当时，提高出产管理进程的数字化、自动化和智能化水平已经成为制作业转型的首要手法和方法。而所谓智能，就是一个包含了感知、认识、学习、调整和习惯等环节的循环进程，可以依据目标做出决议计划并采取行动以得到所期望的效果。其间，常识是智能完成的根底，智力是获取和运用常识求解的能力。智能制作的实践进程就是让企业可以经过对设备运转数据的搜集和剖析，完成对出产制作进程进行诸如推理、判别、构思和决议计划等智能活动。终究让机器延伸或部分地替代人类专家在制作进程中的膂力和脑力劳动，把制作自动化扩展到柔性化、智能化和高度集成化。

让机器具有一定的判别和决议计划能力是智能制作实践的根底。这一进程中，企业需要将数据转换成信息，再将信息转换成常识，经过常识的积累终究构成可供执行的模型或规矩，进而完成对出产进程与设备的实时确诊、预警与优化主张的流程、技能与东西。因而，在智能制作实践进程中，数据就是燃料，剖析就是引擎。经过对很多进程数据的剖析，使得企业能及时、准确地了解设备运转状况和出产进程状况，并及时的做出判别和决议计划。因而，在推进工厂智能化转型进程中，完成设备的互联仅仅第一步，更重要的是经过对设备的互联，将传感器等智能东西嵌入到要害的设备中，终究完成对这些设备运转状况的数据搜集。经过实时的数据搜集完成对设备状况的健康状况剖析。

在制作企业的车间，出产体系不断发生很多的实时数据，如运动轴状况（电流、方位、速度、温度等）、主轴状况（功率、扭矩、速度、温度等）、机床运转状况数据（温度、振荡、PLC、I/O、报警和毛病信息）、机床操作状况数据（开机、关机、断电、急停等）、加工程序数据（程序称号、工件称号、刀具、加工时刻、程序执行时刻、程序行号等）、传感器数据（振荡信号、声发射信号等），对这些状况信息的搜集可以让企业对出现的任何异动进行剖析和确诊。

在设备层上，对单台设备运转状况数据的搜集和剖析所得到的成果，可以反应回到设备的自动化操控闭环里，其办法包含经过对操控设定点和操控形式的动态调整。经过这种方法可以完成对设备运转进行有据可依的优化，也是将设备的运转从传统的自动化向智能化开展的一条途径。

当然，操控体系从自动化转向比较完善的智能化需要有一段适当长的过渡时期。在这个过渡期中，关于很多现已布置的操控体系，为了增强其运转的智能化，我们首要可以对这些体系布置外带的并行计算剖析体系（如工业网关），然后在现有接口（如PLC）对这些操控体系实时搜集数据，并在上述的外带体系中对这些数据进行剖析，最终把剖析成果反应回到操控体系以完成运转的优化。

在运营层上，相应于现有的大型SCADA或DCS，对设备群的数据的搜集和剖析可以驱动对出产设备的运营智能化的监控，包含对毛病的智能检测和确诊，猜测性保护，能耗和材耗的管理，和其它运营方面的优化。

在事务层上，对设备运营数据剖析的成果可以为事务规划和流程以及产品设计等方面的智能化提供有价值的信息。

在智能工厂中，数据剖析的成果应该首要是为了增强单机设备运转和设备群运营的智能程度，而这个进程要求的是及时的（挨近实时的）、接连性的流式数据剖析。传统的批量性的数据发掘方法在智能工厂中会继续有其效果，如为运营体系的数据剖析建立模型或任何其它过后剖析而用，但它不是其唯一的或首要的方法。完成智能工厂的一个要害在于怎样对设备进行数据搜集和剖析并将其成果即时地反应到设备的运转和运营中、以及怎样将这些剖析成果与其它事务信息（如市场供求，供应链等等）交融，以推进出产的全面智能化。要有效地完成这些意图，就有三点值得强调：

首要，设备是接连运转的，其运转需要接连的智能反应。所以剖析体系有必要对设备接连生成的数据流进行流式剖析，及时并继续地为决议计划提供信息流，即时自动化地使用于设备接连的运转和运营流程中。反过来说，根据批量性和被动性查询的传统剖析结构并不能有效地支持设备接连性的运转和运营。因而，流式剖析有必要是这些数据剖析渠道的首要功能。

其次，从安全性、可靠性和有效性（如对时延和数据流量的约束）等方面去考虑，这些数据剖析渠道有必要提供分布式的剖析，使其剖析功能可以在设备或出产设备的本地布置，支持边缘计算的形式。

最终，这些数据剖析渠道应该把所需的先进和难度大的剖析技能提高和简化，为客户提供简易布置、定制和保护的开箱即用剖析体系，使客户可以快速迭代地演进其智能工厂使用。根据不少制作业企业并不专善于信息技能这一个现状，我们应该尽力使他们在开发智能工厂的进程中受益于最新的包含机器学习等人工智能在内的高档数据剖析技能，但不受其复杂性和特别专业人才需求所困。