随着工业物联网(IIoT)的兴起，人们的注意力正从连接转向分析，制造商们纷纷推出一系列新产品，这些新产品都有望促进真正的业务变革。
初创公司和熟悉的自动化供应商正在整合新的平台和工具，旨在将从工厂车间设备和工业资产收集到的数据宝库转化为有助于优化决策的可操作见解。这些数据中的大部分已经以某种形式存在了几十年，但它们主要被锁在孤立的、不兼容的工厂地面系统中。因此，这些数据从未被充分利用，作为更广泛的分析工作的一部分，以促进预测性维护，优化工厂车间资产的能源使用，或对漏水或泵故障等关键事件进行响应，以最大限度地减少生产损失。
“获取数据真的很容易，但如何使这些数据具有可操作性是公司真正困难的地方，”思科物联网战略总监瑞安•莱斯特指出Xively，一家物联网平台提供商。“公司没有合适的分析工具来解析数据，也没有好的算法来获得洞察力。”
事实上，根据Forrester和Xively的研究，51%的公司正在从互联产品中收集数据，但只有33%的公司利用智能来创造可操作的见解。
这一差距解释了最近一系列专门针对工业物联网和制造业用例的新分析产品。现在，许多初创公司都在为特定的垂直行业(如石油和天然气行业或能源市场)推销工业物联网分析解决方案，而其他公司则更加细化，应用分析模型和机器学习来解决非常具体的问题，例如油井泵维护或风力涡轮机的能源效率。与此同时，工业自动化巨头们通用电气数字和西门子作为其工业物联网工作的一部分，他们也在扩展分析领域，提供了一个核心平台，用于大规模收集、集成和安全管理大数据，同时具有有限的分析能力。
推动所有这些活动的是，工业公司看到了将工业物联网计划与大数据分析结合起来的真正好处。预测埃森哲和通用电气到2020年，在这一领域的活动上投入5000亿美元。与此同时，贝恩公司(Bain & Co.)等行业咨询公司表示，过于笼统的分析解决方案可能会偏离目标，而且不够具体，无法促进早期用户采用。在一份关于供应商如何在物联网领域取得成功的报告中，贝恩咨询公司的顾问们提出了针对几个(四个左右)行业的分析解决方案，以及与特定行业合作伙伴保持一致的横向解决方案，以确保分析能够映射到实际业务需求。
公司总裁兼首席执行官纳夫•杜内指出:“很多时候，公司太过专注于自己的工作，而忽略了周围发生的很多事情。Ambyint为石油和天然气行业提供专业工业物联网分析的供应商。“他们开始理解从数据的角度看待业务挑战的好处，而不是从直觉或流程的角度，他们正在引入外部实体来帮助解决这个问题。”
深厚的领域专业知识
像Ambyint和Maana是针对特定垂直行业和这些行业中的特定问题的分析新贵之一。其他新来者比特炖系统(现为通用电气所有)，Seeq和看到机器都在宣传他们整合、调查和获得来自复杂环境(包括工厂车间)数据的实时可见性的能力。
杜内认为，规模较小、更专业的公司在提供分析方面有优势，部分原因是它们有能力快速创新，以应对市场变化。他解释说:“我们谈论的是技术的发展速度。”“随着一切都在快速发展，只有更灵活的公司才能迅速想出解决方案。小公司可能也有深入的分析能力，而大公司可能需要数年时间才能掌握。”
想想Ambyint的重点领域:一种智能的端到端解决方案，专门用于监测和优化油井性能，解决与人工举升相关的问题。Ambyint解决方案结合了传感器、无线通信和数据分析，包括机器学习，部署在泵的液压举升系统上，可以解决与人工举升相关的10个具体问题，包括泄漏检测。
想想工业电机上的扭矩问题——问题可能发生在不同工业用例中使用的同一电机上，但根本原因可能不同。Dhunay说:“在我们的领域，你可以通过扭矩数据来确定井中是否存在结蜡现象。“你需要对现实世界中发生的事情有深刻的理解。与通用分析平台相比，我们专注于油气领域，具有显著优势。”
 |
| GE的Predix平台和生态系统的愿景是超越预测分析，以确定未来结果的可能性。 |
Maana是一家专注于工业和油气行业的工业物联网分析公司，其首席产品官Tara Prakriya表示，除了特定领域的专业知识外，新人还可能在大数据技术方面具有优势，这对于大规模应用分析工业物联网数据至关重要。她说:“这个领域的大型供应商已经在结构化数据分析上建立了自己的帝国。”“Maana已经解决了如何表示知识的问题，无论它是来自数据、领域专业知识还是其他类型的来源。”
