搭建信息化到工业化控制层的桥梁！

工业化控制层包括智能产品/智能生产设备/智能测试设备、数据采集、设备维修、设备维护保养、预测性维护、机器人自动巡检点检、远程监测与控制等。

智能产品/智能生产设备/智能测试设备：集先进制造技术、信息技术和智能技术为一体，具有感知、分析、决策功能的监测、控制与驱动设备及产品。

◉ 数据采集：指通过在线的传感器或软件技术对被测对象进行自动采集数字或模拟信号，并传送到DCS、PLC、DNC、SCADA、仪表等系统进行分析、处理。全部的数据采集系统包含了传感器、信号调理、模\数转换、通讯接口，以及信号处理设备、信号处理软件等。

◉ 设备维修：指为保持、恢复以及提升设备技术状态进行的技术活动。其中包括保持设备良好技术状态的维护、设备劣化或发生故障后恢复其功能而进行的修理，以及提升设备技术状态进行的计划性或紧急性的技术活动。

◉ 设备维护保养：是设备维修与保养的结合。为防止设备性能劣化或降低设备失效的概率，按事先规定的计划或相应技术条件的规定进行的技术管理措施。包括事后维护、预防维护、生产维护、预测维护等。

◉ 设备预测性维护：基于生产过程、设备运行数据及运行日志文件数据的分析，对设备状态进行有效性评估，并通过预测可能的失效模式，动态、及时地发现设备潜在故障，并形成具有针对性的预警及维护方案。

◉ 机器人自动巡检点检：制定对设备进行定点、定位的周期性或临时性的检查方案，通过自行走机器人、无人机等方式，按照预设的路线，以传感器、仪器仪表、视觉、红外线等接触式或非接触式的检测技术，对设备运行状态及环境进行数据、影像采集，并可做出预判。同时需采用无线传输技术，将以上信息及时传送给管理中心。在特殊工况下比较适用，但是在正常的环境下可以用远程监控来替代。

◉ 远程监测与控制：通过有线或无线网络的方式，通过计算机系统对远程的设备进行运行状态的数据采集与视频监控，并可通过网络实现远程对设备的启停、运转速度等运行状态的控制。智能产品/智能生产设备/智能测试设备在开发阶段就需在设备内部建立运行状态的数据采集系统，并具有可连接到专网、宽带、4G、5G等的通讯接口。

1、概述

IT信息化5层架构如下图所示：

◉ 第一层（设备基础层）：包括工业生产各类设备、传感器、PLC控制、传输网络以及物联网网关等，是工厂的最底层加工单元。主要完成数据的采集、转换、收集、处理和计算，以及必要的控制。通过统一的接口（如OPC UA），按照传输协议（比如工业以太网传输协议）连接到工业监测、控制、执行系统中。

◉ 第二层（自动化控制层）：设备监测控制系统，比如HMI、DNC、SCADA等。HMI称作人机接口（也叫人机界面），是系统和用户之间进行交互和信息交换的媒介，实现信息的内部形式与人类可以接受的形式之间的转换。SCADA是数据采集与监测控制系统，是以计算机为基础的DCS与电力自动化监控系统。可以对现场的运行设备组网进行监测和控制，以实现数据采集、设备控制、测量、参数调节以及各类信号报警等功能。

◉ 第三层（生产执行层）：由MES、MOM等满足不同工业需求的生产执行系统构成，负责拿到任务并进行任务的分配与过程执行。在这个过程中，需要通过网络和各类接口，向控制层系统或基础层设备请求所需要的各种参数、变量、状态和数据，反向控制指令的原理一样。其技术基础是与现场设备进行通讯，实现数据的自动化采集甚至智能采集以及反向控制。

◉ 第四层（业务管理层）：包括PLM、ERP、SCM、CRM等上层系统。其中，PLM负责产品从研发到报废的“全生命周期管理”，ERP负责企业内部资源的配置和协调，SCM负责企业资源和外部的对接，CRM负责促进企业和消费者的沟通。

