，制造过程优化(16.3%)，和供应链优化(8.4%)。
工业分析应用的激增源于对工厂或现场工业资产(包括机器人、自动化单元、石油钻井平台和风力涡轮机)产生的大量数据的利用。IDC Insights估计，随着各行各业的制造商加大数字化努力，一个典型的工厂每天产生的数据超过1tb，未来5年，根据行业的不同，预计这个数字将增加5到10倍。
“这就是促使公司开发或购买这些(分析)工具的原因——没有它们，就无法处理这些数据，”凯文·普罗蒂说，他是负责制造业和能源洞察的集团副总裁国际数据公司(IDC)．“对于一个拿着Excel表格的工程师来说，要分析的数据太多了。”
通过数据分析，行业组织可以利用物联网的机会，优化运营，并产生更大的盈利能力。图片由GE Digital提供。
企业分析与工业分析
大多数制造商都认同这样一种观点，即海量数据可以用于提高利润、提高生产率，或者两者兼而有之。问题在于，这些数据分散在不同的竖井中，以不同的格式存在，没有上下文背景，而且大部分数据存储为时间序列数据，大多数针对结构化和非结构化数据设计的企业分析和大数据工具都不能充分处理这些数据。此外，Excel几十年来一直是这个领域的首选分析工具，但它的效率很低，任何见解都是孤立于单个工程师处理一个特定问题的。
企业信息技术(IT)和运营技术(OT)团队收集和分析数据的方法也存在差异。大多数企业分析工作都涉及到数据的吸收、规范化，并将其放在一个集中的存储库或数据湖中(最有可能是在云中)，以便各种业务用户可以使用这些数据进行不同类型的分析。从OT的角度来看，数据收集和分析工作主要是局部的和战术的。“OT人员知道如何为单个问题在单个工厂的单个机器建立分析模型，他们是用Excel或使用开源平台手工完成的，”Marcia Walker说SAS．“当你问他们，他们将如何利用这一点，并将其应用于一家工厂的所有机器，以及他们在全球各地的工厂，他们会像头灯下的鹿一样盯着我们。”
工业分析和一般企业分析之间的另一个巨大差距是对机器特定性质的理解，以及为历史学家和监控与数据采集（SCADA）系统中收集的数据提供上下文的能力。与金融系统中的结构化内容不同，时间序列数据缺乏理解原始数据集与特定过程或条件的关系的上下文，例如，可能存在哪些因素影响泵的运行。如果没有适当的上下文，就不可能充分利用数据来驱动操作性能、状态监控或预测性或规定性维护应用程序。
公司云、社区和渠道副总裁Bry Dillion表示:“解决问题需要环境OSIsoft,该公司销售PI系统，用于收集和集中来自不同来源的时间序列数据。“如果你正在将与泵相关的数据流化，你必须理解数据集与流程的关系，以获得相关上下文。如果你只是优化通过泵的流量，而不知道校准或吞吐量，你可能会优化泵到泵断裂的点。你不能只带来原始数据，然后指望机器学习来解决它。”(编者按:截至发稿时，Aveva刚刚宣布即将收购OSIsoft。详情请浏览http://awgo.to/bSDYc。)
研华的MIC-720AI是一款基于arm的系统，集成了英伟达Jetson Tegra X2 system -on- module。据研华科技称，它适用于边缘和深度学习应用中的人工智能推理。
核心组件
工业分析可以采用多种形式，但有些核心组件和属性似乎是跨平台通用的。虽然企业分析的许多繁重工作都发生在云上，但工业分析软件需要显著的边缘处理能力，因为需要在接近实时和接近源的情况下处理和分析数据，以避免延迟和安全问题。
PTC的分析副总裁Ed Cuoco表示:“当你谈论工业领域时，你几乎总是在谈论一些结合了本地部署和云计算的东西。“你需要一个平衡的解决方案，既能将数据发送到云端进行处理，又能在机器附近或机器内部驱动洞察的边缘能力。”
