『壹』 物联网时代 工业大数据八大应用场景
物联网时代 工业大数据八大应用场景
工业大数据是一个全新的概念，从字面上理解，工业大数据是指在工业领域信息化应用中所产生的大数据。随着信息化与工业化的深度融合，信息技术渗透到了工业企业产业链的各个环节，条形码、二维码、RFID、工业传感器、工业自动控制系统、工业物联网、ERP、CAD/CAM/CAE/CAI等技术在工业企业中得到广泛应用，尤其是互联网、移动互联网、物联网等新一代信息技术在工业领域的应用，工业企业也进入了互联网工业的新的发展阶段，工业企业所拥有的数据也日益丰富。工业企业中生产线处于高速运转，由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化数据，生产线的高速运转则对数据的实时性要求也更高。因此，工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少，某些情况下甚至更为复杂。
工业大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来的低成本感知、高速移动连接、分布式计算和高级分析，信息技术和全球工业系统正在深入融合，给全球工业带来深刻的变革，创新企业的研发、生产、运营、营销和管理方式。这些创新不同行业的工业企业带来了更快的速度、更高的效率和更高的洞察力。工业大数据的典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等诸多方面。
1.加速产品创新
客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。福特公司是这方面的表率，他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中，这款车成为了一款名副其实的“大数据电动车”。第一代福特福克斯电动车在驾驶和停车时产生大量数据。在行驶中，司机持续地更新车辆的加速度、刹车、电池充电和位置信息。这对于司机很有用，但数据也传回福特工程师那里，以了解客户的驾驶习惯，包括如何、何时以及何处充电。即使车辆处于静止状态，它也会持续将车辆胎压和电池系统的数据传送给最近的智能电话。
这种以客户为中心的大数据应用场景具有多方面的好处，因为大数据实现了宝贵的新型产品创新和协作方式。司机获得有用的最新信息，而位于底特律的工程师汇总关于驾驶行为的信息，以了解客户，制订产品改进计划，并实施新产品创新。而且，电力公司和其他第三方供应商也可以分析数百万英里的驾驶数据，以决定在何处建立新的充电站，以及如何防止脆弱的电网超负荷运转。
2.产品故障诊断与预测
这可以被用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实，大数据应用、建模与仿真技术则使得预测动态性成为可能。在马航MH370失联客机搜寻过程中，波音公司获取的发动机运转数据对于确定飞机的失联路径起到了关键作用。我们就拿波音公司飞机系统作为案例，看看大数据应用在产品故障诊断中如何发挥作用。在波音的飞机上，发动机、燃油系统、液压和电力系统等数以百计的变量组成了在航状态，这些数据不到几微秒就被测量和发送一次。以波音737为例，发动机在飞行中每30分钟就能产生10TB数据。
这些数据不仅仅是未来某个时间点能够分析的工程遥测数据，而且还促进了实时自适应控制、燃油使用、零件故障预测和飞行员通报，能有效实现故障诊断和预测。再看一个通用电气(GE)的例子，位于美国亚特兰大的GE能源监测和诊断(M&D)中心，收集全球50多个国家上千台GE燃气轮机的数据，每天就能为客户收集10G的数据，通过分析来自系统内的传感器振动和温度信号的恒定大数据流，这些大数据分析将为GE公司对燃气轮机故障诊断和预警提供支撑。风力涡轮机制造商Vestas也通过对天气数据及期涡轮仪表数据进行交叉分析，从而对风力涡轮机布局进行改善，由此增加了风力涡轮机的电力输出水平并延长了服务寿命。
3.工业物联网生产线的大数据应用
现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。首先，在生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺，就会产生一个报警信号，能更快速地发现错误或者瓶颈所在，也就能更容易解决问题。利用大数据技术，还可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所有流程和绩效数据都能在系统中重建时，这种透明度将有助于制造商改进其生产流程。再如，在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降低能耗。
4.工业供应链的分析和优化
当前，大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如，电子商务企业京东商城，通过大数据提前分析和预测各地商品需求量，从而提高配送和仓储的效能，保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据，利用这些数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。
互联网大数据营销专家罗百辉表示，工业制造企业利用销售数据、产品的传感器数据和出自供应商数据库的数据，可准确地预测全球不同区域的需求。由于可以跟踪库存和销售价格，可以在价格下跌时买进，所以制造企业便可节约大量的成本。如果再利用产品中传感器所产生的数据，知道产品出了什么故障，哪里需要配件，他们还可以预测何处以及何时需要零件。这将会极大地减少库存，优化供应链。以海尔公司为例，海尔公司供应链体系很完善，它以市场链为纽带，以订单信息流为中心，带动物流和资金流的运动，整合全球供应链资源和全球用户资源。在海尔供应链的各个环节，客户数据、企业内部数据、供应商数据被汇总到供应链体系中，通过供应链上的大数据采集和分析，海尔公司能够持续进行供应链改进和优化，保证了海尔对客户的敏捷响应。美国较大的OEM供应商超过千家，为制造企业提供超过1万种不同的产品，每家厂商都依靠市场预测和其他不同的变量，如销售数据、市场信息、展会、新闻、竞争对手的数据，甚至天气预报等来销售自己的产品。