◉ 第五层（商业决策层）：经过层层数据的采集、处理、存储、分析、利用，最终能够为商业决策层（BI商务智能）提供精益的数据基础。商业决策层将企业中现有的数据进行有效整合，快速准确地提出决策依据，帮助企业做出明智的业务经营决策。

通过以上IT信息化5层架构的打通，能够打破数据孤岛，使得智能产品从设计、制造、安装、运维到服务的所有环节都被打通。PLM的设计数据直接进入ERP系统，ERP系统立即调配工厂资源，如需外界供货则由SCM系统自动调配。而借助于CRM系统，整个生产过程可以和客户保持实时沟通。MES系统在其中起到了信息化和工业自动化的桥梁作用。这一切的基础是实现软硬件的结合，用智能信息化系统结合智能产品/智能生产设备/智能测试设备，最终实现整个制造工厂到服务现场的智能化。

2、数据采集

数据采集作为产品生产和服务运维过程中的信息收集手段，是连接底层工业控制系统与上层信息化系统的桥梁，为企业信息化提供有效的基础数据，比如工艺参数、设备数据、质量数据等。数据采集将管理同生产紧密结合，形成“信息源于生产，运维服务数据又最终指导、优化生产”的有效闭环。

2.1 数据采集类型

工业数据主要来源于机器设备数据、工业信息化数据和产业链相关数据。不仅要涵盖基础数据，还要逐步包括用户行为数据、社交关系数据、用户意见和反馈数据、设备和传感器采集的周期性数据等各类数据。目前主要包括以下几种数据采集类型：

（1）海量的Key-Value数据：在传感器技术飞速发展的今天，光电、热敏、气敏、力敏、磁敏、声敏、湿敏等不同类别的工业传感器在工业现场得到了大量应用，而且很多时候机器设备的数据大概要到毫秒的精度才能分析海量的工业数据。因此，这部分数据的特点是每条数据内容很少，但是频率极高。

（2）文档数据：包括工程图纸、仿真数据、设计CAD图纸等，还有大量的传统工程文档。

（3）信息化数据：是由工业信息系统产生的数据，一般是通过数据库形式存储的，这部分数据是最好采集的。

（4） 接口数据：由已经建成的工业自动化或信息系统提供的接口类型数据，包括txt格式、JSON格式、XML格式等。

（5）视频数据：工业现场的视频监控设备产生的大量视频数据。

（6）图像数据：工业现场各类图像设备拍摄的图片，例如巡检人员用手持设备拍摄的，或机器人自动拍摄的设备、环境信息图片等。

（7）音频数据：语音及声音信息。例如操作员的通话、设备运转的音量等。

（8）其他数据：例如遥感遥测信息、三维信息等。

2.2 数据采集方法

（1）传感器

传感器是一种检测装置，能感受到被测量的信息，并将信息按一定规律转换成电信号或其他所需形式的信息输出，以满足数据的传输、处理、存储、显示和控制等要求。生产车间中存在许多传感节点，24小时监控着整个生产过程，当发现异常时，迅速反馈至上位机，是数据采集的感官接收系统，属于数据采集的底层环节。

（2）RFID技术

RFID射频识别技术是一种非接触式的自动识别技术，通过射频信号自动识别目标对象、获取数据信息并交换数据。RFID技术可识别高速运动物体并可同时识别多个标签，操作快捷方便。

在工作时，RFID读写器通过天线发送出一定频率的脉冲信号，当RFID标签进入磁场时，凭借感应电流所获得的能量发送出存储在芯片中的产品信息，或者主动发送某一频率的信号。阅读器对接收的信号进行解码，然后送到后台主系统进行相关处理。主系统根据逻辑运算判断该卡的合法性，针对不同的设定做出相应的处理和控制，发出指令信号控制执行动作。

