数字化背景下中国企业的转型与管理模式创新(三)

销售价格:TXW819442

四、跨域的工业大数据分析

需要做时间纵向或跨域性的大数据挖掘分析，如识别和消除生产流程中效率和绩效瓶颈、确定不良率与工艺参数和操作工序等关键数据的关联性，生产计划与排程目标和实际差异的因素分析，客户对产品反馈分析，产品维护状况分析等等。

由于生产过程复杂，数据收集对象种类多（包括物料、产品、工具、设备、物料分拣传送系，人员、环境和安全传感器等）、数量大、采样时间密度大、有多参数同步关联性分析的需要，因此需要有综合性的数据收集和分析平台，对生产过程作全面覆盖性的数据收集和分析服务，同时满足不同时效、可靠性、分析方法、计算强度和储存量的要求。为了最佳地平衡这些需求，这个平台功能的部署需要是分布性的，对低时延可靠性高的流式分析部署在靠近生产现场的边缘端，而把计算强度高和储存量大，但对时延和可靠性要求不严格的批量分析部署在大的数据中心或云端。

五、传统企业由数字制造最后实现智能制造

智能制造牵涉面广，层次深，对如何把信息和通讯技术有效地融合于自动化设备和生产流程各环节中，面临着很多的挑战。这些挑战，有技术性的，更重要的是，也有业务性的。

对很多企业而言，在推进智能制造方面，面临着很大的挑战，包括从何处着手，如何通过对技术的实施，实现所期望的业务价值等。不能为业务产生价值的技术是没有生命力的。所以，在发展智能制造的过程中，除了强调其先进性和创新性以外，还必须重视其成效，以创造价值为导向。

对很多企业而言，在数字化转型的过程中，最能体现价值的，未必都源于高新技术的引入，而可能是首先在业务管理流程中，采用已相当成熟的数字化业务管理技术。因此，建立关于数字化成熟度模型，为企业作评估，找出差距，指引其数字化的方向，在目前尤为迫切。

无论是在工业互联网，还是在智能制造的环境里，数据的重要性无可置疑，如果说，沒有数据的连接是没有意义的，没有分折的数据也是没有价值的。智能化必须依赖于对现实的认知，数据分析为认知提供必要的信息。如果说数据是智能化的头燃料，那么数据分析即是智能化的引擎。信息物理系统通过把计算和通讯技术在物理实体中，小至基本的单元组件，与物理感应和效应有机深度地融合在一起，虚拟与物理空间交互映射，将计算、通信、控制融为一体，为设备控制提供了崭新的能力。

智能制造也可以看作为建立在信息物理系统的基础上，把设备实体、生产资源、流程、系统和人员连接起来，信息密集型转型，以可操作信息的生成和利用为手段，实现智能工厂和新的制造生态系统。

六、参考文献

1.岳孜:《〈中国制造2025〉背景下制造业智能化发展分析》,《社会科学战线》2016年第11期

2.何军:《大数据对企业管理决策影响分析》,《科学进步与对策》2014年第4期

3.李致远、陈光:《工业大数据推动智能制造发展作用机理探析》,《中国工业评论》2016年第8期

4.杨江水、陈昌蓉、张绍荣:《基于大数据思维方式的高校思想政治工作应对策略》,《重庆邮电大学学报(社会科学版)》2016年第5期

5.冯雪莲；《大数据背景下制造业服务化的价值链管理》，《中国高新技术企业》2017年

首页上一页 1 2 3 下一页尾页 3/3/3