19世纪的制造业被蒸汽驱动。在20世纪，它是电力。如今，制造业由数据驱动。
嵌入式传感器和连接的生产设备，如输送机，紧固工具和机器人，可以为制造工程师和工厂管理人员提供带有数据的数据。该信息能够更好地在工厂内做出更好，更快的决策，并使持续改进更加量化和纪律。
数据分析还可以帮助制造商提高生产力，减少交货时间，消除错误和加快上市时间。
但是，如果没有软件来收集、分析和显示数据，世界上所有的数据都是无用的。数据驱动制造业的爆炸式增长也给制造商带来了许多新的挑战和麻烦。
数据分析是当今制造业最热门的术语之一。然而，这不仅仅是一种时尚。它可以使所有行业的大大小小的制造商受益。
据麦肯锡公司称，通过先进的分析，制造商可以深入潜入历史过程数据，确定离散的过程步骤和输入之间的模式和关系，然后优化证明对产量最大的因素。
宝马(BMW)和罗尔斯•罗伊斯(Rolls-Royce)等大型制造商一直在利用大数据来发现错误模式，并对发动机进行预测建模，以保证质量。生产数据存储设备的希捷科技公司(Seagate Technology)声称，通过提高效率和改善流程质量，该公司已经获得了300%的投资回报。
OSIsoft LLC的市场负责人Enrique Herrera说:“一个误区是，数据分析只会让大型制造商受益。”OSIsoft LLC是一家专注于收集、分析和可视化来自多个工业物联网(IIoT)来源的大数据的软件公司。
埃雷拉指出:“我们看到许多中型制造商凭借自身的力量取得了巨大的进步。”他们利用数据分析根据实时信息做出决策，以改善作业，减少停机时间，并在系统故障发生前检测到故障。”
一个很好的例子是加拿大公司，加拿大公司，制作轴，扫帚，耙子，雪铲和其他类型的户外手工工具。“[数据分析能够实现]员工有实时可视性的生产及其性能，”Herrera解释道。“而不是怨恨它，人们喜欢了这些信息。生产力增加了12％，并在两年内为自己支付了12％。“
其他公司正在使用数据分析来推动精益的制造工作。
“分析是公司拥有持续改进计划的公司的自然下一步，并通过指标管理他们的业务，”LNS研究的客户行动副总裁Patrick Fetterman说。“通过达到生产机器和设备已经产生的数据，制造商可以提高质量，正常运行时间和吞吐量。这些数据中有秘密，他们可以用正确类型的分析解锁。
“在一家公司一直专注于10年以上的持续改进之后，改善往往会变得越来越小，更小，”注意事项。“更多公司现在正在寻找分析，以便从更大的改进改善更大的改进改善方面是一种方式。”
“生产机器有很多数据，”营销高级副总裁Sanket Amberkar是一家专门从事预测运营的软件公司。“这通常是由传感器信号产生的时间序列数据的形式。
Amberkar解释说:“直到最近，大多数工厂只会使用其中一小部分数据用于任何类型的实时控制或质量目的。”“很多正在生成的数据都没有被利用，无法用于预测目的。
Amberkar指出:“如今，机器学习使制造商能够实时处理大量数据，这对工程师来说非常有用。我们的目标是让运营团队能够根据这些洞察力采取行动，而不需要数据科学家。”
Falkonry一直在使用各种制造商来帮助他们提高产品质量。例如，它最近帮助丰田工业设备制造公司（TIEM）分析了机器人焊接操作，以减少叉车的变化。
“我们的软件使TIEM工程师能够在不到3分钟内分析62,000焊缝，”amberkar声称。“该公司能够将焊缝数量减少96％，导致年度节省1000万美元。”
数据定义
数据分析是从一组信息中提取见解的过程。有了正确的技术，这些信息可以从任何过程或任何生产设备中收集和检查。
“数据分析是一种深度学习，”希捷科技全球营销高级总监Rags Srinivasan说它允许比人类主题专家更快更准确地识别缺陷和改进。数据驱动的世界总是在跟踪、监视、倾听和观察，因为它总是在学习。
“IIOT和纪律的数据管理可以在迅速决策中将制造商带到最后一英里，为工厂带来更大的服务水平，”Srinivasan解释道。“另外，它们可以更快地解决工厂和过程问题的违规行为，而不是公司的成本较低。
制造业内部已经存在大量数据。