2.3 数据采集难点

（1）数据量巨大

如果单纯是将数据采集到，可能还比较好完成。但是，因为必须要考虑数据的规范与清洗，所以在存储之前需要对海量的数据进行处理，从技术上又提高了难度。

（2）工业数据的协议不标准

互联网数据采集一般都是常见的HTTP等协议，但在工业领域，有ModBus、OPC、CAN、ControlNet、DeviceNet、Profibus、Zigbee等各类型工业协议，而且各个自动化设备生产及集成商还会自己开发各种私有的工业协议，导致在工业协议的互联互通上，出现了极大的难度。很多企业在工业现场实施综合自动化等项目时，遇到的最大问题就是面对众多的工业协议，无法及时有效的进行解析和采集。

（3）视频传输所需通讯带宽巨大

随着云计算技术的普及、公有云的兴起，大数据需要大量的计算资源和存储资源，因此工业数据逐步迁移到公有云已经是大势所趋了。现在一个工业企业可能会有几十路视频，成规模的企业会有上百路视频，如此大量的视频文件如何通过互联网顺畅的传输到云端，也是需要面临的巨大挑战。

（4）对原有系统的采集难度大

在实施大数据项目时，数据采集往往不仅仅是针对传感器或者PLC，而是采集已经部署完成的自动化系统的上位机数据。这些自动化系统在部署时，厂商水平参差不齐，大部分系统是没有数据接口的，文档也大量缺失，大量的现场系统没有点表等基础设置数据，使得对这部分数据采集的难度极大。

（5）安全性考虑不足

原先的工业系统都是运行在局域网中，安全问题不是突出考虑的重点。一旦需要通过云端调度工业之中最为核心的生产能力，又没有对安全的充分考虑，造成的损失是难以弥补的。

3、数据展示

数据采集、处理之后，需要对采集数据进行展示，例如智能产品/智能生产设备/智能测试设备运行状态报告，可以显示出当前每台设备的运行状态，是否空闲、空闲时间多少、是否加工中、加工时间多少、状态设置如何、正在运行中或是出了故障等。

数据展示需要对采集到的项目数据提供多种报表的展示，例如设备综合利用率OEE报表，能够准确清楚地分析出设备效率如何，在生产的哪个环节有多少损失，以及可以进行哪些改善工作。设备实时状态跟踪、能耗看板，将生产现场的设备状况第一时间传达给相应的使用者。企业通过对工厂设备状态的实时了解，可以实现即时、高效、准确的精细化设备管理。

1、概述

要实现设备的智慧管理、智慧数据处理，第一步需要拿到智能产品/智能生产设备/智能测试设备数据。除了智能产品/智能生产设备/智能测试设备数据采集，还要对智能产品/智能生产设备/智能测试设备数据进行聚合、清洗和优化等。

◉ 数据聚合：是数据处理的最后一步，通常指的是转换数据，是每一个数组生成一个单一的数值，比如sum( )、mean( )和count( )等。首先确保采集数据结构的完整性，然后借助聚合功能，使用规范格式（比如XML）在任何格式之间按需转换。

◉ 数据清洗：清洗、匹配数据并对所有异常进行处理，以确保数据的规范化、高质量。数据采集是一个大集合，难免会出现一些错误或有冲突的不想要的“脏数据”。需要按照一定的规则把“脏数据”“洗掉”，过滤掉那些不符合要求的、不完整的、错误的、重复的数据。

◉ 数据优化：要获得高信息含量的、有用的数据，除了要进行数据聚合及清洗，还要对数据进行优化，根据数据分析优化模型，对数据进行分析重组。

2、数据分析

在设备自动化过程中，产生了大量的数据，这些数据所蕴含的信息和价值并没有被充分挖掘，数据分析的目的就是弄清楚智能产品/智能生产设备/智能测试设备数据背后的含义。

从工业物联网角度来说，数据分析可以从以下两个方面来看：

（1）分析数据，形成分析结果，这是数据分析必须要做的一个基础事情。

（2）合理应用分析结果。分析的目的是把分析的结果应用起来，实现安全生产+节能减排+提高效率。这件事情是一件实实在在的事情，如果只是吹捧概念，无法真正落地，是很难做到数据的完美应用的。