Advantech与基于云的工业分析相比，支持人工智能的边缘处理提供了更好的性能，同时也确保了更高级别的安全。Advantech的Edge AI系统由英伟达Jetson平台提供支持，可以替代工厂工人进行的传统视觉质量检查。在这样的一个场景中，一个边缘服务器系统，由各种人工智能模型支持，对饼干工厂中的烘焙食品进行实时检查，自动设置烘焙时间和烤箱温度，以确保更一致、高质量的饼干生产。
研华服务器级产品经理James Yung表示:“我们关注的是边缘领域，而不是云领域，因此我们可以保护数据，确保数据的安全和机密。”“如果你把数据发送到云端，可能需要很长时间才能得到回复。”
考虑到工厂数据的异构性，一个工业分析平台必须能够通过一些标准化和上下文化数据的方法来吸收不同的信息类型。具体来说，客户需要知道数据从设备或生产线生成时的环境，从不同的边缘设备收集高速OT上下文数据仍然很困难，更不用说以结构化的方式将其打包，与第三方工业数据源配对，或将其上游发送给it应用程序，以获得企业级的洞察力。
为了解决这一问题，自动化合作伙伴罗克韦尔自动化(Rockwell automation)和PTC创建了智能对象，这是一种灵活的数据模型，可以自动发现和收集具有丰富上下文的高速OT数据，允许企业资源规划和产品生命周期管理系统等上游it应用使用这些数据。罗克韦尔自动化数字转型主管Gaurav Verma解释说:“智能对象可以快速解锁你在边缘收集的情景化OT数据，并使其与下游所有it应用程序兼容。”“IT应用程序可以在企业层面收集大量商业洞察力，但没有智能对象，这是不可能的。”
看到机器此外，它还严重依赖于建模层，以区分其制造分析平台。该软件执行自动化和连续的数据吸收过程，包括使用专家系统和机器学习分类器来准备和上下文化过程和产品数据。最终的结果是一个工厂车间的数字双胞胎，使用机器学习和高级分析，可以发现异常，并提供见解，帮助减少停机时间。Sight Machine首席执行官乔恩•索贝尔表示:“我们应用数据模型，并设置通用结构来协调数据。”“将结构应用到数据中，这样你就可以有效地分析数据，这对人们来说非常困难。”
Seeq支持高级分析的完整生命周期，从连接不同的时间序列数据到支持快速调查和分析。图片由Seeq提供。
不管他们的不同方法,大部分,如果不是全部,工业分析工具和平台将某种形式的人工智能和机器学习来帮助发现模式资产数据建立模型的洪水的资产和生产地板流程和自动化流程更加的智能化操作的一部分。AI-driven分析模型可以成为一个至关重要的元素在生产线,创建一个数字的双胞胎,允许,例如,模拟的啤酒厂,测试,并优化其流程以及分析成千上万的参数来理解和预测对啤酒质量的影响,解释了亨宁Ochsenfeld,数据科学和机器学习工程主管西门子数字工业．“这不是一个人能做的，”他解释道。“你需要建立现有关键绩效指标与生产线上获取的大量数据之间的关系模型。”
新兴的工业分析平台的另一个关键元素是一些公民开发人员的能力，它允许OT专业人员，而不仅仅是IT和数据科学家，轻松地建模问题和可视化见解。西门子的Mendix低代码平台在其工业分析组合中扮演着这个角色。
与平台方法不同的是，Seeq它的数据分析软件是专门设计来帮助过程工程师和主题专家与时间序列数据进行交互和建模的。Seeq副总裁兼首席营销官Michael Risse表示，Seeq没有与一些大型工业分析平台竞争，而是连接存储在各种流程历史和SCADA系统以及工业物联网平台(如PTC ThingWorx和Siemens Mindsphere)中的数据。
鉴于工厂自动化的复杂性和工业数据的多样性，没有一种分析产品适合所有用例和所有场景。更确切地说，专家们认为组织需要考虑长期战略和他们想回答的问题来为工作找到合适的工具。不要在工具集之间划清界限，重要的是要把所有的东西都放在桌面上，看看它们是如何协同工作的，”美国石油天然气公司电力和石油天然气业务部门产品管理副总裁Steve Deskevich说通用电气数字. “不要将工业分析视为一个辅助项目，因为如果你这样做，你将在一个很酷的工程项目上花费大量的时间和精力，但不一定会改变业务的运作方式。”