斯里尼瓦桑说:“尽管工厂多年来一直在过程控制中利用实时数据，但企业正在增加对(它)的捕获和使用，以包括工业物联网和实际产品用户的数据，跟踪从发动机位置到性能到轴承疲劳的一切。”预测性维护和资产性能管理正成为巨大的数据引擎，推动着数据管理和分析策略的采用，专注于卓越的运营。”
“传统的数据分析用于了解过去的过去和目前的现状，例如预测机器停止的缺陷或频率的概率，”Teatarobot Inc.的制造总监Hikaru Fuji Adds Hikaru Fuji是专门的自动化机器学习。
富士公司解释说:“机器学习生成的预测模型会告诉(工程师)未来的情况或事件，这样他们就可以为未来的情况做准备，避免更大的问题。”“这直接影响了生产的盈利能力。”
数据分析也可以指过程或产品。
Acumatica是一家专门从事企业资源规划软件的公司，该公司的产品营销总监雷·瑞贝罗(Ray Rebello)说:“这个过程包括从各种来源收集信息，进行筛选，重新格式化，然后以一种能够做出商业决策的方式呈现出来。”“数据分析产品从基本的报告和仪表板一直到高级的商业智能应用程序，其中一些需要单独的数据仓库。
“无论哪种情况，我们的目标都是在个性化仪表板上为管理层、员工和供应商提供商业见解，”瑞贝洛解释说。
创新制造商正在从传统的商业智能转向现代数据分析。目标是使工程师能够分析多个数据集，以最大限度地提高其生产力和盈利能力。
软件公司Exasol的首席技术官Mathias Golombek声称:“制造业正在为数据主导的战略设定基准。”Exasol声称自己生产了世界上最快的数据分析平台。“制造商在将数据应用于准确的销售预测方面更为先进，在这种情况下，它可能意味着通过即时生产成功满足需求，或成为生产过剩或不足的受害者。”
Golombek指出:“制造商可以利用数据分析来预测关键资产的失败，从而优化关键资产的运行时间。“这通常会减少30%到50%的机器停机时间，增加20%到40%的机器寿命。数据分析还可以帮助优化机器和流程的交互，从而在复杂的生产系统和供应链中实现利润最大化。”
然而，Golombek声称，制造业仍未充分发挥其潜力。”目前只有20%的公司正在实施以数据为导向的战略，40%的公司没有计划在未来两年内开始采用数据战略，”他解释道。
数据在智能工厂中的作用
数据分析在“智能”工厂中起着关键作用。事实上，这是所有行业4.0和数字制造计划的骨干。
“Data is the most important asset manufacturers have today,” says Brian Tilley, managing director of technology for Dploy Solutions, a division of TBM Consulting Co. “Many companies are finding opportunities that they didn’t know they had until they started to analyze their data.
“未来数据的数量、准确性和多样性都将发生变化，”Tilley预测道。“制造商将会比现在捕获更多的信息。将会有更多不同种类的信息被捕捉，比如照片、声音文件、视频和振动。这将为智能工厂带来巨大的能力。”
数据分析在智能工厂中的主要作用是识别不同数据流之间的关系，并创建新的性能指标可能不会立即显而易见。该功能使制造商能够在问题或停机前触发动作，以及提高生产力和产品质量。
“通过预测失败最大限度地减少生产中断是数据分析的最大利益，”灯光广告资源CEO表示，该公司的首席执行官Elhay Farkash表示，该公司生产软件，分析了传感器数据，以帮助制造商节省能源，提高生产率和减少停机时间。“数据分析可以通过成本节约，效率和质量来提高制造商的竞争优势。
Farkash指出:“在当今世界，商品和服务已经商品化，成本和质量成为最重要的竞争优势。“这些数据可以通过分析激活和触发。”
Acumatica的Rebello补充说:“智能工厂是一个管理和员工优化工作、机械和设备以改善流程的环境。”“在组装过程中，有许多不同的信息源可以通过传感器和测量设备连接到物联网。