3、边缘计算

边缘计算是一种分散式运算架构，将应用程序、数据资料与服务的运算，由网络中心节点，移往网络逻辑上的边缘节点来处理。它是将原本完全由中心节点处理的大型服务加以分解，切割成更小更容易管理的部分，分散到边缘节点去处理。如果把云端比作大脑，那么边缘计算就是神经末梢，对简单的刺激进行自处理并将处理的特征信息反馈给云端大脑。

随着物联网的发展，智能产品/智能生产设备/智能测试设备所产生的数据将越来越多，这些大规模数据需要放到云端进行处理。放到云端，就需要无穷无尽的传输带宽和数据处理能力，“云”难免不堪重负，因此需要边缘计算来分担云计算的压力。所以，在工业现场的边缘侧进行数据采集、处理及传输的边缘计算网关承担着不可小觑的重任。后期边缘计算与云平台再进行融会贯通，实现“边云一体化”，利用大数据分析赋能生产，能够发挥工业数据的真正价值。

边缘计算能够提供随处可得的不间断的互联网接入、全面的安全性和无线服务等，为真正意义上的智能产品/智能生产设备/智能测试设备信息化、智能化提供数据的高速通道。其强劲的边缘计算能力，在物联网边缘节点实现数据优化、实时响应、敏捷连接、智能分析，显著减少现场与中心端的数据流量，并避免云端运算能力遇到瓶颈。能够优化网络架构，更安全、更快响应，同时更智能化地实现现场业务。

另外，边缘计算具有多种工业协议，比如Modbus TCP、Modbus RTU、OPC UA、PROFINET、PROFIBUS-DP、EtherCAT、EhterNET/IP、CC-LINK、PPI等，还具有完善的网络功能，支持QoS功能、VLAN功能、虚拟IP映射功能、Sniffer功能等。

4、BI商业决策

4.1  BI概述

BI即商业智能，泛指用于业务分析的技术和工具，通过获取、处理原始数据，将其转化为有价值的信息来指导商业行动。BI能够为企业的商业运营提供基于历史、当下和未来的分析视角，涵盖了从运营到战略的每个层面。

BI可以为企业提供外部、内部两方面的信息分析。外部信息包括竞争对手、供应商、原材料、需求等信息，内部信息包括产品和服务的成本、质量等。BI能帮助企业了解最新趋势、抓住新的市场机会、发现潜在的威胁，从而更好地优化资源、改进财务绩效、引导产品潮流、提高服务水平，提升企业的竞争优势。

从行业发展来看，BI的发展是以较为完善的企业信息系统和稳定的业务系统为基础的，其未来的应用是与企业信息化的基础状况密切相关的。商业智能等于商业加智能，需要积累大量的设备、生产、业务数据，借助于数据仓库、数据建模、数据分析、数据挖掘等技术，结合商业知识建立分析模型，然后进行统计分析、深层挖掘，以可视化交互的方式进行展现。

4.2  BI系统的组成

（1）业务系统

不同于业务管理类的信息系统，BI系统对企业信息化本身提出了更高的要求。随着业务的推进，企业信息系统会产生大量的数据，BI系统通过定时、实时的方式从各个业务系统中获取最新的业务数据，然后进行规范加工、计算汇总，最后展示给各级用户。

（2）企业数据模型

BI系统中最有价值的部分是企业数据模型。数据模型是数据仓库落地的业务基础，数据仓库中按业务主题存储着企业的经营数据，是商业智能系统的核心组件。

（3）应用层

BI系统通过规范的数据管理，可以为用户提供多渠道、多种形式的数据服务：

综合报表：为企业各级人员提供传统、复杂的统计报表，大大减少各级数据分析人员的日常制表工作。

管理驾驶舱：为公司高层管理人员提供全面的、可视化的关键绩效指标分析工具，通过图形化的经营战略地图、KPI仪表盘、各种经营指标的变化趋势等，为不同的管理人员提供个性化的可视化展示。

