简介
快速展开的数字化转型和工业 4.0技术为工业组织提高运营效率和优化工作流程创造了大量新机会。 其中之一是能够利用新一代先进工业分析解决方案的功能，这些解决方案由大量智能传感器和工业物联网 (IIoT) 设备生成的数据提供支持，并由 AI/ML 和其他技术提供支持，从而实现 快速处理大数据并基于大数据自动生成报告。 在本文中，我们将详细讨论工业分析，提供其定义，描述通常用作工业分析解决方案一部分的技术，并提供有关如何在组织内实施工业分析平台的提示和建议。
什么是工业分析？
工业分析是一个总称术语，指与检索、组合和分析从工业系统、硬件组件和操作中收集的时间序列数据相关的各种流程和应用程序。 以及利用这些数据来提高工业流程的效率。
工业分析是一种与使用运营数据和增强工业流程相关的高级分析。 它包括集成到现有工业自动化解决方案中的软件工具、方法、技术和组件，以实现数据收集、存储、建模和分析。
什么是高级分析？
高级分析是各种技术解决方案和分析大数据方法的术语。 其一般目的是提取可用于各个行业和流程的新模式和业务见解。
高级分析依赖于 AI（人工智能）、ML（机器学习）、数据可视化和建模工具、神经网络、智能预测、实时事件分析、语义分析等创新技术。
高级分析的本质在于使用工业 4.0/5.0 工具快速有效地收集和组合来自多个来源的数据，以便对其进行分析并深入了解业务运营、制造流程。 工业自动化环境、经济状况、市场需求等
最常见和流行的高级分析类型是：
工业分析
预测分析
制造分析
数据挖掘
规范性分析
大数据分析
既然我们已经定义了工业分析是什么，我们还想简要解释一下其他类型的高级分析是什么，它们与工业分析有何不同，以及这些数据科学领域在哪些业务运营领域重叠。
什么是预测分析？
预测分析是一种高级分析，可能是当今各个行业和市场领域的企业和其他组织最常用的方法。
预测分析解决方案依靠分析历史业务数据来预测未来的结果和业务成果。 这种高级分析方法通常依赖于创新分析技术，例如机器学习、深度学习、人工智能、数据挖掘和预测建模。 这些工具用于识别各种数据集中的趋势和模式，这些数据通常太大而无法用于人类分析。
预测分析通常包括预测监控和预测维护。 预测分析中使用的数据集通常是从各种业务软件系统中提取的。 最常见的是，这些系统是 ERP、CRM、会计和财务管理工具、项目管理、库存管理以及维护自己数据库的业务技术堆栈的其他部分。
什么是制造分析？
制造分析是一种高级分析，依靠基于人工智能和机器学习的算法来产生见解、模式和其他信息，可用于提高制造运营的效率和最终制造产品的质量。
正确应用制造分析可以实现、简化和简化对来自各种制造系统、设备、机器、流程等的数据的检索、存储和处理。
创新制造分析解决方案的应用使公司能够优化制造和生产流程的质量，消除制造系统中的错误和瓶颈，并确定需要改进的领域，对事故、故障、缺陷和机械故障实施快速及时的响应。
什么是数据挖掘？
数据挖掘描述了专注于在各种操作数据集中发现特定知识和见解的所有活动和解决方案。 数据挖掘通常通过 AI/ML 算法和统计数据实现，允许公司从数据集中检索趋势和模式，这些数据通常由组织内部 IT 基础设施中的各种软件系统和机器生成。
数据挖掘被认为是整个工业和数据分析的关键部分。 它是数据科学的核心学科。 数据库中的知识发现（KDD）是一种类似的数据科学技术，也用于数据收集和处理，但 KDD 和数据挖掘是两种不同的方法。
什么是规范性分析？
规范性分析是另一种类型的高级业务分析，它分析数据以生成最佳业务决策选项、最佳行动方案建议、风险缓解、商业机会和其他数据驱动的决策目的。
规范性分析通常依赖机器学习 (ML) 和人工智能 (AI) 算法来处理和分析大量机器生成和用户生成的数据。
什么是大数据分析？
大数据分析描述了检查大型数据集以识别可用于制定明智的业务决策并优化组织内运营流程的信息的过程。 这些信息包括各种数据相关性、市场和业务趋势、客户情绪的变化以及其他隐藏的且可以从可用数据中提取的模式。
大数据分析解决方案通常使用复杂的工具和应用程序，包括统计算法、预测模型和其他形式的高级业务分析。
为什么工业分析很重要？
工业分析的主要目的是帮助公司和组织释放通常在其 IT/OT 基础设施中生成和存储的大量数据的潜力和价值。 通过工业分析解决方案获得的见解可以通过多种方式使用：提高产品质量、降低制造过程中的风险和错误、实施更有效的工作流程和方法、提高运营效率、削减成本、减少浪费、最大限度地减少生产成本。 资源、能源消耗等。
工业分析的好处：
以下是组织和工业团队通过正确实施工业分析解决方案可以获得的收益和利益的一些示例。
发现新的市场机会
