工業4.0將徹底顛覆制造業。目前，制造業已經面臨激烈競爭，勝負之分取決于創新能力，適者生存在這里得到完美詮釋。IDC預測，到 2018年，20強制造企業（及任何其他行業的企業）將有 1/3會被數字變革顛覆。

成功將會眷顧那些能夠最快速應對消費者需求變化和市場突變的企業。對于現有車間系統缺乏必要敏捷性的很多企業而言，這是壞消息。而其他勇于接受挑戰的企業則將數字化視為難得的機遇，認為強者能夠在這個前所未有的時代抓住一切機會。投資于工業4.0或物聯網對于扭轉死板的制造模式、改善客戶關系及創造新收入至關重要。

投資于數字技術對于創建響應迅捷的需求驅動型制造模式至關重要

互聯制造的第一個要點是使用物聯網（IoT）將 “黑暗數據”（未使用的運營數據）關聯至可將其轉化為有用信息的 IT系統。在掌握這些數據后，制造商可使用高級分析和機器學習技術從數據中發掘重要洞察，并用于提升運營效率、生產力和敏捷性。

資產互聯可以給工廠車間帶來眾多改變，預測性維護便是其中之一。預測性維護根據真實數據分析設備狀況，而不是單純依據平均或預期生命周期統計數據確定是否需要維護，因而比傳統的預測技術更加有效，可以提升設備性能，最大限度減少意外停機，并降低運營成本。

制造消費或商用設備的 OEM發現，深化客戶關系和提升客戶忠誠度需要了解資產狀況。消費者接觸到這種基于狀況信息的維護概念也是最先通過汽車業。簡言之，如果您沒有想好如何通過提升可靠性取悅客戶，您可能已經落后于競爭對手。

在充滿挑戰的領域實現成功

日益提高的客戶期望為全球制造商帶來了大量新的收入來源，同時也帶來了挑戰。在一些勞動力較為廉價的國家和地區，工資水平正在快速提高。麥肯錫咨詢公司指出，資源價格的波動性、高技能人才短缺以及日益加劇的供應鏈和監管風險，使得如今的不確定性遠遠超出了經濟大衰退之前。

此外，制造業的競爭非常激烈，其中一部分競爭壓力來自亞洲地區，當然亞洲地區內部的競爭也異常激烈。KPMG工業制造全球部門主席兼航天與防務負責人 DougGates表示：“期待來自亞洲的競爭壓力會有所緩解的人恐怕一定會感到失望”。制造商必須全力尋找新的增長點以保持競爭力。

為實現這些目標，制造商需要對現有的業務運營進行大刀闊斧的改革。他們目前的工廠車間系統往往是有數十年歷史的專有系統，缺乏靈活性，而且運營成本很高。這些設備還都是批量生產時期的產物，已經難以快速應對消費者需求以及不可預知的突然中斷。在創建響應迅捷的需求驅動型業務模式的過程中，數字技術方面的投資將發揮關鍵作用。

邁向敏捷制造

制造業數字化的最新階段（即工業 4.0）正在為制造商創造價值帶來全新方式。麥肯錫表示，這一階段由四方面的顛覆性發展所推動：數據量激增、分析功能的興起、全新人機交互模式的出現以及將數字指令傳輸至物理世界的進步（如3D打?。?。

物聯網等技術的興起可幫助制造商從激增的數據中發掘巨大價值。在半導體行業，互聯制造經過了多年發展；目前，其他行業的領先企業正開始在車間部署互聯制造。毫無疑問，其他從業者將會跟隨他們的腳步。

互聯制造旨在利用物聯網將傳感器、機器、電腦和人類連接起來，以高效監控、采集、處理和分析數據。制造商可從數據中獲取重要洞察，從而提升運營效率和生產力，并改善靈活性和敏捷性。他們無需為生成數據投入巨資購買新設備，因為在多數情況下，數據已經存在。關鍵在于如何有效利用數據。

由于多數現有設備在物聯網出現之前就已部署完成，因此不具備內置連接功能，給制造商訪問數據造成了困難。實施更敏捷的制造模式的第一步是將車間的系統連接起來。由于沒有通用的通信標準支持傳統設備與物聯網進行互操作，企業轉向工業4.0的初步工作似乎舉步維艱。然而，情況正在快速改善，OpenConnectivity Foundation*（OCF）、Open Process AutomationForum*（OPAF）、Industrial Internet Consortium*（IIC）等組織和英特爾等生態系統廠商正在加快制定開放的物聯網標準。在開放平臺上將傳統設備與中間件連接的生態系統解決方案已經上市，而且未來可按需更新以支持新協議。

在系統建立連接之后，制造商的下一步工作就是應用高級分析發掘數據的巨大價值。這里還有一個挑戰。多數現有設備可生成海量數據，但由于數量過多，這些數據無法發回數據中心進行快速分析，為此需要在靠近數據流來源的終端實施高性能計算，以提取最重要的信息。