监控和预警：实时监控企业各种关键绩效指标，并基于管理规则和业务计划，对超出正常范围的指标和计划延迟事项提供邮件、短信等多种提醒方式，保证关键问题能够及时获得管理层及相关人员的关注和解决。

分析挖掘：属于BI系统的高端应用。企业可以使用系统提供的数据分析工具和方法，对历史经营数据进行分析和挖掘，发现隐含的未知业务知识和规律，指导业务创新和辅助决策。

4.3 BI带来的价值

（1）给决策层带来的价值

BI能给高层管理者带来的最直接效益就是信息获取的效率获得极大提升，过去数天或者数周才能获得的数据报告，可以直接从管理驾驶舱中获得。管理者可以及时掌握公司整体运营状况，对关键项目进行全程的跟踪监控，及时发现或预见潜在偏差，组织通知相关人员分析问题的原因，采取相应措施进行调整。

管理驾驶舱是企业围绕着长期规划与短期计划、执行监控、问题分析、调整等过程实现的商业智能应用。

（2）给管理层带来的价值

BI帮助企业各级职能管理者面对行业环境的快速变化做出敏捷反应、科学决策，制定业务范围的合理经营目标，洞察出日常经营活动与计划产生偏差时能够及时采取的纠偏措施。在日常运营管理决策时用数据说话，无论好坏对错，是非成败，都要拿出数据，检查工作，研究问题，改进工作。从收集和分析信息开始，按规律办事，从工作中找出规律性，而不是拍脑袋的决策。

（3）给执行层带来的价值

BI能够带来的最直接的影响是效率的提升。通过BI系统，大部分报表变得随手可得。

综合以上，BI商业智能带来的最积极的影响是企业整体效率的提升，可以保证企业各级业务有序、按计划地执行，出现偏差后能够及时获得关注和处理，降低了企业的经营风险。

随着制造业的发展，智能产品/智能生产设备/智能测试设备的性能越来越好，功能也越来越强大，结构越来越复杂，自动化程度越来越高。同时，工厂对智能产品/智能生产设备/智能测试设备的安全、稳定性要求也越来越迫切。无论是智能制造还是智能产品/智能生产设备/智能测试设备，核心都是数据。过去，数据沉淀在设备里，无法提取出来，生产管理只能依赖经验，而不能依靠数据。而如今，可以通过设备联网，采集生产、设备数据甚至环境数据，设备成了能听懂指令和会说话的智能设备。

如今工业云环境已经初具规模，如果能将智能产品/智能生产设备/智能测试设备数据上云，对智能产品/智能生产设备/智能测试设备开展全面的状态监测、故障诊断及健康管理，将大幅保障设备安全可靠地运转。并且可以对智能产品/智能生产设备/智能测试设备数据进行分析，充分挖掘数据的价值，找到生产效率提升的关键因素。

数据的挑战是所有新技术挑战的主要表现形式。如何做好设备与设备之间的互联，不同设备之间数据的交互，在生产过程中、安装运维过程中的海量数据处理，已经不单纯是要解决数据联通，而是需要全方位的技术思考。

1. 人工智能赋能的数据产生价值

《人工智能标准化白皮书（2018版）》认为，人工智能是利用数字计算机或数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

1.1 人工智能的特征

（1）由人类设计，为人类服务，本质为计算，基础为数据。通过对数据的采集、加工、处理、分析和挖掘，形成有价值的信息流和知识模型。

（2）能感知环境，能产生反应，能与人交互，能与人互补。能够帮助企业做人类不擅长、不喜欢但机器能够完成的工作。

（3）有适应特性，有学习能力，有演化迭代，有连接扩展。人工智能系统具有一定的随环境、数据或任务变化而自适应调节参数或更新优化模型的能力，并且能够在此基础上通过与云、端、人、物等，进行越来越广泛的、深入的数字化连接扩展，使系统具有适应性、灵活性、扩展性，来应付不断变化的现实环境。