5.产品销售预测与需求管理
通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具，通过历史数据的多维度组合，可以看出区域性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等，以此来调整产品策略和铺货策略。在某些分析中我们可以发现，在开学季高校较多的城市对文具的需求会高很多，这样我们可以加大对这些城市经销商的促销，吸引他们在开学季多订货，同时在开学季之前一两个月开始产能规划，以满足促销需求。对产品开发方面，通过消费人群的关注点进行产品功能、性能的调整，如几年前大家喜欢用音乐手机，而现在大家更倾向于用手机上网、拍照分享等，手机的拍照功能提升就是一个趋势，4G手机也占据更大的市场份额。通过大数据对一些市场细节的分析，可以找到更多的潜在销售机会。
6.生产计划与排程
制造业面对多品种小批量的生产模式，数据的精细化自动及时方便的采集(MES/DCS)及多变性导致数据剧烈增大，再加上十几年的信息化的历史数据，对于需要快速响应的APS来说，是一个巨大的挑战。大数据可以给予我们更详细的数据信息，发现历史预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排产，并监控计划与现场实际的偏差，动态的调整计划排产。帮我们规避“画像”的缺陷，直接将群体特征直接强加给个体(工作中心数据直接改变为具体一个设备、人员、模具等数据)。通过数据的关联分析并监控它，我们就能计划未来。虽然，大数据略有瑕疵，只要得到合理的应用，大数据会变成我们强大的武器。当年，福特问大数据的客户需求是什么？而回答是“一匹更快的马”，而不是现在已经普及的汽车。所以，在大数据的世界里，创意、直觉、冒险精神和知识野心尤为重要。
7.产品质量管理与分析
传统的制造业正面临着大数据的冲击，在产品研发、工艺设计、质量管理、生产运营等各方面都迫切期待着有创新方法的诞生，来应对工业背景下的大数据挑战。例如在半导体行业，芯片在生产过程中会经历许多次掺杂、增层、光刻和热处理等复杂的工艺制程，每一步都必须达到极其苛刻的物理特性要求，高度自动化的设备在加工产品的同时，也同步生成了庞大的检测结果。这些海量数据究竟是企业的包袱，还是企业的金矿呢？如果说是后者的话，那么又该如何快速地拨云见日，从“金矿”中准确地发现产品良率波动的关键原因呢？这是一个已经困扰半导体工程师们多年的技术难题。
某半导体科技公司生产的晶圆在经过测试环节后，每天都会产生包含一百多个测试项目、长度达几百万行测试记录的数据集。按照质量管理的基本要求，一个必不可少的工作就是需要针对这些技术规格要求各异的一百多个测试项目分别进行一次过程能力分析。如果按照传统的工作模式，我们需要按部就班地分别计算一百多个过程能力指数，对各项质量特性一一考核。这里暂且不论工作量的庞大与繁琐，哪怕有人能够解决了计算量的问题，但也很难从这一百多个过程能力指数中看出它们之间的关联性，更难对产品的总体质量性能有一个全面的认识与总结。然而，如果我们利用大数据质量管理分析平台，除了可以快速地得到一个长长的传统单一指标的过程能力分析报表之外，更重要的是，还可以从同样的大数据集中得到很多崭新的分析结果。
8.工业污染与环保检测
《穹顶之下》令人印象深刻的一点是通过可视化报表，柴静团队向观众传递雾霾问题的严峻性、雾霾的成因等等。
这给我们带来的一个启示，即大数据对环保具有巨大价值。《穹顶之下》图表的原生数据哪里来的呢？其实并非都是凭借高层关系获取，不少数据都是公开可查，在中国政府网、各部委网站、中石油中石化官网、环保组织官网以及一些特殊机构，可查询的公益环保数据越来越多，包括全国空气、水文等数据，气象数据，工厂分布及污染排放达标情况等数据等等。只不过这些数据太分散、太专业、缺少分析、没有可视化，普通人看不懂。如果能够看懂并保持关注，大数据将成为社会监督环保的重要手段。近日网络上线《全国污染监测地图》就是一个很好的方式，结合开放的环保大数据，网络地图加入了污染检测图层，任何人都可以通过它查看全国及自己所在区域省市，所有的在环保局监控之下的排放机构(包括各类火电厂、国控工业企业和污水处理厂等)的位置信息、机构名称、排放污染源的种类，最近一次环保局公布的污染排放达标情况等。可查看距离自己最近的污染源，出现提醒，该监测点检测项目，哪些超标，超标多少倍。这些信息可以实时分享到社交媒体平台，告知好友，提醒大家一同注意污染源情况及个人安全健康。
工业大数据应用的价值潜力巨大。但是，实现这些价值还有很多工作要做。一个是大数据意识建立的问题。过去，也有这些大数据，但由于没有大数据的意识，数据分析手段也不足，很多实时数据被丢弃或束之高阁，大量数据的潜在价值被埋没。还有一个重要问题是数据孤岛的问题。很多工业企业的数据分布于企业中的各个孤岛中，特别是在大型跨国公司内，要想在整个企业内提取这些数据相当困难。因此，工业大数据应用一个重要议题是集成应用。
以上是小编为大家分享的关于物联网时代 工业大数据八大应用场景的相关内容，更多信息可以关注环球青藤分享更多干货
『贰』 美国工业大数据有GE Predix，那中国有企业在做工业互联网大数据吗
工业互联网是全球工业系统与高级计算、分析、感应技术以及互联网连接融合的结果版。它权通过智能机器间的连接并最终将人机连接，结合和大数据分析，重构全球工业、激发生产力，让世界更美好、更快速、更安全、更清洁且更经济。GE将在中国扩展其数字联盟项目，帮助扩大工业互联网的覆盖面。
工业互联网的实质是什么。
首先是全面互联，在全面互联的基础上，通过数据流动和分析，形成智能化变革，形成新的模式和新的业态。互联是基础，工业互联网是工业系统的各种元素互联起来，无论是机器、人还是系统。
互联解决了通信的基本，更重要的是数据端到端的流动，跨系统的流动，在数据流动技术上充分分析、建模。伯特认为智能化生产、网络化协同、个性化定制、服务化延伸是在互联的基础上，通过数据流动和分析，形成新的模式和新的业态。