“Data Analytics管理此信息，并通过整体指标和警报来帮助确定需要的注意力，”Rebello指出。“大部分好处是在装配过程中，但它也延伸到物流和产品生命周期管理。”
“如果‘智能’工厂意味着高度优化的运营，利用先进的信息技术，那么数据分析在这些工厂的运营方式中扮演着不可或缺的角色，”DataRobot的Fuji说由高级数据分析和自动机器学习创建的预测模型可以预测用户可以利用的可能场景，以优化操作。”
如今，所有行业的制造商面临着更短的产品周期，更严格的预算和更大的供应链多样性。由于传感器的快速增长和从冰箱到门锁的一切中发现的传感器和其他仪器的快速增长，产品本身更加复杂。这需要强大的数据操作平台，可以监控和管理生产线。
“数据必须提供两个关键功能：安全性和快速分析它的能力，”Devo Technology项目管理总监Bala Ganesh说，该公司专门从事实时数据分析软件。“分析和机器学习技术[应该应用]传入和历史数据，以在数据中找到有意义的模式。”
在从第三个工业革命到工业4.0的演变中，工厂正在从计算机控制，自动化生产线到高度网络系统的发展。这些由IIOT启用的网络由传感器节点组成，捕获在流程，库存，设备，工具和产品上制造制造数据。此数据的卷通过连接到云的IIOT网关网络传输。
“这种‘大数据’是智能工厂的核心，使(工程师)能够利用人工智能、机器学习和深度学习分析和开发先进的算法，从数据中实时获得洞察，并将行动送回机器或操作人员，”Kim Devlin-Allen表示。Cyient Inc.的解决方案营销总监，这是一家专注于制造数据分析应用的公司。
德夫林-艾伦指出:“与20世纪末基于规则的自动化不同，智能工厂可以不断地从历史和新数据中学习。20世纪末期的自动化具有一致性和速度，但缺乏适应人、设备和环境的灵活性。”“(数据分析)能够识别哪些数据有用，哪些没用，甚至哪些数据缺失。
“智能工厂旨在不仅可以快速移动，而且使用数据在何处提供方向，以期在眨眼之间积极调整动作和调整工作流程优先级，”Devlin-Allen解释说。
数据分析的基本要素
云，边缘和数据湖的术语，但它们是任何数据分析计划背后的关键元素。数据生成通过嵌入生产设备中的传感器，例如装配机，输送机和机器人。除了数据采集硬件外，制造商还需要数据采集软件，分析平台软件和监控和可视化软件。
数据分析过程有三个基本步骤:数据采集、应用分析和输出。
“数据采集需要连接到生产设备，通常通过边缘设备或其他类型的硬件，然后捕获并导入数据，”LNS研究公司的费特曼表示。“第二步是使用高级统计建模或机器学习软件应用分析。最后一步是通过应用程序层或可视化层输出，比如显示质量、正常运行时间或吞吐量信息的仪表板。”
Cyient的Devlin Allen补充道：“利用分析软件从大数据中获取见解需要公司投资于从边缘到云的技术。”关键硬件部件包括位于固定设备上的传感器和执行器。
“边缘预处理的传感器节点和网关和向服务器发送到服务器的聚合数据，这些数据需要在云或内部部署中需要处理和存储容量”，“devlin-allen解释说明。“边缘网关处的固件必须支持工业网络通信协议，以与您的工厂操作集成，并支持所需的连接和输入输出选项。”
一旦数据被发送到云端，一个物联网软件平台支持工业物联网网络中端点的设备管理，支持数据存储、数据加密、数据管理的中间件，以及足够的处理能力和存储来运行数据分析元素，如数据清理、过滤、转换、模型构建和验证。
“当人们谈论IIOR时，数据生成很少是一个焦点，但由于它确保了质量的原始数据，这是极其重要的，”Datarobot的富士说。“机械和机器人也被视为数据生成点。同样，如果人类安装一些传感器以跟踪身体运动[或在装配线上使用可穿戴设备]，那些传感器将分类为生成点。
“可编程逻辑控制器（PLC）是数据采集中最常见的组件之一，”富士补充道PLC使机器和机器人能够被监控。
富士警告说:“然而，我们在plc上看到的数据不会持续太久。”因此，这些数据采集点应该被提取并存储在边缘PC上。边缘PC位于生产线附近，临时存储数据，并在需要时对数据做一些预处理。”
由于有几种协议和许多供应商专有连接方法，因此制造商需要软件，使其能够连接到多个数据收集点。
众多好处
数据分析可以帮助制造商提高生产率和简化装配操作。
