随着成熟度日益上升，加之使用案例的延展，制造性企业在享受过去的成果的同时，也在慢慢掌握并且启用新的数据源，包括逐步开始着眼从资产/设备中增加数据。

李杰教授在8月3日的全球首席信息官论坛的发言中谈到，没有背景的数据是没有价值的、不可用的，同样也是无法分析的。这也是工业物联网的融合全面多元数据的核心意义所在。这让我不禁想起宋代诗人杨万里的那首传世佳作：《晓出净慈寺送林子方》的传世佳作。

    毕竟西湖六月中，风光不与四时同。

接天莲叶无穷碧，映日荷花别样红。

莲花虽较为常见，但尤以西湖的莲花名声远扬。西湖六月风光有其特色，杨万里在诗句中并没有流露出对酷暑的不耐烦，而充分肯定了朋友林子方的高洁品格。如果没有那碧波万顷的西湖与荷叶的背景信息，现代的我们似乎很难体味诗人此刻的心态与心事。从今天的大数据分析角度来看，这与环境数据有异曲同工之妙。让我借此来简略分析一下架构工业物联网的数据流构架与大数据。

我们不要太早地去设定框架

当企业在考虑采用工业物联网（IIoT）链接与工业大数据分析的时候，最好的方法是找到一个适合企业的案例或应用作为入口。这已经是一种较为普遍的惯性思维模式。但这似乎并不是我们想像中的那么简单，因为我们很容易发现，要找到非常通用的、适合众多企业的单一使用案例并不存在。相反地，这些应用场景却分布在制造业企业部门的各个传统驱动要素里面，包括能源、可靠性、质量、生产、设计等等。换句话来讲，就是工业物联网与大数据的结合没有固定的模式，没有固定的架构，可是，我们今天却给出了太多的框架。

过紧或过松的工程与制造公差所引发的故障导致客户无法享用产品或者是成品的货到即损质量问题等，都属于成功的工业物联网的应用案例。在结合多方实地调研以及与企业的项目合作之后，我们发现，远程监控在这两年依然居于工业物联网与大数据结合案例的首位。能源效率的管理紧随其后，而资产可靠性与设备智能所带来的质量提升则位居第三。业务转型措施被多数企业看作长期使用案例，更有可能成为明年及以后的目标。

正是这些早期的成功案例，使得新的应用创新以及应用的方向转变成为可能。例如，从出售资产变为出售能力等共享经济的模式。美国NSF智能维护系统中心主任李杰教授在《工业大数据》一书中指出，实现制造业的价值化，实现用户需求、产品设计、制造和营销的配合，根据生产状况实现系统自我调整，降低生产过程中的浪费以及制造工业环保与安全是大数据工业制造的五大核心支撑。

重视显性因素和不显性因素的必要融合

五大支柱的焦点就是显性因素和不显性因素的融合。我们曾经关心的是产品的制造、产品的制造工艺、产品本身的质量等显性因素。考虑的因素都是可以触摸的、可直观判断的。在工业大数据里，要解决的问题却是那些不显性因素。设备处在一个在亚健康状态，我们不仅看不到，更不明白问题的根源在那里。

由于问题大部分与显而易见的关系有关，其中包括隐形的讯息、零配件供应商、复杂的制造流程、多变的环境状况和客户使用方案等。对于未来的智能制造而言，想要达到零宕机、零排放或是零维修等目的，我们必须突破的一个关键点，就是关注相关隐形的因素，做好量化与数据交叉关联分析。

今时今日，多数公司依然通过信息系统层次结构的控制来实现对数据流的管理，我们已经看到不少企业开始尝试从下至上、向顶层的企业应用系统和分析管控平台输送IIoT的数据的方式。而另外一种尝试就是从外源数据层，数据也同时通过企业各种门户流向的工业物联网的云端。现在的问题就是，外源的数据能否在直接与现有自动化设备相连的门户的“物”的一侧实现，或通过传感器和连接器的第二系统实现对接。

