“任何IIoT系統的四個主要部分是智能資產、數據通信基礎架構，用于解釋數據并對其進行操作的分析和應用程序以及人員。
智能資產包括具有傳感器、處理器、內存和通信功能的機器或其他資產。在某些情況下，這些資產可能具有關聯的虛擬實體或支持軟件定義的配置和性能；智能資產生成更多數據并在整個價值鏈上共享信息；某些智能資產最終將具有自我意識或自主運行。互聯網，這些資產和其他實體之間的數據通信將經常利用網絡技術，如LTE，ZigBee的無線網絡連接，IEEE 802.15-4，和基于云的計算基礎架構，其存儲可滿足大數據需求。強大的分析和相關軟件將增強資產優化以及系統優化。將部署預測性分析以減少計劃外的停機時間。這些工具生成的最新可用信息將導致新應用程序支持新的，變革性的業務模型。公司將不再提供實體產品進行銷售，而是越來越多地將產品“作為服務”提供。人將通過訪問更多數據，更好的分析工具和更好的信息來參與其中，并將越來越多地根據這些資源所產生的分析做出決策。量化決策將變得更加普遍，“智能”信息將在人們需要的時間和地點出現。但是人們還將繼續通過社交和移動工具及應用程序與他人以及與機器和系統建立更好的聯系。”
智能資產：今天從傳感器、電動機、儀器等獲得的數據使我20年前開始使用時產生的數據量逐漸增加。我們必須學習如何利用所有這些數據，找到有用的信息并利用我們獲得的情報來提高利潤。
數據基礎架構：僅僅十年前，在許多行業中將PLC或其他控制系統聯網的情況并不常見。今天，情況已經不同了，因此我們所有人都必須準備好應對來自智能資產的數據泛濫。
分析：這是數據變成知識的地方。我相信分析及其應用將徹底改變制造業，而那些不接受分析的人將被拋在后面。正如我之前所說，上下文是數據的關鍵，而分析當然需要上下文有效。但是，只有人們知道什么上下文對于啟用分析并使之有用至關重要。分析不是創造自己，而是人們創造。
人：這是所有人中最關鍵的組成部分。即使出現了具有機器學習內容的機器學習和基于云的預測分析包，例如Microsoft Azure機器學習，IPLeanware的Braincube等，仍然需要人們充分理解數據才能編寫上述工具的算法。人們仍然需要弄清楚哪些指標對業務影響最大。人們仍然需要調整數據的形狀以從工具中獲取意義。
人們還需要解決以上工具所顯示的問題。比如，我們需要的并不是真正解決問題的軟件，而是需要提出“為什么”的人們。幾年前誰甚至在制造業或公用事業領域聽說過“數據科學家”一詞?數據科學已經存在了很長時間，但是在過去的五年中，這個領域的工作量呈爆炸式增長，在從未考慮過這種事情的行業中，工作量激增了。數據科學家正在研究幾年前還不存在的問題。同樣，人是IIoT的最關鍵組成部分。
擁有正確數據的正確問題解決者可以是一種神奇的組合，許多組織如此專注于前三個組成部分(智能資產、數據基礎結構、尤其是分析)，以至于它們可以最大程度地減少第四，也是最重要的組成部分——人。一些組織所做的另一個假設是，如果將相同的數據或信息放在多個人面前，則每個人理論上可以用他們所看到的內容對組織產生相同的影響。但是，基于他們對信息、技能和經驗的解釋，這是不正確的。我們不做這些假設-我們知道在正確的人面前提供正確的信息 ，在適當的時間對其可能產生的影響有所不同。
-20241213094735.png)