这是工业互联网的基理，比现在的互联网更强调数据，更强调充分的连接，更强调数据的流动和集成以及分析和建模，这和互联网是有所不同的。工业互联网的本质是要有数据的流动和分析。
『叁』 工业互联网与大数据
郑文盼 16020150021
【嵌牛导读】在经历了长达30年的经济快速发展之后，现在，中国需要一个全新的增长模式。快速的城镇化和工业化让数亿人摆脱了贫困，中国人的人均寿命提升了十年，中国一举成为世界上最大的制造产品出口国和世界第二大经济体。然而，强劲的消费需要更快速的工资增长来拉动——因而需要更快速地提高生产力。因此，中国需要加速从低成本生产向高附加值、高科技制造转型。这是一个非常严峻的挑战。
【嵌牛鼻子】工业互联网、大数据
【嵌牛提问】工业互联网未来发展
【嵌牛正文】
1、数字化创新提升竞争力
由数据分析得出的洞察可以实现预测性维护：提前处理潜在故障，避免意外停机。传感器和数据分析构建了一个数字化的网络——工厂车间的所有元素连接在一起，并与供应链和分销渠道相连，提高制造过程的速度和灵活性——GE称之为智慧工厂(Brilliant Factory)。现在3D打印等数字技术使一些新的制造流程成为可能，在提高生产速度的同时，降低了生产成本。
这些数字化的创新能够大幅提升各行各业的效率和生产力，从而提升竞争力，使中国的某些行业在全球范围内确立领导地位。
工业互联网创新还能提升不同层面工人的能力。具有虚拟现实/增强现实能力的便携式和可穿戴设备可以使工人即时访问信息、提供即时培训、更有效地合作以及学习和借鉴其他同事积累的实践经验。
人们常常担心新技术的出现因为提高了自动化水平而减少工作岗位。工业互联网创新的发展方向不同于以往，工业互联网使人与机器之间形成更强大的新型伙伴关系，并提升各个层面工人的能力和生产力。而近年来，中国在提升工人平均技能水平方面也取得了巨大的进展：1982年，年龄在25-29之间的中国人中只有不足1%的人口接受过高中及更高水平的教育;到2010年，这一比例已经超过20%，其中大部分集中在科学和工程学。教育水平的提高使中国的劳动力从这些创新中获得巨大的收益;这也将为中国科学家和工程师的持续创新创造环境，为新型数字化工业技术的增长和传播作出贡献。
在这样的背景下，数字化和智能工业作为一个重大趋势，已不可逆转。很多工业公司已经将数字化视为生存和发展的必要前提。尽管互联网已经改变了消费领域，但这一价值在工业领域还有待释放，在1990到2010年期间，工业生产力的年均增速为4%，但是，在过去的五年里却下降到了1%。如何将数字化转化为价值，这是所有工业公司所需要解答的问题。
中国经济正在经历前所未有的结构化转型，可以预见，服务业态将在整个GDP当中起到非常重要拉动作用。制造业在过往的中国GDP中占很大比例，但在随着结构化转型，未来的制造业将成为制造和服务并举的行业，其中服务所创造的价值贡献甚至会超过制造，从而打造出是高质量、高利润、可持续增长的全新服务业态。
BCG的数据表明，中国经济当今的转型之当中，服务的价值在医疗、航空、能源以及有一些机械制造等行业领域都有体现，在未来，他们都将走上以服务成长拉动增长的路径。所以制造业的转型对于整个GDP的贡献也由此成为重要的话题。
GE本身也是一个制造型企业，但这个百年老店也需要思考如何在新的国际竞争当中寻找突破创新之路。GE的工业互联网在2012年来到中国，而这个战略最早在五年前被提出，因为制造业本身面在寻求新的增长点方面走进了一个困境。在GE超过1000多亿的营收和160亿美元的纯利润当中，75%来自制造。但由于客户市场和全球环境的变化，GE需要找重新思考如何服务于全球各行业的客户。所以GE就提出了工业互联网的概念，从根本上讲，就是要把人与机器，机器与机器之间通过数据无缝连接，通过海量数据找到运营当中的瓶颈，降低成本，提升效率，从而进行整个核心竞争力的转型。
工业互联网同中国工业的智能化在中国的结合恰逢其时，这主要源于三个条件：经过20年的信息化建设，中国积累了很好的基础设施;同时中国目前的制造业的转型上升为国家战略之一，迫切需要一些好的信息化手段、管理理念、创新来推动实现这一目标;最后，人才储备也已经达到一定水平。
2、资产优化与运营优化
在制造业领域，工业互联网在实现工业智能化主要着力于资产优化和运营优化。资产优化是基于一个事实，亦即制造企业的重资产特性。目前重资产企业最重要的关切就是产能过剩的挑战，如何优化资产效率，提升资产的利用率，同时为客户带来一些关键的增值服务，通常也被衍生为装备服务业。其次，是运营优化，中国企业所在的是相比德国提出工业4.0，我们还处在2.0甚至更粗放的阶段。管理粗放，机能低下，信息化基础薄弱等等，都是现在制约制造业发展的重要问题。所以如何使运营优化让我们在岗的工人、管理人员，能够和管理规章制度结合提升我们的效率，这是工业互联网的着眼点，也是中国工业企业转型迫切需要解决的，资产的优化、运营的优化。
目前中国有很多离散型的工厂，例如家电，电子类产品制造商，资产优化、对这些企业而言运营优化有重要的意义。而整个智能化有三个不同的层次：第一，经由传感器驱动的自动化。第二，实现全工厂级别的自动化。第三，包括供应链，供应链上下游的优化。
这一战略也与中国的人口转型相吻合。目前，中国的人口增速降低，老龄化加速。最近出台二胎政策暂时还不会影响到中国的人口发展趋势。与此同时，较低的人口增长速度也意味着劳动力不再像过去几十年那样快速增长。现在，中国的工业面临更加有限的人力资源。因此，为支持快速的经济增长，必须更快速地提高生产力以弥补较慢的劳动力增长。
3、制造服务业与中国工业的转型
从实施角度，要实现这三方面的优化要经过四个阶段，第一阶段，在没有数据的情况下我们往往有盲人摸象的感受，就像你坐在军中但缺乏前线汇报，这种作战毫无智慧策略可言。所以数据化是非常重要的前提，大部分企业的决策和管理是基于经验，哪怕有一些数据，也是局部不及时的，甚至是错误数据，这都会直接影响到最终结果，所以全局数据的采集是非常关键的。有了数据之后我们下一步希望可视化，所以在GE的智能工厂当中我们推出了数字链和数字双胞胎的概念，通过信息可视化手段通观工厂制造全流程，让我们对生产力、生产资源、生产效率有了解。随之而来的是控制，比对管理目标实施自动化、智能化控制，在流程控制、资源控制、物料控制等等，同时与制造工艺无缝相结合。最后一个环节是我们最期待的环节，也是价值释放的部分，就是实现优化，基于全局数据基础上我们可以实现预测，能够对资源，对于市场，对于客户的需求的预测性的指导下我们进行优化。
