新的努力探索分析架构以及工业公司如何开始设计分析系统

在工业物联网开始普及之前，使用网络连接工业资产和机器的能力已存在很长时间。但是，我们在过去五年中看到的是提供下一代集成度的高级分析解决方案的出现，实际上是需求。当应用于机器和过程数据时，它是关键组件，这将实现更智能的制造操作和推动转型业务成果。数据分析已经成为行业中增长最快，利润最丰厚的新职业之一，它将继续成为关注的焦点，因为它希望将数学，计算机科学和工程技术结合起来，以满足IT的融合需求制造公司内部和OT技术。

人工智能长期以来一直是开发人员从事高性能计算和基于云的系统的工具。人工智能改变了网络监控方式，电子邮件扫描方式，甚至是我们与手机和设备交互的方式。虽然AI和机器学习总是感觉像是一个生活在实时嵌入式系统之外的遥远工具，但机器学习正在基于微控制器的系统中实现，事实上，它已经存在!

新的工业互联网联盟白皮书探讨了分析架构，以及工业企业如何开始设计分析系统。该报告的结论是，需要在定义端到端IIoT系统的背景下分析所需的体系结构，这些系统在功能上分解为五个功能域。这些是：

1.控制：传感，通信，执行，动作和驱动;

2.运营：供应，管理，监控，诊断和优化;

3.信息：数据融合，转换，持久化，建模和分析;

应用：逻辑，规则，集成，人机界面;和

5，经营范围：企业和人力资源，客户关系，资产，服务生命周期，计费和支付，工作计划和安排。

继续成为工业机器控制焦点的关键技术趋势是识别和识别机器操作模式的能力，并做出可以导致更好的决策和提高性能的预测。本文确定了工业中应用的三种主要类别或类型的分析。

描述性分析从历史或当前数据流中获取洞察力，包括状态和使用情况监控，报告，异常检测和诊断等。预测分析使用统计和机器学习技术基于预测建模识别预期行为或结果。Prescriptive analytics通过确定基于第一原则可能发生的事情，使用与设计和执行决策相关的因果关系的模型和预测分析，找到最佳解决方案。一个例子是从实体几何装配模型按需生产，以找到最佳的制造过程集，以实现最终产品意图，同时考虑所有可能的选项和功能。

工业分析的一个基本先决条件是机器和过程数据的可用性，但好消息是工业机器控制系统有大量的数据可供分析。现在我们看到，将数据科学和主题专业知识相结合(了解哪些信息很重要)对于产生最佳结果至关重要。在机器状态监测和人工智能等领域工作的自动化和控制供应商敏锐地意识到对机器/工艺专业知识的需求。

最后一步是以令人信服且易于理解的格式传达和呈现工业分析结果。随着分析的进步，越来越多有意义的操作模式将被检测，识别并报告为警报，并自动报告给操作员。可以根据分析结果监控和优化机器运行效率，从而改善制造和运营，同时减轻操作员的压力。

该报告还得出结论：“分析本身并不神奇 - 它需要结合在适当的时间获取适当的数据，应用适当的分析算法和模型，这些算法和模型由机器制造商，系统的必要工程领域知识指导集成商和工厂运营商本身。“