1.2 智能制造对人工智能的需求

（1）智能产品/智能生产设备/智能测试设备：包括智能产品/智能生产设备/智能测试设备、自动识别设备、人机交互系统、工业机器人以及数控机床等具体设备，涉及到跨媒体分析推理、自然语言处理、虚拟现实智能建模以及自主无人系统等关键技术。

（2）智能工厂：包括智能设计、智能生产、智能管理以及集成优化等具体内容，涉及到跨媒体分析推理、大数据智能、机器学习等关键技术。

（3）智能服务：包括大规模个性化定制、远程运维以及预测性维护等具体服务模式，涉及到跨媒体分析推理、自然语言处理、大数据智能、高级机器学习等关键技术。

1.3人工智能赋能价值

举个例子：比如设备预测性维护的人工智能应用。传统的设备维护方法是人工经常性的巡视、定期预防性检修，凭外观现象、指示仪表等判断可能出现的异常；定期对设备实行停止运行的例行检查，做预防性绝缘试验和机械动作试验等。一旦设备出现问题，只能逐个排查，需要耗费大量的人力、物力。

通过人工智能技术的赋能，可以实现预测性维护。通过边缘侧的数据采集、处理，基于数据驱动型的机器学习方法，充分发挥算法、模型的作用，借助于计算机的算力、学习力来寻找最优的维护参数，并获得更高的预测准确度。通过预测预控，变被动为主动，在机器发生故障之前自动检测到异常，并提醒用户进行有针对的维修维护。

再举个例子：比如商业决策BI的人工智能应用。传统的BI看板报警是基于事先设定好的规则，比如：阈值、警戒线等。一旦超出了设定的阈值或警戒线就自动告警。

通过人工智能技术的赋能，可以实现模型控制，比如：机器学习、深度学习等。人工智能对比过去的数据，自动选择适合的算法、自动判断告警、触发上述预测性维护指令等商业决策。

2. 云计算赋能的数据产生价值

随着物联网、工业大数据等信息网络技术和制造技术的融合发展，作为基础设施的云计算逐步向制造和服务领域渗透。解析服务、云数据、云存储等产品和解决方案的出现，极大地方便了物联网、大数据的工业部署，打通了工厂间的信息孤岛，使制造企业能够实现跨平台的海量数据分析和管理，实现快速响应和柔性高效的生产制造。工业云平台的推出为制造企业提供了协同设计、模拟仿真、物流追踪、智能控制等云服务，生产管理智能化水平得到明显提升。

无论工业物联网、大数据驱动、数字孪生这些概念说的如何天花乱坠，在实际工业生产过程中，如果不能解决企业的核心问题——提高利润、降低成本，都难免是纸上谈兵。虽然数据本身很重要，但能直接解决问题的服务应用对企业才更有价值。当前，除了如何采集数据之外，绝大部分企业面对的关键问题是如何运用数据产生价值！

通过云计算赋能，可以产生如下价值：

（1）通过云计算，能够将原本隐性的问题，通过对数据的挖掘变得显性，进而使以往不可见的风险能够被避免。

（2）将云计算与大数据、其他先进的分析工具相结合，能够实现产品的智能化升级，利用数据挖掘产生的信息为客户提供全生命周期的增值服务。

（3）利用数据寻找用户价值的缺口，开拓新的商业模式。云计算平台可以为客户的产品需求和企业的制造资源搭建沟通桥梁，企业可以通过客户端与云平台的双向沟通开展面向客户个性化需求的产品设计，并通过云平台将产品的生产状况和制造进度及时反馈给客户，实现产品全生命周期的用户参与。以用户需求为原点配置企业制造资源和能力，打造个性化产品，实现商业模式创新。

（4）云计算应用逐步普及，并不断向细分领域渗透，加速企业由硬件制造商向“制造+服务”的提供商转型。企业利用云计算结合大数据、物联网、在线监测等技术能够将产品的运作过程虚拟化传输到云资源池中进行故障诊断、寿命预测，并为软件问题提供在线解决方案，产品附加值得到提升。制造企业通过构建云平台，对外开放自身数据、知识、专家和制造资源，能够为第三方企业和用户提供数据分析、融资租赁、供应链管理等产业链延伸服务。

