当前，提升生产管理过程的数字化、自动化和智能化水平已经成为制造业转型的主要手段和方式。而所谓智能，就是一个包含了感知、认识、学习、调整和适应等环节的循环过程，可以根据目标做出决策并采取行动以得到所期望的效果。其中，知识是智能实现的基础，智力是获取和运用知识求解的能力。智能制造的实践过程就是让企业可以通过对设备运行数据的采集和分析，实现对生产制造过程进行诸如推理、判断、构思和决策等智能活动。最终让机器延伸或部分地取代人类专家在制造过程中的体力和脑力劳动，把制造自动化扩展到柔性化、智能化和高度集成化。

 让机器具备一定的判断和决策能力是智能制造实践的基础。这一过程中，企业需要将数据转换成信息，再将信息转换成知识，通过知识的积累最终形成可供执行的模型或规则，进而实现对生产过程与设备的实时诊断、预警与优化建议的流程、技术与工具。因此，在智能制造实践过程中，数据就是燃料，分析就是引擎。通过对大量过程数据的分析，使得企业能及时、准确地了解设备运行状态和生产过程状态，并及时的做出判断和决策。因此，在推进工厂智能化转型过程中，实现设备的互联只是第一步，更重要的是通过对设备的互联，将传感器等智能工具嵌入到关键的设备中，最终实现对这些设备运行状态的数据采集。通过实时的数据采集实现对设备状态的健康状态分析。

 在制造企业的车间，生产系统不断产生大量的实时数据，如运动轴状态（电流、位置、速度、温度等）、主轴状态（功率、扭矩、速度、温度等）、机床运行状态数据（温度、振动、PLC、I/O、报警和故障信息）、机床操作状态数据（开机、关机、断电、急停等）、加工程序数据（程序名称、工件名称、刀具、加工时间、程序执行时间、程序行号等）、传感器数据（振动信号、声发射信号等），对这些状态信息的采集可以让企业对出现的任何异动进行分析和诊断。

 在设备层上，对单台设备运行状态数据的收集和分析所得到的结果，可以反馈回到设备的自动化控制闭环里，其方法包括通过对控制设定点和控制模式的动态调整。通过这种方式可以实现对设备运行进行有据可依的优化，也是将设备的运行从传统的自动化向智能化发展的一条途径。

 当然，控制系统从自动化转向比较完善的智能化需要有一段相当长的过渡时期。在这个过渡期中，对于大量现已部署的控制系统，为了增强其运行的智能化，我们首先可以对这些系统部署外带的并行计算分析系统（如工业网关），然后在现有接口（如PLC）对这些控制系统实时收集数据，并在上述的外带系统中对这些数据进行分析，最后把分析结果反馈回到控制系统以实现运行的优化。

 在运营层上，相应于现有的大型SCADA或DCS，对设备群的数据的收集和分析可以驱动对生产设备的运营智能化的监控，包括对故障的智能检测和诊断，预测性维护，能耗和材耗的管理，和其它运营方面的优化。

 在业务层上，对设备运营数据分析的结果可以为业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，数据分析的结果应该首先是为了增强单机设备运行和设备群运营的智能程度，而这个过程要求的是及时的（接近实时的）、连续性的流式数据分析。传统的批量性的数据挖掘方式在智能工厂中会继续有其作用，如为运营系统的数据分析建立模型或任何其它事后分析而用，但它不是其唯一的或主要的方式。实现智能工厂的一个关键在于怎样对设备进行数据收集和分析并将其结果即时地反馈到设备的运行和运营中、以及怎样将这些分析结果与其它业务信息（如市场供求，供应链等等）融合，以推动生产的全面智能化。要有效地实现这些目的，就有三点值得强调：

 首先，设备是连续运行的，其运行需要连续的智能反馈。所以分析系统必须对设备连续生成的数据流进行流式分析，及时并持续地为决策提供信息流，即时自动化地应用于设备连续的运行和运营流程中。反过来说，基于批量性和被动性查询的传统分析框架并不能有效地支持设备连续性的运行和运营。因而，流式分析必须是这些数据分析平台的首要功能。

 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，这些数据分析平台必须提供分布式的分析，使其分析功能能够在设备或生产设施的本地部署，支持边缘计算的模式。

 最后，这些数据分析平台应该把所需的先进和难度大的分析技术提升和简化，为客户提供简易部署、定制和维护的开箱即用分析系统，使客户能够快速迭代地演进其智能工厂应用。基于不少制造业企业并不专长于信息技术这一个现状，我们应该尽力使他们在开发智能工厂的过程中受益于最新的包括机器学习等人工智能在内的高级数据分析技术，但不受其复杂性和特殊专业人才需求所困。