基于英特爾架構的物聯網平臺旨在連接尚未連接的系統，以安全收集、交換、存儲和分析數十億個設備、傳感器和數據庫中的數據。

然而，在進行物聯網投資之前，最好先明確目標。第一項工作就是要確定哪些數據最值得采集，并評估將用于訪問數據的分析結構的效用。英特爾集團制造和工業垂直銷售總監Mary Bunzel表示：“多數企業明確了使用設備數據流改善機器學習和人工智能模式的目標，而且知道轉型的前提是使用基礎平臺采集和分析數據。每個實施過程都會暴露基礎設施的不足，只有克服這些不足才可開展下一階段的工作。幸運的是，在與處于不同階段的客戶的合作過程中，我們了解了相關困難，并能夠使用技術工具清除障礙，并在后續的客戶合作中為客戶提供支持。將您的企業改造為未來工廠需要持續改進。”

預測性維護

互聯制造可以為工廠車間帶來眾多改變，預測性維護只是其中之一。傳統的維護方法是在故障發生前通過檢驗和判斷的方式檢測和糾正可能導致故障的問題，而檢驗手段本身就不夠完善。定期的預防性維護則并不以檢驗結果為依據，幾乎都需要停止機器或生產線的運行，不但會產生額外成本，還會損失生產時間，甚至有可能引發其他故障。

相比而言，預測性維護并不遵循設定的時間表，而是通過分析數據幫助確定設備狀況，以預測何時應該進行維護，能夠監控互聯資產的性能，以了解其與故障的關聯性。在終端分析或霧計算策略中，算法會部署在流數據采集點、網關、云端或它們之間的任何位置，以評估需要及不需要哪些數據。這些工具有助于發送準確的狀況數據，從而幫助預測故障。預測性維護可提高設備可靠性，減少計劃外維護和停機。因而，預測性維護可降低運營成本，大幅提升運營效率。

ARC Advisory Group 對常見故障模式的研究發現，82% 的故障類型是隨機發生的，僅 18%可通過傳統維護方法預測和預防，而技術人員獲取并用于防止故障的設備數據流僅為 23%。終端的物聯網和計算功能正在幫助制造商改變這一狀況。

英特爾集團解決方案架構師總監 Ted Connell表示：“多數人面臨的挑戰在于如何有效進行分析和將原始數據轉化為洞察。解決該挑戰的一個方法是應用機器學習技術”。通過數字雙胞胎（物理資產的電腦化配套資產）對生產線性能建模的現代技術，為根據最佳性能預測生產線性能提供了基準。作為人工智能的一種形式，機器學習可實現分析模型構建的自動化，幫助電腦反復從數據中進行學習并改善算法。

通過數字雙胞胎學到 “正?！边\行參數并對其建模后，來自生產線采集點的數據流和變化速度可用于發現可能導致故障的異常情況。多數制造商擁有專業知識豐富的員工，他們對于設備知之甚深，是工廠可以仰仗的“智囊”。當這些員工退休后，機器學習和人工智能工具將幫助新員工彌合知識差距。

對資產健康狀況更深入的了解意味著員工和工廠更加安全，停機的減少有助于在性能方面超越競爭對手，見圖。

傳感器數據結合高級分析和機器學習可提升資產健康狀況的可視性

已經使用預測性維護的制造商獲得了巨大的投資回報。一家全球最大的汽車制造商發現了新的數據模式，相關模式可幫助他們更深入了解影響氣缸蓋生產質量的關鍵因素。借助這一信息，該制造商將氣缸蓋生產線的生產力提高了25%，將實現目標生產水平所需的增產時間減少了 50%，并通過近實時的數據分析加快了生產調整速度。

概括而言，AberdeenGroup的研究表明，采用全面預測性維護計劃的制造商平均可實現25%的資產收益率，而實施傳統低效維護實踐的企業僅能實現 10%的收益率。美國能源部和聯邦能源管理計劃的數據顯示，將運行到故障（run-to-failure）的系統升級為預防性維護計劃可節省 12-18%的維護成本，而最終實施預測方法可再節省 8-12%的預算。

預測性維護尤其適用于分散布局的工廠和遠程工廠，因為可以節省派遣技術人員前往現場執行手動檢查和維修的時間和成本。

為發掘物聯網的最大效益，制造商必須將強大的計算技術和盡可能多的分析功能用于網絡終端。這有助于他們過渡至更敏捷的制造模式，從而提升運營效率和生產力。互聯制造可以為工廠車間帶來巨大效益，預測性維護只是其中之一。

下一步，我們需要將互聯制造擴展至整個供應鏈。此外，為實現真正卓越的制造效率，最終要采用自主軟件定義機器（SDM），以實現真正敏捷的按需工廠即服務（FaaS）制造模式。通過將軟件層從機器硬件中分離出來，機器的“大腦”和 “身體”得以分開運行。如此，機器的大腦可在云中運行，幫助制造商延長機器的生命周期，避免其很快就被淘汰。