这四个阶段就是刚才我们说互联网在智能工厂的一个体现，说起来简单，但是做起来确实是很困难的。纵观中国的产业发展，工业和基础设施还处在由硬件转向软硬件结合的过渡当中，据统计，2014年我国数字化研发设计工具普及率已达54%，关键工序数控化率达到30%。不过较发达国家，中国离互联互通，软硬件结合的工业体系距离还很远。目前，我国高端传感器、智能仪器仪表、高档数控系统、工业应用软件等市场份额不到5%。
目前GE所提供的工业互联网方案，最直接的价值就是帮助客户实现零意外停机时间，目前GE每天监测和分析来自1000万个传感器的5000万项元数据，这些数据涉及资产价值达到万亿美元。基于Predix的APM帮助客户将海量数据转化为准确决策，及时、主动地确保资产安全、帮助设备更好地运行、消耗更少的燃料、更高效地部署服务，并最大限度地减少意外停机时间。更多APM解决方案和服务将有利于资产所有者和运营商降低维护成本和运营风险，同时提高可靠性。获得“可完全预测的资产”对任何机构的都是终极目标。对于尚不成熟的机构来说，这似乎是一个无法实现的目标。但随着资产运营者逐步接受这一观念，它所带来的诸多益处证明这一投资是值得的，APM将是实现资产预测性的根本基石。
在智慧工厂层面，其价值在于利用大数据、软件、传感器、控制器和机器人提高生产力，从而实现资产和业务优化。智慧工厂的产品拥有四个要素：虚拟制造、传感器启用自动化、工厂优化和供应链优化。GE目前在全球范围内拥有400家工厂。为了改变这些工厂的管理方式并提高生产效率，我们在整个企业共有16个智慧工厂试点。2015年，我们计划把试点数量增加到75个左右。
4、挑战与关注
安全性。制造企业进行转型不管走的是什么路径，目标是一致的，但是安全是非常重要的。传统的信息化的安全不足以覆盖到制造领域的安全，GE工业互联网上倡导的安全，除了IT的安全还有OT的安全，就是工业技术的安全。
基础设施：基础设施从数据中心到网络，到大数据分析，到云计算等等基础设施的部署。
复合性人才。过去中国的20年，无论是信息化还是工业化过程中培养了很多人才，但是都过于单一化。工业化和信息化的深度融合之后，我们需要更多的是复合性人才，对工业材料了解，对信息业了解的，当然对我们管理也提出了很高的要求。因为技术是服务于业务的，刚才提到的最终是希望驱动企业，使它具备智能管理和持续创新的能力，从而提高它的核心竞争力。所以对于企业的经营者来讲，也是一个挑战，就是我们的管理技能如何和信息化技术，和先进材料技术多方面融合，给企业制定一个好的战略。
业务模式的改变。技术的引入也会促使我们从上游产品设计到生产制造，到供应链，一直到市场服务形成一个全闭环的流程。每一个环节都会对我们传统的运营模式和业务模式带来冲击，互联网给消费领域带来的改变每个人都感受到了，工业领域也是如此。比如说众包在产品设计阶段，现在已经被广泛的使用了，我相信将来在供应链，在市场服务的时候如何更精准，更和消费者互动，这些都会对我们已有的模式带来很大的改变，我们参与的很多项目当中都是着眼于这方面的改变。
『肆』 医疗器械巨头们的转型之路
当众多国产器械还处在技术上努力追赶之时，国际医疗器械巨头们已经把目光投向了更远处。
从原先的大工业集团中分拆、独立为单独的医疗 健康 集团后，“去工业化”与“成为一家 科技 公司”成为肉眼可见的趋势。
而“我们是一家 科技 公司”并非仅仅是一句口号，借助着飞速发展的技术，一方面是产品的数字化与人工智能辅助，另一方面则是打通上下游，从单一产品销售转向整体解决方案提供商。
虽然有着很多相似指出，但全球医疗器械三大巨头GPS（GE、飞利浦、西门子医疗三家公司英文大写的缩写简称）也选择了不同的侧重点与实现路径。
2018年年中，GE医疗宣布将从GE集团中独立，约半年后，生物制药板块被剥离，GE医疗未来的聚焦将在于数字医疗应用和解决方案；飞利浦则在5年前把数字化创新与人工智能列为公司战略，自建生态平台、并购初创企业、联合生态合作伙伴；西门子医疗则希望建立属于自己的数字化医疗版“App store”。
影像是GE医疗最大的优势，作为中国市场上最大的医疗设备制造企业，GE医疗在影像设备上的装机量全球领先，这也给其带来了海量的数据，这也是GE医疗构筑优势的一大基础。
CMEF上，GE医疗与AI创新公司Arterys推出了人工智能辅助心脏核磁诊断Cardio MR AI、以及基于心电大数据平台的云心电AI预判分析系统；新一代基于矢量技术的全能CT设备矢量CT等。
产品的数字化只是起点，以此为基础，GE医疗开始围绕医院打造整体产品方案。除了提供设备产品外，运用AI辅助诊断与产品运维能力，还从资源、人力等方面帮助医院进行能力建设。如新发布的APM资产云管家升级版本新增了放射科指挥中心方案、设备调剂中心方案等功能性模块，可提升放射科资源利用的有效性和合理性，智能匹配临床科室设备需求，实现全院设备更优化的流程操作、更精细的绩效管理和更智慧的决策分析，进一步提升医院资产利用率和运营效益，减少冗余采购浪费，从而提升医院的综合管理水平和医疗服务效率，协助智慧医院建设。
以云资产为代表的“资产”系列和以云影像、云心电为代表的“云”系列正是GE医疗在中国出两大系列数字化产品和应用，这正是其在数字化上的两大主攻方向，而因对医院对围绕，使得GE医疗也对基层医疗与非公医疗两大潜在增量颇为重视。
正如GE医疗中国副总裁陈金雷此前介绍，在数字医疗领域，GE医疗正紧密围绕资产运营管理、病患临床诊断、医院能力建设三大领域、结合临床医学、机器与大数据高级分析，帮助医院和医生实现更优临床和运营决策，促进优质医疗资源下沉，提升基层医生诊疗能力和服务质量，推动医联体建设和分级诊疗落地。
数据+全产业链覆盖+全球运营下的本土化将是GE医疗未来优势所在，围绕高端、基层和非公立医疗“三大市场、四大支柱”的业务发展策略将继续。
同样强调整体解决方案，飞利浦的思路更多是围绕的是疾病的整体解决方案。包括送医就诊治疗以及诊前诊后的互联关护，乃至早筛。