工业物联网是将上述所有创新技术融合的最新业务场景。具有感知、监控能力的各类采集、控制传感器或控制器，以及移动通信、智能分析等技术不断融入到工业生产过程各个环节，从而大幅度提高制造效率，改善产品质量，降低产品成本和资源消耗，最终实现将传统工业提升到智能化的新阶段。从应用形式上看，工业物联网的应用具有实时性、自动化、嵌入式、安全性和信息互联互通性等特点。

工业物联网是工业系统与互联网，以及高级计算、分析、传感技术的高度融合，也是工业生产加工过程与物联网技术的高度融合。它将制造业生产、监控、企业管理、供应链以及客户反馈等信息系统融为一体，通过数据中心对不同渠道的数据进行智能处理，从而提高生产效率、产品质量和用户满意度。

工业物联网具有全面感知、互联传输、智能处理及自组织和自维护的特点。即利用RFID、传感器、二维码等技术即时获取产品从生产、销售、市场等各个阶段的信息数据，通过专用网络和互联网相连的方式实现设备和网络的数据交互，利用云计算、模糊识别、神经网络等智能计算对数据进行分析并处理。同时，一个功能完善的工业物联网系统通过全方位互相连通，实现了自组织和自维护功能。

以前制造企业一直处于把数字世界和实体世界分离的局面，现在制造业厂商正逐步通过物联网将两个世界进行融合。从“管理、控制、智能”的角度来看，其实物联网与工业自动化是一脉相承的，工业自动化包含采集、传输、计算等环节，而物联网是全面感知、可靠传递、智慧处理，两者是相通的。

智能产品/智能生产设备/智能测试设备如何与工业物联网接轨？

（1）实现远程控制

为用户提供高效的服务。实现随时随地获取设备位置、工况、报警、故障、服务等信息，即便远在千里之外，设备出现了故障，各种故障信息数据也可及时传输至厂家系统控制室，再由专家将解决方案回传，最终完成问题的解决。实现设备操作的简单化、无人化、智能化，实现基于多设备类型的协同精细化生产管理水平，提升设备的质量和效率，并且节能降噪，保障效益的最大化。

（2）大数据的应用

智能产品/智能生产设备/智能测试设备融入物联网可以采集到庞大的数据量，这其实是一个金矿，如果利用得好，企业可以挖到非常可观的财富。比如能够实现全国甚至全球各地库存互联互通，实现泛供应链数字化管理，实时提供设备和备件、配件、易损品、易耗品库存和物流情况，向市场营销、售后服务、生产管理、电子商务等提供数字支持。并提供库存在线查询及周转率和成本统计分析，提供物流端到端监控及安全管理和物流成本核算等。

（3）完善售后服务

传统的后市场服务模式可以称为“被动式”服务，客户有需求，才会有专门的服务人员上门服务。随着物联网的发展，这样的服务模式越来越不能满足客户的需求，服务的方式需要由被动变为主动，即在客户尚未意识到自己需要服务时，企业就已经预知到客户需要相应的服务从而主动联系或者提醒客户，这样的场景化服务模式无疑会极大地提高客户的满意度和服务质量。可以通过物联网采集设备状态，对设备进行远程监控和故障诊断，避免设备非计划性停机，进而实现预测性维护，提供增值服务，并促进备品备件销售。

（4）服务转型

搭载物联网的东风，可以更大程度地实现智能产品/智能生产设备/智能测试设备的信息化和智能化，有助于完善信息化推进机制，推动信息技术深度应用，加快设备制造业向服务型制造的转型。

综上所述，工业物联网云平台除了通过对现场海量的设备以及他们产生的数据进行采集、进而联网，实现整个架构的纵向信息化、数字化整合，还有横向的业务、数据整合。方方面面的数据最终构成了万物互联的智能工厂。