自工業(yè)革命以來，原材料和能源一直是每種制成品的基礎。在工業(yè)4.0中，數據變得比以往任何時候都更加重要，不僅可以降低運營成本，提高效率，還可以減少產品的每一部分，并從原材料和能源中獲取利潤。

幾十年前，工廠利用監(jiān)控和數據采集（SCADA）以及可編程邏輯控制器（PLC）等技術開創(chuàng)了物聯網（IoT）的先河。這些傳統(tǒng)的物聯網應用主要是關于控制機器人和其他設備，監(jiān)控生產以及識別諸如過熱泵等問題，這些都是有價值的。

工業(yè)4.0建立在該基礎之上，以實現更深入，更深入的業(yè)務洞察。例如，即時制造的趨勢意味著供應商面臨著比以往更大的壓力，以最大限度地減少停機時間并最大限度地提高產量。新一代“更智能”的傳感器和儀器，如高溫計，不僅可以測量處理中的產品，還可以測量其自身的其他關鍵參數，并確保它們在理想范圍內。這些數據有助于保持產品在班次，生產線和工廠之間的一致性。

如果溫度趨勢過高或過低，這也表明生產過程中的上游可能出現問題。在失敗的早期階段，溫度變化可能是如此微妙，以至于員工不會注意到。同樣的情況是機械臂由于軸承失效而逐漸減速 - 僅僅尚未達到其生產率受損的程度。如果使用正確，集成傳感器提供的數據可以在發(fā)生之前開始檢測到此故障。

這些見解使制造商能夠調整生產并仍能滿足最后期限。例如，如果產品溫度變化仍然在范圍內，制造商現在可以在生產到達需要維護的點時將生產轉移到另一條生產線。如果有足夠的預先警告，制造商也可以在周末安排停機時間。

這些數據還可以在更換設備時提供見解。例如，Cisco Kinetic等工具可以提取和分析數據，以便制造商了解哪些品牌和型號的設備和組件具有更高或更低的故障率和維護成本?，F在，它知道要購買哪些以及要避免哪些。因此，它可以更嚴格地控制維護等運營費用。

更多的物聯網傳感器可以提供更多的見解和更多的好處。以產品溫度趨勢超出范圍為例。設備和未完成產品上的上游傳感器提供了額外的數據，工業(yè)機械師可以使用這些數據快速查明問題。每小時，他們不必花費追蹤問題是他們可以用來修理它的一小時。每個機械師的工作效率越高，每個工廠需要的人員就越少。所有這些節(jié)省都流向了底線。

物聯網數據還有助于制造商實現其能效，污染和產品產量的目標。就新建工廠而言，能效目標通常包括獲得LEED認證。

原材料通常受到嚴格管制，包括基于使用量的昂貴許可證。以歐洲領先的用于生產光纖電纜的先進原材料制造商為例，其生產需要具有潛在危險的材料。它們的生產受到可安全存放在現場的前體材料數量的限制。隨著產品需求的增加，最大允許前體材料成為限制因素; 他們增加產量的唯一選擇是提高過程本身的效率。這需要深入學習和洞察他們的過程，以了解如何獲得這種改進。

物聯網數據使該公司能夠從其現有的天然氣分配中擰出更多米的電纜。它開始使用高溫計來密切監(jiān)測和控制溫度，這是衡量其過程有效性和效率的關鍵指標。這些見解使公司能夠以最大化產品質量和產量的方式優(yōu)化其工藝，從而減少其前體材料的使用，以實現相同的產量和產品質量。

這些和其他工業(yè)4.0應用程序的商業(yè)利益是制造商投資物聯網的主要原因，但它們不是唯一的原因。數字化轉型計劃的成本迅速下降是變革的另一個推動因素。不僅基于云的數據存儲和計算的成本降低，而且同時，可用于分析，理解和將這些數據轉換為可操作信息的工具也在增加?，F成的解決方案，如Microsoft BI，非常適合分析大量收集的數據，而且不需要少量的博士學位。數據科學家運行。存儲和分析數TB數據的成本從數千美元急劇下降到5美元。曾經無望的理想現在是實用和負擔得起的。

但這與說數字轉型就像購買軟件和傳感器一樣簡單就不一樣了。制造商通常尋求專家指導，以確定在何處部署物聯網設備，連接傳統(tǒng)工廠設備，以及選擇正確的網絡技術，以便安全可靠地將所有內容編織在一起。

許多制造商還希望了解如何理解物聯網提供的大量數據，例如確定哪些數據值得立即發(fā)出警報以及哪些數據可以存儲以供分析。垂直市場經驗特別有用，因為例如，物聯網合作伙伴可以建議生產過程的特定部分進行監(jiān)控，跟蹤哪些指標以及數據趨勢指示的內容。今天的制造過程非常復雜，很難快速，輕松地理解操作所有設備的復雜性，在許多情況下，可以從供應商自身獲得專業(yè)知識。關鍵供應商已經多年了解其獨特的產品，可以幫助定義關鍵參數，以確保在給定應用中實現最佳性能。

另一個例子是測量泵的油粘度，以確定何時需要更換，而不是簡單地依賴供應商推薦但過于頻繁的維護計劃。當粘度，振動和其他屬性表明需要維護時，機器學習可以通過教授人工智能發(fā)揮作用。AI和ML也是幾年前太不成熟和昂貴的技術的例子。

與幾乎所有其他類型的業(yè)務一樣，制造商將數字化轉型視為最大化效率，生產力，盈利能力和競爭力的必要過程。物聯網，人工智能和機器學習為這些數字化轉型奠定了基礎。

最后，我想結束這篇文章，談談與數字轉換相關的演化步驟。第一步是確認某些事情已經失?。ɡ鐐鞲衅鞑荒苷＿\行。第二步是能夠理解為什么這個傳感器/過程失敗。這些是物聯網轉型和未來工廠中最簡單的步驟。今天許多公司都處于這個水平。

第三步變得更具預測性：這意味著能夠在失敗之前確定某些事情何時失敗，并盡可能多地花費前置時間。生產者至少不希望因失敗而影響/損壞他們的最終產品或設備。但更好的是，他們希望提前通知安排必要的計劃維護（如上所述）。

這一演變中最后也是最具變革性的一步是從預測性轉變?yōu)橐?guī)范性，這意味著您可以在數據中看到某些事情即將失敗，但生產者能夠調整和調整流程，以便準確控制何時停機可能會招致 這需要對流程有重要的了解和洞察力，通常通過匯總大量數據并精確了解哪些參數會影響流程。在這個階段，所有樂器和傳感器都開始充當交響樂。

最后一步也是一個重要的轉變點，當擁有如此多信息和了解其流程的公司可以開始更精確地調整和控制其流程，以實現所需的產品均勻性，質量，制造成本和吞吐量。這種學習可以部署在一個站點上，但在整個企業(yè)的多個站點上更有效。公司很難在不同的制造地點實現相同的產品一致性，這很容易受到設施，地理位置，個人和供應的影響。這種物聯網革命可以協(xié)調這些全球運營，推動整個組織的產品和制造同步和改進。

來源：愛碼農