以飞利浦心血管整体解决方案为例，本次新推出的整体解决方案产品既包括星影智能系统、EPIQ 7C智i心血管超声系统、超声心动图介入治疗解决方案等以诊断与辅助产品，也包括针对“胸痛中心”和“卒中中心”建设质控数据直报需求而开发的一站式系统星海智能 健康 系统（ISCM）。
在互联关护上，目前飞利浦主要有“监护与分析及诊疗关护”、“睡眠呼吸护理”和“人口 健康 管理”三大业务，连接院前、院中、院外各个场景，提供智能化综合数据管理和分析解决方案，采集并集成患者的全部数据，帮助医护人员更好决策。
而新发布产品中，飞利浦云海中央信息中心旨在打破ICU信息孤岛，能够有效连接床旁监护设备和系统，将分散的监护设备信息集中分析、管控。
此外，与神州医疗一同推出的神飞云2.0在1.0版本已经实现的置于云端的飞利浦星云影像后处理平台上，针对肺癌早筛这一实际应用场景，开发出一套集成解决方案，包括智能化设备、信息化软件系统和专业服务，为基层医院实现肺癌精准筛查提供全流程服务。
飞利浦星云医学影像人工智能平台正是飞利浦数字化医疗生态最关键的产品，该平台包含ISP（支持临床影像诊断，涵盖心脏病学、肿瘤学和神经学）和ISD（医用科研平台）两个平台。
如飞利浦大中华区副总裁梁建球所言，飞利浦几年前被定义成侧重工业的企业，现在则被业界认可为一个 健康 科技 企业。
而根据此前钛媒体报道，西门子医疗的数字化思路也分为产品数字化、生产过程数字化、服务数字化三个阶段。与此类似，西门子医疗的AI战略规划分三个步骤：第一步，尽量多地把所有人工智能技术嵌到现有设备产品当中去，目前已有40多个人工智能应用；第二步，基于已经收集到的数据，提供高效解决方案；第三步，不断探讨基于数据的应用。
西门子医疗还推出了数字化医疗平台Teamplay，该平台是一个基于云端的大数据平台及医疗生态圈。通过连接医疗机构及其成像设备，并基于诊断成像过程所产生的元数据，包括检查时间、类型和时长，放射剂量以及扫描协议等数据，大型医院、医院网络和诊断中心可以了解有多少台设备在使用中。Teamplay平台有着类似于“App store”的定位与作用，可以解决标准化的问题，规范不同医院的扫描参数、剂量、使用序列，是一个整体解决方案。在此基础上，入驻平台的AI初创公司可以获得硬软件与标准化运作的支持。
『伍』 Predix，GE(美国通用电气)推出的工业大数据分析云平台，底层架构采用的数据仓库是哪一款
Predix GE自发平台MindSphere实际西门利用SAP HANA Cloud Platform Could Foundry （HCP CF）PaaS推工业云西门平台系统软件发实力SAP选择SAP合作发Predix MindSphere共同点专都工业物联网云接机属器数据做析预测PaaS技术都用源Cloud Foundry SAP HCP提供应用服务比Predix更丰富更适合平台扩展做各种应用发与各种SAP非SAP商业系统集等想像空间足够 GE Predix做做般机器数据预测析展现够毕境GE做机器起家公司现向软件析转型另外Predix选择微软 Azure做IaaSSAP 首选AWS合作
『陆』 大数据如何贡献大价值
大数据如何贡献大价值
一切的现象都在告诉人们，一个新的科技时代似乎正在来临。有些IT职业追潮人士甚至激动地认为“人类历史上第三次科技革命”即将到来。
大数据之惑
问题在于，什么是大数据？为什么人人言必称大数据？
“很大很大的数据”就是大数据。对“大”的定义在不断刷新。10年前1GB数据已经很大了，今天，1000GB并不算太大。
问题其实不在于大，而在价值。“大数据”再大仍旧只是数据，没有足够有效的分析与应用，一切数据都是垃圾。纽约时报专栏作家David Brooks认为，缺乏足够有效的分析是大数据的最大问题：越来越多的数据，带来越来越多的相关性；其实很多相关性都是没有意义的，这种欺骗性质的数据关联会把数据管理者和使用者引入歧途，浪费大量的人力物力去管理、分析这些数据。
除了传统意义上人们认为的那些有行有列有数值或者文字的数据表单之外，IT技术还帮助人们收集了越来越多的其他类型的资料，比如视频，语音，图片，文档等。这些被称为“非结构化数据”。
结构化与非结构化数据每天都在成倍的增加。以道路视频监控为例，全上海的摄像头有10多万个，每一刻都在记录图片与视频。一旦发生案件或者事件，这些记录在硬盘库里的资料就成为侦察与审判环节的重要证据。尽管目前技术尚不支持，业界仍然期望未来能在TB乃至于PB级的视频数据里搜到一张特定身影或者脸孔。这类搜索/分析技术未来将是启动视频类大数据应用的引擎。
同样，基于语音、照片或者文本的分析与数据挖掘同样可以给人类对数据的理解带来革命性的突破。问题在于，这类技术仍停留在实验室阶段。
尽管没有足够的应用，大数据仍然不可阻挡地火热了起来。不扯上大数据似乎就要落伍了一样，大数据满天飞的日子来到了。至于这股潮流到底会演变成象。com一样的泡沫，还是第三次产业革命，在华威先生们眼里，已经根本不重要了。业界，数据库/存储等领域供应商当然乐见其成，而企业的IT经理们则又多了一个申请预算的借口。
数据的价值及企业数据战略
数据的获取与存储仍然是IT建设的基础架构。一旦决定启动“大数据战略”，对资源源源不断的占用使得这一工作黑洞化。如何规避这种大数据黑洞？结合全球主要行业领导企业以及部分小而强的欧洲企业的成功案例，我认为，应该以应用（分析及业务决策）为中心建立相应的数据战略，并且随之建立相应的从收集数据、管理数据到最终业务决策的一整套流程。而不是为数据而数据——首先要建立以应用为中心的数据战略。说到应用，银行、保险、汽车、化工等几乎所有行业都在开展以数据分析为基础的各种应用，以JMP软件全球行业案例库里面的部分典型客户为例：
电商在分析顾客采购行为数据，以进行促销和相关货品推荐（交叉/提升销售）
航空公司在调查旅客反馈，以改进空中服务（客户挽留）
药厂在对临床实验数据进行分析，以判断新药的安全性和有效性（研发新产品）
汽车厂商在对维修信息进行分析，以改进汽车整车和关键零部件的可靠性以提升客户满意度（挽留及获取客户）、降低客户拥有成本和车厂的保修成本（降低成本）
手机公司在对手机销售量进行预测，以合理排产与优化库存（运营优化）