“在大数据出现之前，工厂几乎没有设备故障的迹象，”专注于企业资源规划软件的Aptean公司的TabWare和Activplant产品线主管凯•詹金斯(Kay Jenkins)说。“一台机器会突然停止运转，让生产停滞几天甚至几周。
Jenkins解释道:“如今，通过使用物联网传感器和数据分析，工程师可以测量设备振动，以了解‘正常’操作的外观和感觉。”“当振动开始偏离预定的模式时，它们可以及早发现待处理故障，从而有时间计划和安排维修，避免或显著减少停机时间。
詹金斯指出:“数据分析还能让(制造商)跟踪产品在装配线不同区域移动所需的时间。”“如果数据告诉管理层，一个领域的发展速度比其他领域慢，他们可以寻找根本原因并解决问题，从人员不平等到资产表现不佳等问题。积极主动的措施使制造商能够以最佳产能运行。
詹金斯表示:“如今的制造业形势要求我们实行精益生产，因为消费者希望他们的产品更快、更便宜。”“另一方面，我们的行业面临人才短缺，所以扩大我们的团队不是一个可持续的解决方案。利用数据分析来改善流程是我们利用现有资源达到所需效率水平的唯一选择。”
“过去几十年的自动化推动了生产力和更加一致的制造质量的显着进展，”裂口的Devlin-Allen增加。“当操作顺利运行时，它提供了更高的产量，提高了质量和规模经济。今天的挑战是始终存在影响装配线的变量。
“运营商拥有不同的经验和部落知识，可能难以捕获数据，”Devlin-Allen解释道。“一块设备可以更旧，维护问题比它旁边的新的问题更多。一种质量缺陷，破碎的机器，操作员错误或延迟库存可以保持整个生产线。“
“分析桥梁对现实世界的输出桥接利用数字世界的速度和力量来集成更多信息，适应它并发展运营以获得更好的业务结果，”Devlin-Allen指出。“传感器技术，连接，通信网络和云的进步意味着制造商可以解决以前太复杂，过于复杂，耗时的挑战，或缺乏足够的信息来确定根本原因并验证。”
新技术，如人工智能，机器学习和深度学习，不仅可以帮助工程师更快，准确地识别历史数据的模式和趋势，但他们可以学习和适应，因为新数据进来。分析可以合并先前的不同数据各种业务系统使装配线可以更聪明。
“虽然驾驶效率，提高质量和降低成本是今天智能工厂的主要利益，但明天将塑造的福利是如何产生和发展新的商机，”德文艾伦索赔。“支持消费者和业务客户的IIT启用产品可以向您发送数据，帮助改善您的产品或服务，并开辟新的收入流，以前从未探索过，所有这些都被数据归还。”
应用数据分析
各种制造商正在使用数据分析来提高生产率并保持竞争优势。
一家公司在数据革命的最前沿是电子行业领先的合同制造商Sanmina Corp.。它在全球75个连接的设施和25,000件连接在云中连接的设施。一个示例是闭环反馈系统，以优化组装期间在印刷电路板（PCB）上分配的焊膏量，或者将部件的自动焊接到PCB。
“Sanmina的自动化光学检测设备评估一个成品PCB上一系列焊点的焊锡量，”Sanmina专门从事云制造系统的42Q部门的高级副总裁Gelston Howell说。它在企业资源计划系统和工厂中的制造设备之间运行，使工业4.0的实现更简单、更具成本效益。
“如果焊料卷在更高或更低（但仍然在规格内），制造自动化系统将信号发送到焊料模板印刷设备以调整膏体量，通常在面板的一个象限中，”豪威尔解释说。“这种数据分析的应用可以提高产量并减少缺陷。”
Sanmina还将数据分析应用于大批量医疗设备的制造。有一种产品有一个传感器，精确度为±10%。不过，如果传感器经过校准，其精度为±可以实现5％。
豪厄尔声称：“如果没有自动化的数据分析和校准，这种设备就不会以合理的成本制造出来。”Sanmina实施了一条全自动生产线，通过在生产过程中进行五次实时模拟电气测量，然后使用校准方程，得出加载到医疗设备存储器中的校正系数，就可以对该传感器进行校准。”
波音最近在英格兰谢菲尔德的一个制造厂，生产了100多种不同的致动系统组件，在737和767射架喷射器中使用。这些组件在两种型号的翅膀的后缘上使用，负责延长和缩回翼，以在起飞和着陆期间以低速提供额外的升力。
这座最先进的工厂是波音新垂直整合战略的旗舰，也是波音工业4.0的标杆。它具有完全数字化的基础设施。