对整个工业机械和运营过程中收集的数据进行分析可以发现新的市场机会，识别竞争优势、趋势以及其他可用于改善组织整体状况的见解。
及早发现生产错误和故障
对从工业机械、物联网设备、软件系统、机器人解决方案和其他设备收集的数据进行分析可以尽早发现生产错误。 然后可以消除此类错误，从而提高工业运营的整体效率。
此外，根据有关错误、设备磨损和机械故障的历史数据，工业分析解决方案能够预测未来的问题，并提出避免问题的方法。
减少停机时间并延长机械生命周期
预测性维护是工业分析解决方案的另一个主要优势，因为它们可以提供可用于调整设备维护计划的数据。
智能使用预测性维护功能可以延长工业机械的生命周期，显着减少机械停机时间，并全面提高所有工业运营的效率。
洞察工业运营
对机械和其他技术设备产生的数据以及嵌入这些机器的物联网传感器捕获的数据进行工业分析，可以为组织提供前所未有的运营洞察力。
在某些情况下，对传感器收集的数据进行分析是检查某些机械部件功能的唯一方法，而这些部件是无法通过其他方式获得的，因为它们是不可穿透的。
减少能源和资源的消耗
通过工业分析平台还可以监控和评估原材料、能源和其他资源的使用方式。 这使得组织能够找到减少这些资源消耗、削减成本和增加收入的方法。
提高设备可用性
24/7 的设备性能监控和改进的维护可以提高设备的可用性。 这反过来又增加了生产线的吞吐量，并使工厂能够在相同的时间内生产更多的商品。
提高生产绩效的创新和解决方案
得益于先进的分析，尤其是实时执行时，组织获得了引入创新并提高所有工业系统和解决方案以及正式员工和软件性能的新机会。
提高产品质量和工业流程
正确利用工业分析工具和解决方案的核心优势之一是能够提高制造设施及其必须维持的工业流程所生产的产品质量。 这些流程也会提高客户满意度和品牌忠诚度。
优化供应链管理
对与供应链管理相关的流程进行更有效的管理，使组织能够简化材料和资源的流动，从而产生另一个对工厂整体绩效产生直接影响的改进领域。
降低不良业务决策的风险
通过先进的工业分析解决方案生成的稳定信息供应，公司经理和利益相关者有更好的机会避免做出错误的业务决策，这可能导致严重问题、毁灭性损失，在某些情况下甚至导致整个企业破产。
成本最小化
最后，高性能工业分析解决方案最基本的好处之一是，它为企业提供见解和工具，以最大限度地降低所有运营和业务流程的成本，从而提高财务稳定性和收入。
数据生产者和消费者
工业分析环境中有四种主要的数据生产者和消费者（生成和/或使用数据的系统和人类用户）。
流程
各种工业流程通常是数据的最大生产者和消费者。 包括机械和制造设备的流程、后台IT基础设施资源、工程流程、销售流程等。
产品与设备
积极生产和消费数据的另一种主要实体类型是作为工业自动化环境的一部分运行的各种产品。 它们包括计算机硬件、电子机器、机器人、驱动器、注射器和各种其他类型的电器。
人类
人类用户还在工业自动化网络中积极地生成和消费数据。 此类别包括所有类型的人类用户，最常见的是组织员工、公司合作伙伴和客户。
第三方
最后，此类别保留给在企业 IT 网络内消费和生成信息的其他类型的人类参与者和数字资源。 最常见的是，第三方包括参与企业运营但不属于公司一部分的各种其他方，例如供应商、第三方承包商、支付提供商等。
数据治理角色
在谈论工业分析环境中的数据生产者和消费者时，我们还介绍了通常负责数据治理、数据策略和作为工业分析项目一部分的其他关键职能的主要组织角色。
数据工程师
数据工程师的主要职责是通过开发和实施跨机器、设备、软件和数据仓库基础设施的适当管道来准备分析数据。
数据所有者
数据所有者通常对某些类型的数据负责，例如从特定系统或机器提取的数据以及以某种格式生成的数据。 数据所有者的责任是确保数据安全、符合适当的规则和法规（在企业内部强制执行并由政府机构发布）并达到高质量标准。
数据管家
数据管理员通常扮演与数据所有者类似的角色，两者之间的区别在于，数据管理员负责对数据资产以及组织内生成和存储的数据进行更全面的监督，以供工业分析解决方案进行后续处理。
数据科学家和数据分析师
数据科学家和数据分析的目的是执行实际的工业分析，换句话说，应用数据模型和算法来处理可用数据并提出有价值的业务见解和其他发现。
数据策略师
数据策略师负责定义和执行短期和长期的工业分析流程策略。 成功的工业分析战略的关键组成部分将是精心规划和结构良好的数据治理和数据管理规则、工业分析项目活动的既定核心目标和目标、从数据中生成真实且可衡量的业务价值的条件，以及 与数据驱动解决方案和业务模型开发相关的其他要素。