卫生管理部门在运用数据模型对流行病趋势进行描述、监控与预测
银行在对客户服务流程进行优化与改善，以提升客户满意度
电脑厂商在利用客户对不同配置组合进行市场调查，以进行定价
保险公司在根据保单出险情况进行保单定价的动态调整，以确保该产品基本盈利能力
半导体企业在对制造全流程数据进行分析/建模/优化，以改善工艺，提升良率，从而实现成本降低与利润提升
食品公司在利用数据分析和市场调查手段，研发本地客户最喜好的口味
快速食品行业在利用JMP地图分析工具与人口统计学相结合，以进行门店选址，客户获取及供应链优化
只有足够有效的应用，方可获取数据的价值。企业只有在战略层面确立了数据分析的重要性，方可持续改善。以GE为例，六西格玛及相应的数据分析流程已经成为GE的全球战略与文化。不仅如何，GE还持续不懈地推动基于数据分析的持续改善工作。在高端航空发动机研发及GE能源系统业务领域方面，GE也与时俱进，导入JMP所代表的业界最高水平的实验设计（DOE）方法，以进一步提升其研发水平。
其次，一切都离不开人。与这股指数级增长的数据分析需求相对应，统计、分析类人才正成为职场上的稀缺品种和抢手货。3月初华尔街日报刊登了“全美最抢手职业排名”，数据分析类职位高居榜单第二位。这是美国。对中国来说，或许排名更高，因为稀缺。
最后，建立一整套以数据分析及决策流程，以取代传统的拍脑袋决策体系。这一点对于中国企业来说尤其需要强调。这不仅仅是对战略的有效执行，更需要企业拿出“改变”的决心和勇气，在制度层面体现出对“改变”的鼓励和包容。
在这个应用为王的年代，对于企业来说，不论是搭建基础架构还是应用软件，要不要投入，如何投入，其实是个老话题了，无外乎价值与价格。大数据/云计算，不论名字如何变化，逻辑依旧。
『柒』 工业大数据开启新时代 七大应用分析
工业大数据开启新时代 七大应用分析
工业大数据的典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等诸多方面。本文我们讲就工业大数据在制造企业的应用场景进行逐一梳理。
随着信息化与工业化的深度融合，信息技术渗透到了工业企业产业链的各个环节，条形码、二维码、RFID、工业传感器、工业自动控制系统、工业物联网、ERP、CAD/CAM/CAE/CAI等技术在工业企业中得到广泛应用，尤其是互联网、移动互联网、物联网等新一代信息技术在工业领域的应用，工业企业也进入了互联网工业的新的发展阶段，工业企业所拥有的数据也日益丰富。工业企业中生产线处于高速运转，由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化数据，生产线的高速运转则对数据的实时性要求也更高。因此，工业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少，某些情况下甚至更为复杂。
工业大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来的低成本感知、高速移动连接、分布式计算和高级分析，信息技术和全球工业系统正在深入融合，给全球工业带来深刻的变革，创新企业的研发、生产、运营、营销和管理方式。这些创新不同行业的工业企业带来了更快的速度、更高的效率和更高的洞察力。
1.加速产品创新
客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。福特公司是这方面的表率，他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中，这款车成为了一款名副其实的“大数据电动车”。第一代福特福克斯电动车在驾驶和停车时产生大量数据。在行驶中，司机持续地更新车辆的加速度、刹车、电池充电和位置信息。这对于司机很有用，但数据也传回福特工程师那里，以了解客户的驾驶习惯，包括如何、何时以及何处充电。即使车辆处于静止状态，它也会持续将车辆胎压和电池系统的数据传送给最近的智能电话。
这种以客户为中心的大数据应用场景具有多方面的好处，因为大数据实现了宝贵的新型产品创新和协作方式。司机获得有用的最新信息，而位于底特律的工程师汇总关于驾驶行为的信息，以了解客户，制订产品改进计划，并实施新产品创新。而且，电力公司和其他第三方供应商也可以分析数百万英里的驾驶数据，以决定在何处建立新的充电站，以及如何防止脆弱的电网超负荷运转。
2.产品故障诊断与预测
这可以被用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实，大数据应用、建模与仿真技术则使得预测动态性成为可能。在马航MH370失联客机搜寻过程中，波音公司获取的发动机运转数据对于确定飞机的失联路径起到了关键作用。我们就拿波音公司飞机系统作为案例，看看大数据应用在产品故障诊断中如何发挥作用。在波音的飞机上，发动机、燃油系统、液压和电力系统等数以百计的变量组成了在航状态，这些数据不到几微秒就被测量和发送一次。以波音737为例，发动机在飞行中每30分钟就能产生10TB数据。
这些数据不仅仅是未来某个时间点能够分析的工程遥测数据，而且还促进了实时自适应控制、燃油使用、零件故障预测和飞行员通报，能有效实现故障诊断和预测。再看一个通用电气（GE）的例子，位于美国亚特兰大的GE能源监测和诊断（M&D）中心，收集全球50多个国家上千台GE燃气轮机的数据，每天就能为客户收集10G的数据，通过分析来自系统内的传感器振动和温度信号的恒定大数据流，这些大数据分析将为GE公司对燃气轮机故障诊断和预警提供支撑。风力涡轮机制造商Vestas也通过对天气数据及期涡轮仪表数据进行交叉分析，从而对风力涡轮机布局进行改善，由此增加了风力涡轮机的电力输出水平并延长了服务寿命。
3.工业物联网生产线的大数据应用
现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析（包括违反生产规定、零部件故障）等。首先，在生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺，就会产生一个报警信号，能更快速地发现错误或者瓶颈所在，也就能更容易解决问题。利用大数据技术，还可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所有流程和绩效数据都能在系统中重建时，这种透明度将有助于制造商改进其生产流程。再如，在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降低能耗。