目标是利用波音2世纪企业系统的所有能力。该架构是一个原始的IOT平台，以便在生产生命周期管理，制造操作管理和企业资源计划流程中无缝共享和传达数据。
波音的目标是使用数据分析来实现更好的决策，提高生产率并降低成本。谢菲尔德工厂的内部网络利用行业4.0技术在设施内收集和分享数据。
该工厂覆盖着射频识别（RFID）硬件，能够超宽带和被动跟踪。它的目的是跟踪和跟踪工具，零件和组件。RFID硬件还将与多个系统集成，以实现供应链数字线程。
去年，动力转向和传动系统的一级供应商Nexteer Automotive实施了一项名为“数字跟踪制造”的计划。它使用数据分析来支持公司在全球的24个生产基地。
“我们正在使用一个连接点的方法，其中世界各地的数以千计的数据生产点都标准化并互相交谈，”副总裁兼北美首席运营官Dennis Hoog说。“每个点代表一台机器，过程，数据库，文档和机器人。
“当连接点时，结果是一个常见的全局架构，”Hoeg解释说。“数字轨迹制造[使我们]实时地提供动态，全面的制造业务综述。
“[数据分析系统]帮助工程师在此过程中提前积极确认产品质量，可能会消除对昂贵的线路终端测试的需求，”Hoeg。“它跟踪并存储序列号特定数据以沿制造过程测量性能;保留一个虚拟命令中心来分析拒绝部件的根本原因并进行快速，纠正措施;并集成捕获产品信息的数据库，以便可以进行完整的分析和迅速问题解决。“
根据Hoeg的说法，该系统将所有公司的制造数据指向一个实体连接，使其能够“Garner清晰，实时的全球制造活动观点;加快和扩大持续改进;优化容量，工厂地板物流，库存和规划;并用数据驱动，符合人体工程学工作站设计的简化制造环境。“
霍尼韦尔最近实施了数据分析，以简化日本埼玉赛马喀山涡轮增压器厂的运营。基于云的技术使工程师能够远程识别，分析和优化整个工厂的能耗，以及所有连接的现场设备。
资产性能系统将设备连接到云端，并应用分析模型来监控和预测未来的性能，以避免关键故障和无计划的停机。
数据从功率计、流量计和空气压缩机等近70个不同的现场设备收集，并安全地传输到基于云的环境。它将流程数据与资产数据相结合，提供分析和关键绩效指标，为工厂管理提供洞察力。
通用电气辉煌照明工厂在亨德森维尔，NC，生产商用户外LED照明产品，目前，供电由通用电气部门。这家有64年历史的工厂使用尖端技术，将传感器嵌入灯具中。
数字能源管理系统跟踪实时消耗数据并实现工厂级别分析。传感器嵌入LED照明收集数据并在顶部打开“打开，底部型号”，允许重新分配收集的所有数据。该系统是硬件和软件不可知论，它使工厂内的所有人员能够访问数据流。
“我们的分析有助于控制灯光以节省能源，满足可持续发展目标，”GE电流的首席数字官Garrett Miller说。“照明到处都是。它提供了一个很好的有利程度，可以收集有关物理环境的数据。“
GE将其辉煌的工厂概念定义为“通过重新称解我们设计，制造和服务产品的方式提高生产力”。它利用物联网来实现智能制造环境。该策略的一个关键要素是Predix，是一种基于云的工业操作的操作系统。
除了衡量能源消耗模式外，通用电气亨德森维尔工厂还利用数据分析改进材料管理。
“镶嵌在天花板照明中的传感器与工厂地板上附着在叉车和托盘上的传感器进行通信，”米勒解释说。“这使得材料能够定位在最佳位置以进入装配线。”
诺斯罗普·格鲁曼航空航天系统公司位于加州帕姆代尔的工厂，F-35综合装配线和2013年份组装植物也是应用尖端数据分析技术的领导者。其“装配元数据集成项目”从生产F-35喷气式战斗机中心机身部分的设施的自动化系统中提取质量数据。
“它使用高级分析来挖掘数据，并自动化其他繁琐的手工努力，以识别差异，生成报告，评估和记录质量数据，以及定义和指导纠正措施，”全球操作副总裁Kevin Mitchell说。
“启用了分析的[系统]使[US]能够在发散机上的机器零件，然后钻精密孔孔，”米切尔添加。“该项目可降低复杂性，成本，设施要求和风险，同时提高吞吐量和设计变化敏感性。”
“[数据分析使我们能够进行]捕获和分析数据，以获得制造挑战的有意义的见解，”米切尔解释道。“通过将机身制造数据与人工智能和机器学习组合，[我们]捕获人类变异性和工作内容，减少返工，中断和停机时间。”