尽管数据所有者、数据策略师、数据管理员、数据工程师和数据科学家的角色经常重叠，但这些职位在工业分析环境中都扮演着独特的角色。
数据源
与数据生产者和消费者类似，工业分析环境中定义了四种基本类型的数据源。 他们是：
企业数据源
企业数据源是企业OT/IT网络内生成和传输数据的所有软件系统。 它们包括 SCADA、ERP 系统、MES、CRM 解决方案、计算机辅助设计 (CAD) 系统、PLM（产品生命周期管理）工具等。
物联网数据源
此类别包括工业环境中物理机器、硬件和其他物联网连接设备生成的所有类型的数据。 当然，这一类别包括从各种传感器获得的信息，这些传感器被解释为工业机械、机器人解决方案和各种其他设备，所有这些都集成到了工业物联网网络中。
用户生成的数据
与软件和硬件系统生成的信息相反，用户生成的数据是由人类用户（通常是实施工业分析解决方案的组织的员工）生成的。
网络数据源
最后，还有网络数据源，其中包括工业分析解决方案从非用户生成的数据的网络数据获取的所有类型。 此类别通常涵盖组织从第三方网络资源（私有和公共）获取的各种数据库。 最常见的是，这些是政府实体提供的公共数据库、公开可用的科学数据或由专业公司创建作为向工业企业提供的产品的私人数据库。
工业分析应用
工业分析解决方案可用于实现组织内的各种目标和目的。 让我们回顾一下工业环境中高级分析解决方案的一些最常见应用。
标准和 OLAP 报告
标准和 OLAP 报告是工业分析的主要应用之一。 OLAP 代表在线分析处理。 它是一种数据库技术设计，用于快速、轻松地查询和报告。 OLAP 通常用于规划、财务报告、预算、销售报告和预测、市场趋势识别、指标的多维分析等。
Microsoft SQL Server 的 Analysis Services 和 Microsoft Excel 等产品包含一些支持 OLAP 报告的功能。 最常见和流行的专用 OLAP 软件平台有：Oracle OLAP 和 Oracle Essbase、Apache Kylin、IBM Cognos、Micro Strategy 和 Palo OLAP Server。
质量控制
质量控制是现代制造环境中相当常见的工业分析应用场景。 先进的分析解决方案可以检测资源浪费、能源过度使用和其他导致质量问题的问题。 实施先进的工业分析解决方案可以帮助确定质量问题的根本原因并防止它们在未来发生，减少资源和能源的使用，并提出其他改进建议，从而提高生产过程的质量。
预防性的维护
预防性维护（有时也称为主动维护，尽管它们不是同一件事 - 预防性维护被认为是主动维护的子学科）专注于执行定期维护任务。 定期维护的时间表是由工业分析系统在处理与工业设备的操作和磨损相关的历史数据后确定的。
工业设备预防性维护的一些例子包括例行检查、润滑、定期更换磨损最快的机械部件和大修等。
预测性维护
预测性维护是主动维护的另一个子学科，专注于使用工业分析，通过根据历史数据计算执行维护任务的最合适时间来减少设备的计划外停机和意外故障。
预测性维护使工业设施能够制定更有效的机械操作时间表、维护计划以及与支持处于活跃操作状态的工业设备相关的其他流程。 正确利用工业分析来满足预测性维护需求，使组织和制造工厂能够显着减少设备停机时间（高达 25%），最大限度地减少检查成本，降低维护成本，并防止机器或其他关键部件意外的一日停机 工业基础设施。
数据探索
数据探索是任何数据集分析的初始阶段之一，旨在了解任何给定数据集的内容以及其中数据的特征。 就工业分析而言，数据探索用于探索各种工业机械和物联网传感器生成的数据，将其可视化并决定如何利用这些数据来获得最大利益。 这就是为什么采用强大且先进的数据智能平台应该成为成功的工业分析策略的基石之一。
数据挖掘和机器学习
数据挖掘是利用工业分析从机器、软件系统和人类用户生成的数据中发现见解的下一步。 如今，数据挖掘通常借助机器学习 (ML) 和深度学习解决方案以及各种其他方法（例如聚类、分类、回归、描述性和诊断算法、关联规则发现等）来执行。
资产绩效监控
资产性能监控是工业环境中高级分析解决方案的另一个流行应用。 工业分析平台可以根据一系列预设的 KPI 来跟踪和监控机械、设备、软件系统和其他企业资产的性能。 具体来说，工业分析解决方案可以跟踪浪费水平、整体设备效率 (OEE)、生产计数、资产停机时间等。正确应用自动资产性能监控可以延长工业设备的生命周期、提高效率、提高生产水平和 其他可观的好处。
产量优化
自动化工业分析系统还可用于控制各种制造过程，优化吞吐量并提高产量。 基于先进的机器学习算法的分析解决方案能够实时跟踪高速制造流程，生成见解和解决方案，在集成到设施运营中时将有助于降低生产成本并优化产量。