4.工业供应链的分析和优化
当前，大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如，电子商务企业京东商城，通过大数据提前分析和预测各地商品需求量，从而提高配送和仓储的效能，保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据，利用这些数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。
以海尔公司为例，海尔公司供应链体系很完善，它以市场链为纽带，以订单信息流为中心，带动物流和资金流的运动，整合全球供应链资源和全球用户资源。在海尔供应链的各个环节，客户数据、企业内部数据、供应商数据被汇总到供应链体系中，通过供应链上的大数据采集和分析，海尔公司能够持续进行供应链改进和优化，保证了海尔对客户的敏捷响应。美国较大的OEM供应商超过千家，为制造企业提供超过1万种不同的产品，每家厂商都依靠市场预测和其他不同的变量，如销售数据、市场信息、展会、新闻、竞争对手的数据，甚至天气预报等来销售自己的产品。
利用销售数据、产品的传感器数据和出自供应商数据库的数据，工业制造企业便可准确地预测全球不同区域的需求。由于可以跟踪库存和销售价格，可以在价格下跌时买进，所以制造企业便可节约大量的成本。如果再利用产品中传感器所产生的数据，知道产品出了什么故障，哪里需要配件，他们还可以预测何处以及何时需要零件。这将会极大地减少库存，优化供应链。
5.产品销售预测与需求管理
通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具，通过历史数据的多维度组合，可以看出区域性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等，以此来调整产品策略和铺货策略。在某些分析中我们可以发现，在开学季高校较多的城市对文具的需求会高很多，这样我们可以加大对这些城市经销商的促销，吸引他们在开学季多订货，同时在开学季之前一两个月开始产能规划，以满足促销需求。对产品开发方面，通过消费人群的关注点进行产品功能、性能的调整，如几年前大家喜欢用音乐手机，而现在大家更倾向于用手机上网、拍照分享等，手机的拍照功能提升就是一个趋势，4G手机也占据更大的市场份额。通过大数据对一些市场细节的分析，可以找到更多的潜在销售机会。
6.生产计划与排程
制造业面对多品种小批量的生产模式，数据的精细化自动及时方便的采集（MES/DCS）及多变性导致数据剧烈增大，再加上十几年的信息化的历史数据，对于需要快速响应的APS来说，是一个巨大的挑战。大数据可以给予我们更详细的数据信息，发现历史预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排产，并监控计划与现场实际的偏差，动态的调整计划排产。帮我们规避“画像”的缺陷，直接将群体特征直接强加给个体（工作中心数据直接改变为具体一个设备、人员、模具等数据）。通过数据的关联分析并监控它，我们就能计划未来。虽然，大数据略有瑕疵，只要得到合理的应用，大数据会变成我们强大的武器。当年，福特问大数据的客户需求是什么？而回答是“一匹更快的马”，而不是现在已经普及的汽车。所以，在大数据的世界里，创意、直觉、冒险精神和知识野心尤为重要。
7.产品质量管理与分析
传统的制造业正面临着大数据的冲击，在产品研发、工艺设计、质量管理、生产运营等各方面都迫切期待着有创新方法的诞生，来应对工业背景下的大数据挑战。例如在半导体行业，芯片在生产过程中会经历许多次掺杂、增层、光刻和热处理等复杂的工艺制程，每一步都必须达到极其苛刻的物理特性要求，高度自动化的设备在加工产品的同时，也同步生成了庞大的检测结果。这些海量数据究竟是企业的包袱，还是企业的金矿呢？如果说是后者的话，那么又该如何快速地拨云见日，从“金矿”中准确地发现产品良率波动的关键原因呢？这是一个已经困扰半导体工程师们多年的技术难题。
某半导体科技公司生产的晶圆在经过测试环节后，每天都会产生包含一百多个测试项目、长度达几百万行测试记录的数据集。按照质量管理的基本要求，一个必不可少的工作就是需要针对这些技术规格要求各异的一百多个测试项目分别进行一次过程能力分析。如果按照传统的工作模式，我们需要按部就班地分别计算一百多个过程能力指数，对各项质量特性一一考核。这里暂且不论工作量的庞大与繁琐，哪怕有人能够解决了计算量的问题，但也很难从这一百多个过程能力指数中看出它们之间的关联性，更难对产品的总体质量性能有一个全面的认识与总结。然而，如果我们利用大数据质量管理分析平台，除了可以快速地得到一个长长的传统单一指标的过程能力分析报表之外，更重要的是，还可以从同样的大数据集中得到很多崭新的分析结果。
以上是小编为大家分享的关于工业大数据开启新时代 七大应用分析的相关内容，更多信息可以关注环球青藤分享更多干货
『捌』 制造业大数据的“冷”思考
制造业大数据的“冷”思考？
当前，大数据作为新一代信息技术的关键，逐渐成为新一轮产业革命的核心。制造业迈入了大数据时代，2012年，GE公司率先明确了“工业大数据”的概念。在制造业，产品的全生命周期从市场规划、设计、制造、销售、维护等过程都会产生大量的结构化和非结构化数据，形成了制造业大数据，而这些数据符合大数据的三“V”的特征：规模性、多样性以及高速性。除此以外，制造业大数据还具多源异构、多尺度、不确定、高噪声等特征。因此，研究和应用制造大数据更具有挑战性。 主要体现在制造大数据的存储、管理、分析和展示方面。如何充分挖掘工厂中数据的价值，通过对制造大数据进行分析，提升数字化工厂运行效率，已成为制约数字化工厂向智慧工厂发展的瓶颈！
然而，大数据给我们带来的思考：在制造业能用吗？解决什么问题？制造业大数据到底在哪些领域可以发挥它的作用？