传感器门户云的这种方案有利有弊。好的一面是，基于传感器的解决方案，尤其是专注于提供这些传感器产生的数据所形成的价值，比现有的自动化解决方案的部署更快更方便，也会经常提供积极的短期投资回报率。而不足之处便是，所产生的数据大多是控制系统内已经收集到的数据，毕竟，缺乏控制系统环境的测量数据点与环境数据的采集是较为突出的问题。

无法产生价值，没有人会在意数据的所有权

伴随着对数据所产生的价值驱动被大众广为接受后，数据所有权及数据共享的问题变得越来越突出。那么究竟是资产设备的制造者，还是用户的机器拥有数据，目前市场没有定论。如果我们沿用信息管理的最佳实践，认同客户拥有这些数据，而设备制造者的角色是配合用户，以做好数据保管者的工作为主。的确，有一些设备供应商比较坚持自己拥有数据，而且并不愿意与客户分享原始数据，但多数供应商至少倾向为客户提供原始数据访问的有效途径，来共同参与全制造链的改进与提升。

数据的所有权与资产/设备是否为企业带来竞争优势有密切的关系。当机器的使用还不具备竞争优势，或是没有真正为企业带来新的竞争优势的时候，数据所有与分享一般都不会得到太多的重视。一直到当机器的使用确实产生了竞争优势时，资产使用者会更多地保护数据。

伴随着大数据理念井喷式的发展，用户对于大数据理解的成熟度也迅速提升。能够很明确的一点是，当客户没有拥有数据时，他们是不会为原始数据买单的。相反，对于供应商而言，只有通过共享数据并且提供给客户有价值的服务，才能从工业物联网的设备数据中获得回报。

考虑到各种各样的工业物联网应用案例与场景，其中也包括新数据源，改变系统架构的数据以及多结构化数据等因素，我们今天的制造企业并不完全拥有适当的分析能力与相关的人才。不少制造业企业的确有很多数据分析的经验，但主要是集中在结构性数据集的基础上进行描述性分析，而不是利用大数据，融合实时与各种非结构化数据共同进行预测性和规范性分析。

那么，这也意味着产业链需要全面紧密的合作，企业不仅既需要投资合适的技术，更重要的是更为重要的是，也也需要投资过程和培训。正如西格玛和精益已被融进持续改进措施之中，数字建模，机器自学习等大数据工具也需要进行深化改造，进入到制造业的每一个环节，每一个细小的功能，让制造业专家来充分使用这些大数据工具，而不仅仅专属于数据科学家的专属。

需要加速实施智能连接资产实现智能运营

在工业大数据的推动下，趋势分析，统计分布分析，统计过程控制与优化，包括回归分析等开始运用到大量资产连接后所提供的数据。工业物联网平台技术的出现不仅仅是提升了分析的广度，更出现了加速淡化了传统分层模型的趋势与可能性。

自90年代初诞生的制造企业生产过程执行管理系统（MES），作为制造业协同管理的平台为现今制造的管理打下了坚实的基础。制造执行系统协会（MESA）在给MES定义中特别指出，MES必须提供实时收集生产过程中数据的功能，并作出相应的分析和处理。而如今的工业物联网在这定义的基础上，逐步使之成为智能连接运营的协调、优化平台，而不仅仅是执行与合规的集成和分析中间介层。

工业物联网平台引起无数供应商的关注是因为工业物联网平台的构成自身就是一个多元化的整合以及不同元素之间相互探索的平台。到2020年，根据埃森则的报告，到2020年，全球传感器的数量将达到2120亿，设备所产生的数据流量接近16EB。而资产/设备是这一切的一切。

全面启用智能连接资产/设备将能够使任何地方的工业大数据传输到任何别的地方，从一种分散控制器变为集中控制，再到全分散控制的新模式，以及支持真正的端对端价值链流程的混搭应用程序与分析功能。资产/设备全面连接不仅仅会转变控制系统层次结构，也同样会改变企业的应用程序。能够灵活处理运营数据而不仅仅是结构性交易数据，甚至有可能会颠覆我们长期基于会计的运用操作模式。