當前，提升生產管理過程的數字化、自動化和智能化水平已經成為制造業轉型的主要手段和方式。而所謂智能，就是一個包含了感知、認識、學習、調整和適應等環節的循環過程，可以根據目標做出決策并采取行動以得到所期望的效果。其中，知識是智能實現的基礎，智力是獲取和運用知識求解的能力。智能制造的實踐過程就是讓企業可以通過對設備運行數據的采集和分析，實現對生產制造過程進行諸如推理、判斷、構思和決策等智能活動。最終讓機器延伸或部分地取代人類專家在制造過程中的體力和腦力勞動，把制造自動化擴展到柔性化、智能化和高度集成化。

讓機器具備一定的判斷和決策能力是智能制造實踐的基礎。這一過程中，企業需要將數據轉換成信息，再將信息轉換成知識，通過知識的積累最終形成可供執行的模型或規則，進而實現對生產過程與設備的實時診斷、預警與優化建議的流程、技術與工具。因此，在智能制造實踐過程中，數據就是燃料，分析就是引擎。通過對大量過程數據的分析，使得企業能及時、準確地了解設備運行狀態和生產過程狀態，并及時的做出判斷和決策。因此，在推進工廠智能化轉型過程中，實現設備的互聯只是第一步，更重要的是通過對設備的互聯，將傳感器等智能工具嵌入到關鍵的設備中，最終實現對這些設備運行狀態的數據采集。通過實時的數據采集實現對設備狀態的健康狀態分析。

在制造企業的車間，生產系統不斷產生大量的實時數據，如運動軸狀態（電流、位置、速度、溫度等）、主軸狀態（功率、扭矩、速度、溫度等）、機床運行狀態數據（溫度、振動、PLC、I/O、報警和故障信息）、機床操作狀態數據（開機、關機、斷電、急停等）、加工程序數據（程序名稱、工件名稱、刀具、加工時間、程序執行時間、程序行號等）、傳感器數據（振動信號、聲發射信號等），對這些狀態信息的采集可以讓企業對出現的任何異動進行分析和診斷。

在設備層上，對單臺設備運行狀態數據的收集和分析所得到的結果，可以反饋回到設備的自動化控制閉環里，其方法包括通過對控制設定點和控制模式的動態調整。通過這種方式可以實現對設備運行進行有據可依的優化，也是將設備的運行從傳統的自動化向智能化發展的一條途徑。

當然，控制系統從自動化轉向比較完善的智能化需要有一段相當長的過渡時期。在這個過渡期中，對于大量現已部署的控制系統，為了增強其運行的智能化，我們首先可以對這些系統部署外帶的并行計算分析系統（如工業網關），然后在現有接口（如PLC）對這些控制系統實時收集數據，并在上述的外帶系統中對這些數據進行分析，最后把分析結果反饋回到控制系統以實現運行的優化。

在運營層上，相應于現有的大型SCADA或DCS，對設備群的數據的收集和分析可以驅動對生產設備的運營智能化的監控，包括對故障的智能檢測和診斷，預測性維護，能耗和材耗的管理，和其它運營方面的優化。

在業務層上，對設備運營數據分析的結果可以為業務規劃和流程以及產品設計等方面的智能化提供有價值的信息。

在智能工廠中，數據分析的結果應該首先是為了增強單機設備運行和設備群運營的智能程度，而這個過程要求的是及時的（接近實時的）、連續性的流式數據分析。傳統的批量性的數據挖掘方式在智能工廠中會繼續有其作用，如為運營系統的數據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。實現智能工廠的一個關鍵在于怎樣對設備進行數據收集和分析并將其結果即時地反饋到設備的運行和運營中、以及怎樣將這些分析結果與其它業務信息（如市場供求，供應鏈等等）融合，以推動生產的全面智能化。要有效地實現這些目的，就有三點值得強調：

首先，設備是連續運行的，其運行需要連續的智能反饋。所以分析系統必須對設備連續生成的數據流進行流式分析，及時并持續地為決策提供信息流，即時自動化地應用于設備連續的運行和運營流程中。反過來說，基于批量性和被動性查詢的傳統分析框架并不能有效地支持設備連續性的運行和運營。因而，流式分析必須是這些數據分析平臺的首要功能。

其次，從安全性、可靠性和有效性（如對時延和數據流量的約束）等方面去考慮，這些數據分析平臺必須提供分布式的分析，使其分析功能能夠在設備或生產設施的本地部署，支持邊緣計算的模式。

最后，這些數據分析平臺應該把所需的先進和難度大的分析技術提升和簡化，為客戶提供簡易部署、定制和維護的開箱即用分析系統，使客戶能夠快速迭代地演進其智能工廠應用。基于不少制造業企業并不專長于信息技術這一個現狀，我們應該盡力使他們在開發智能工廠的過程中受益于最新的包括機器學習等人工智能在內的高級數據分析技術，但不受其復雜性和特殊專業人才需求所困。