首先，能用否？大数据已经成为解决现实世界问题的方法。要解决现实世界的问题，第一种方法就是科学实验，通过实验的方法来发现现实世界的一些规律和解决和问题； 第二种就是通过理论分析和推导方法；第三种就是科学计算，模拟仿真成为第三种解决问题的范式；数据科学成为第四种解决问题的范式，这个就是由美国图灵奖的获得者，他出了一本书《第四种范式》，目前现在国外数据科学是一门非常热门的学科，它是一门综合交叉的学科。
大数据方法带来了思维上的变化，主要是从三个方面来看的：
从因果到关联，更强调事物之间的相关性而非因果性。
从局部到全体，采用全体数据进行分析，而不是随机样本。
从精确到混杂，通过数据保证解的优异性，不再一味追求精确的算法。
既然大数据已经成为解决问题的方法，那能用它。
因此，从数字化工厂向智能化工厂转化的过程中面对着海量的数据，需要寻找它们相互之间的联系和隐藏规律，实现透明化的目标。
最后，在哪里用？大数据它给制造业提供的是一种全方位的全程式的一种服务，在产品全生命周期阶段，从设计到制造、从使用到维护、直到维修阶段，产生的正向数据以及逆向数据，这些数据都能全方位的使用。
在产品的设计中，传统的设计师，基于经验灵感和经验，揣度消费者的需求喜好，设计产品。在大数据时代，设计师通过对用户行为和需求大数据进行分析，精准量化客户需求，指导设计过程。
在制造阶段，大数据技术可以帮助实现生产过程异常发现、产品质量和生产调度优化等方面。以生产异常发现为例，传统的基于降维手段的异常发现方法，容易破坏信息完整性，不利于设备异常的发现。在大数据模式下，基于制造数据的分析对关键参数进行提取，然后通过聚类分析手段发现设备异常模式，在此基础上对设备控制优化。大数据也能帮助提高产品的质量控制，大家来自制造业可能知道SPC控制的是整个过程的单个参数，但是单个参数在正常范围，为什么还会出现一些质量问题？可能每个参数均处于临界状态，综合产生会产生一些质量问题，所以在这个过程中，传统就是数据的筛选、参数分析，这个过程介入了人工的分析来进行质量的预测，数据筛选过程淘汰了许多有效的数据资源，参数分析过程经常存在人工经验判断，使得预测模型对整个产品加工过程信息的描述残缺不全，不能发现产品质量问题的深层次原因（如误差累积）。 因此在大数据模式下，根据产品的加工工艺过程，对产品质量相关数据按层次进行组织，利用多隐藏层的神经网络深度学习加工过程中产品质量数据的相互作用机理，从而对产品质量问题进行全面、深层次描述。大数据能提升大规模生产调度的全局性能，大家知道为什么我们企业生产调度一直会出现问题，我们做的计划好好地赶不上变化。因为所做的计划，是在一个理想状态下考虑约束做的计划。我自己做生产优化调度做了20多年，一直在寻找一种最优的解决方案，研究智能方法，例如：遗传算法、蚂蚁算法等。但随着工艺的复杂、环境的复杂、工艺的规模，整个问题规模越来越大的时候，它已经是一个很难解决的问题。传统的智能调度方法难以求解大规模的调度问题，基于规则和瓶颈的方法在大规模问题中又很难得到全局优化解；大数据带来了新思路，他采用全局的数据之间的关联关系，从而形成全局的调度方案，能够解决大规模生产中的全局调度问题。
大数据能为产品的运营维护服务，很典型的案例就是GE的案例，建立一个平台，为航空发动机的监控、运行监测、故障诊断提供一个全方位的服务。在产品的运行和维护过程中，大数据模式一改传统方法被动的运维模式，通过采集和分析智能设备的传感器数据，进行大数据分析，主动进行产品的安全监测、故障诊断，优化产品的运行过程。大数据应用过程中需要的是什么呢，首先需要的是能够采集到数据，也就是需要产品是一个智能化的产品，所以 在智能制造中，首先要有智能化的产品，安装传感器，能够实时的传递数据，这为后面的运行、维护服务提供了依据。
大数据不只是关于数据，而是采用传统及新的分析方法来分析所有数据。针对大数据分析的结果采取行动来提升业务才是最重要。随着大数据技术的不断地发展，国内外已对大数据在制造领域中的应用进行了一些开拓性的研究，代表性的有GE工业互联网解决方案、Smart Factory计划，SAP HANA平台和Invensys数据分析平台，并已在农夫山泉、百事饮料等公司应用。三一重工利用大数据技术通过对地理位置数据的关联分析发现泵车主油缸故障与沿海地区杭深高铁建设的强相关性，确定了沿海地区的盐雾环境和水质是导致油缸密封体腐蚀的主要原因。日本小松公司通过对挖掘机安装传感器与GPS定位系统，从而实时监控车辆运行情况，并通过大数据分析，对未来挖掘机市场的需求进行预测从而调整生产、对用户的使用习惯进行分析与建议从而降低油耗。
以上的一些工业案例成为制造业大数据的先驱，然后，目前绝大多数制造业大数据的应用没能形成系统化的思路和方案，缺乏理论体系的支撑。 针对国内在制造业大数据应用基础研究上的空白，我团队2014年申请了国家自然科学基金重点项目“大数据驱动的智能车间运行分析与决策方法研究”，并得到了资助。目前，围绕车间制造大数据之间的耦合作用机理、车间性能的演化规律、车间运行过程的调控机制三个基础科学问题进行科学研究，来探索我们的大数据在我们的智能制造车间的运行情况。解决问题的思路是是一切都在用数据来说话，利用大数据来解决工程问题的科学研究思路是： 一切数据说话。首先数据化：将设备状态参数、计划执行情况等运行参数，以及质量、交货期等性能指标数据化；然后分析这些数据之间的关联关系，用数据挖掘的方法预测交货准时率、产品合格率等车间性能的演化规律；从演化规律中，发现质量指标中某数据异常，找到影响该异常数据的关键参数，最后对关键数据进行控制，保证交货期和产品质量。为了实现大数据应用，我们提出了大数据驱动的智慧工厂，它是生产车间、物联网、云端、移动互联的有机融合。利用物联网技术，使得车间生产过程、物流及之后的销售、服务过程具备感知能力；全生命周期内产生的各种制造数据保存到云端；借助大数据处理与分析技术，依托云计算平台，帮助分析数字工厂运行过程，提供决策支持，并通过移动互联方式展现。目前我们在晶圆制造的车间和发动机装配车间，开展了一系列的工作。
最后，我认为：实现以数据感知、数据处理分析、制造过程决策与支持、数据可视化技术为核心的智慧工厂已经成为趋势，大数据产业链及技术体系逐渐成熟，大数据必将加速数字工厂向智慧工厂的转型。