随着制造商认识到并利用其运营数据所能释放的力量，互联工厂正逐渐普及。事实上，COVID-19 大流行迫使许多公司转变方向并适应“新常态”，而这些努力的主要推动力正是数据能力的基础——数字化。
通过揭示他们的技术、人员和流程，并提取这些运营数据，许多公司发现了无数潜在的能力和联系，从而对生产线的运营、产能和效率有了更深入的洞察。
但是，面对所有这些新数据，关键问题是：这些数据是否被最大化地利用？公司是否充分挖掘了每一个可用信息字节，并在能够产生影响的时间和地点部署这些信息——在正确的时间做出正确的决策？
在许多情况下，正确的决策会受到决策制定地点的影响，这一点与决策制定方式一样重要。每个用例都不同，因为在设备、控制、边缘和/或云端解决问题都有其价值。
云的价值在于特定类型的应用，例如跨生态系统和供应链的数据共享、数据聚合和非实时可视化（能源监视）、高计算应用、机器学习模型开发和训练，仅举几例。
但通常，您离数据源越远，看到数据更新的频率就越低——这意味着中间数据值可能会丢失。因此，云用户通常只能看到一小部分可能的数据值和内部设备数据；过程、控制和设备模型根本不可见。
在大多数情况下，决策应尽可能接近数据源——即边缘——做出，以保持数据的上下文和速度。在边缘进行情境化和建模能够提供更丰富的分析见解，而基于边缘到云的解决方案可以结合两者优势，提升敏捷性和生产力。
当您在更接近数据源的地方收集和分析数据时，您可以获得实时反馈。如果没有这种即时性，您可能会构建一个功能和范围有限的模型或仿真——因为您不知道自己不知道什么！您需要能够让您了解真实能力的信息，而不仅仅是典型的观测能力。但边缘解决方案只是全局的一部分。
当分析、人工智能和机器学习与库和领域专家（能够理解并发掘未被发现的价值与机会）结合使用时，可以成为强大的工具，并能够基于观察到的行为为过程优化和未来预测提供机会。但由于广泛工业领域中应用的多样性，这些工具无法通用部署。
数据分析同样无法提供完整的全貌。您只能看到能够被观察到的数据，因此通常无法看到额外的能力和局限性，也可能无法获得全局状态。
以手工披萨车为例，运营数据会告诉我们什么？它每周运营 X 小时，Y 天，供应 Z 份披萨，订单与交付之间的时间为 T。我们无法“观察”的是卡车的能力：它每天最多可以运营多少小时？员工需要工作多少小时？他们是否接受过培训，培训水平如何？最大供应量是多少？它在不同场地之间的行驶范围（和速度）是多少？是否得到妥善维护？厨房里配备了哪些设备（能力）？是否可以准备其他食物？
披萨车的例子说明了许多公司面临数据与模型混合的情况，其中部分细节并不容易获得。尤其是在尝试远程分析数据时更是如此。了解可观察数据的局限，并考虑可以收集和纳入哪些额外数据，最终将为任何情况提供更稳健的全貌。
此外，数据可用性还面临多重挑战，包括采样率、数据表达方式以及网络通信资源带来的限制，导致数据存在巨大缺口。
您需要了解您要解决的问题以及您希望实现的结果。如果您需要了解更多并做更多，最好从分析开始，这将为您提供洞察问题所在的见解，从而制定解决策略。这通常意味着添加额外的传感器或构建模型来对解决方案进行建模。这些模型对于发现和探索您以前从未尝试过的解决方案同样至关重要。
在设备、控制、边缘和云端解决问题都有价值，但在所有情况下，您都应尝试使用最能满足您需求的工具。事实上，您甚至可能会发现自己正在部署混合解决方案。
找到正确的平衡点以释放工厂的全部潜力至关重要。最终目标应是应用领域知识和正确的建模，利用完整的数据全貌创建准确的仿真——而不仅仅是您已知的信息！
发布时间 2021年11月3日
