在工業物聯網開始普及之前，使用網絡連接工業資產和機器的能力已存在很長時間。但是，我們在過去五年中看到的是提供下一代集成度的高級分析解決方案的出現，實際上是需求。當應用于機器和過程數據時，它是關鍵組件，這將實現更智能的制造操作和推動轉型業務成果。數據分析已經成為行業中增長最快，利潤最豐厚的新職業之一，它將繼續成為關注的焦點，因為它希望將數學，計算機科學和工程技術結合起來，以滿足IT的融合需求制造公司內部和OT技術。

人工智能長期以來一直是開發人員從事高性能計算和基于云的系統的工具。人工智能改變了網絡監控方式，電子郵件掃描方式，甚至是我們與手機和設備交互的方式。雖然AI和機器學習總是感覺像是一個生活在實時嵌入式系統之外的遙遠工具，但機器學習正在基于微控制器的系統中實現，事實上，它已經存在!

新的工業互聯網聯盟白皮書探討了分析架構，以及工業企業如何開始設計分析系統。該報告的結論是，需要在定義端到端IIoT系統的背景下分析所需的體系結構，這些系統在功能上分解為五個功能域。這些是：

1.控制：傳感，通信，執行，動作和驅動;

2.運營：供應，管理，監控，診斷和優化;

3.信息：數據融合，轉換，持久化，建模和分析;

應用：邏輯，規則，集成，人機界面;和

5，經營范圍：企業和人力資源，客戶關系，資產，服務生命周期，計費和支付，工作計劃和安排。

繼續成為工業機器控制焦點的關鍵技術趨勢是識別和識別機器操作模式的能力，并做出可以導致更好的決策和提高性能的預測。本文確定了工業中應用的三種主要類別或類型的分析。

描述性分析從歷史或當前數據流中獲取洞察力，包括狀態和使用情況監控，報告，異常檢測和診斷等。預測分析使用統計和機器學習技術基于預測建模識別預期行為或結果。Prescriptive analytics通過確定基于第一原則可能發生的事情，使用與設計和執行決策相關的因果關系的模型和預測分析，找到最佳解決方案。一個例子是從實體幾何裝配模型按需生產，以找到最佳的制造過程集，以實現最終產品意圖，同時考慮所有可能的選項和功能。

工業分析的一個基本先決條件是機器和過程數據的可用性，但好消息是工業機器控制系統有大量的數據可供分析。現在我們看到，將數據科學和主題專業知識相結合(了解哪些信息很重要)對于產生最佳結果至關重要。在機器狀態監測和人工智能等領域工作的自動化和控制供應商敏銳地意識到對機器/工藝專業知識的需求。

最后一步是以令人信服且易于理解的格式傳達和呈現工業分析結果。隨著分析的進步，越來越多有意義的操作模式將被檢測，識別并報告為警報，并自動報告給操作員。可以根據分析結果監控和優化機器運行效率，從而改善制造和運營，同時減輕操作員的壓力。

該報告還得出結論：“分析本身并不神奇 - 它需要結合在適當的時間獲取適當的數據，應用適當的分析算法和模型，這些算法和模型由機器制造商，系統的必要工程領域知識指導集成商和工廠運營商本身。“