Maana采用专利的语义搜索功能、先进的算法、深度学习和所谓的知识图谱，从时间序列数据孤岛以及领域专家、应用程序、数据仓库和大数据存储中提取信息，以提供预测性(更重要的是，规范性)见解，帮助制造商最大限度地提高工厂车间生产率或提高盈利能力。Prakriya解释说:“大多数公司仅仅从时间序列数据来攻击它，在四冲程柴油发动机的情况下，他们可能会在故障前的五分钟内攻击它。”“真正的节省是，如果你能根据具体情况制定半年的维护计划。”
开放的方法
大型自动化领导者正在采取不同的方法，为垂直或领域分析培养小型新贵的生态系统，并将其产品定位为工业物联网分析的开放集成平台。这就是通用电气数字公司在其Predix平台上所做的事情，该平台提供了越来越多的分析构建模块目录，其中一些是通用电气提供的通用异常检测，还有一些是第三方合作伙伴和客户提供的更专业的工具。通用电气还通过收购增加了其分析金库——最近的收购是Bit Stew，该公司利用机器智能和NoSQL等大数据技术来解决大规模的工业物联网数据集成问题。
通用电气数字公司Predix云平台首席架构师、前IBM沃森杰出工程师兼首席架构师马克-托马斯•施密特表示:“有许多与工业物联网应用相关的设备，通用电气还没有制造出来，我们内部也没有足够的专业知识，无法在更深层次上覆盖所有这些机器。”“我们希望利用丰富的供应商生态系统，这些供应商在特定的数学领域非常专业，他们对深度学习或神经网络有了解，并且非常了解一个行业。围绕Predix的整个想法是使其成为一个真正活跃的生态系统的中心，而分析是目前最受欢迎的领域。”
 |
| 西门子的MindSphere平台有一个开放的应用程序接口，因此第三方供应商和制造商可以创建自己的个人分析应用程序。 |
西门子数据服务业务高级副总裁贾甘纳特•拉奥(Jagannath Rao)表示，平台方式还能在其他方面增加价值。他表示，西门子的MindSphere平台即服务(PaaS)提供了设备管理、连接、数据存储和基础设施功能，使制造商能够将工业物联网分析从制造用例扩展到下一代业务。
西门子正在为MindSphere平台提供传动系统分析、能源分析和机床分析等领域的功能，但它也创建了一个开放的API，以便第三方可以创建他们自己的专业分析。
Rao说，安全性是工业物联网平台的另一个优势。他说:“现在没有一个客户没有被黑客攻击过。”“安全已经融入MindSphere平台的所有层面。”
整合是关键
在大型自动化供应商推动平台的同时，另一类新贵正专注于集成，这是工业物联网分析难题的另一部分。Seeq就是这样一个产品，它被标榜为一个专门调查时间序列数据的应用程序。通过利用NoSQL和Hadoop等大数据创新以及机器学习，Seeq允许对过程历史中收集的操作数据进行类似google的搜索，并通过与其他制造、资产管理和事务系统的集成将这些数据进行上下文化。
 |
| Seeq将监控数据与其他数据集集成在一起，同时利用不需要数据科学专业知识的大数据技术。 |
Sight Machine是另一家通过集成、情境化和可视化整个制造企业的数据来解决可操作洞察力问题的公司。Sight Machine首席执行官兼联合创始人Jon Sobel解释说，凭借工业物联网时代的速度和多样性两个标志，Sight Machine提出了一个自动化的吸收过程，该过程可以吸收不兼容的工厂车间系统收集的数据，同时应用专家系统和机器学习分类器来提炼和清理数据，并将其用于后续分析。他说，该公司的可视化、仪表板和KPI功能可以报告整个工厂的资产绩效，同时还可以突出异常情况，并实时显示问题的根本原因。这些见解还通过情境化的仪表板呈现，反映了不同利益相关者的需求，包括数据科学家、工厂和企业经理以及机器操作员。
Sobel说，在投资任何类型的工业物联网分析工具或平台之前，了解您试图解决的具体业务问题，时刻关注长期架构需求和战略目标，并从小型目标项目开始，这是推进工业物联网分析的最佳方式，而不会超出您的能力范围。
在许多情况下，在高度专业化的分析和能够支持更大范围工作的水平平台之间并不是一个非此即彼的选择。Bit Stew的副总裁Franco Castaldini说:“IT部门可以使用通用报表工具来帮助服务于各种业务，但是当你进入更多的操作用例时，通用工具可能会有不足之处。”“两者都有一席之地。”
