最近在俄亥俄州哥伦布市举行的智能工厂会议上，在关于工业分析的讨论中，听众中的一位IT专业人士表示，他计划将他的机器数据上传到在线分析处理(OLAP)多维数据集，并在数据之上运行商业智能(BI)应用程序。台上的分析专家们似乎被吓坏了，他们竭尽全力地解释工业分析和BI之间的区别。
类似地，当公司已经拥有BI工具为其行业指标提供仪表板时，他们可能会质疑分析解决方案的必要性。
工业分析与商业智能不一样
OLAP多维数据集和BI软件
OLAP技术的出现是为了解决企业系统现有关系数据库的数据报告缺陷;具体来说，它们是用来回答业务问题而不是IT问题的。在OLAP出现之前，运行对规范化表中数百万或数十亿条记录进行排序的复杂查询变得越来越耗时。事实上，一些制造报告提到，用户在晚上离开工厂时开始查询，并希望在第二天早上返回时得到结果。与此相反，OLAP在多维数据库中存储预先配置的数据，与通过传统关系数据库运行查询相比，该数据库支持更快的数据检索。利用OLAP数据集的BI软件可以聚合、切片和切块数据，并按不同维度对数据进行分组，以提供图表、图形和其他可视化效果，比以前使用的数据库和企业数据仓库(EDW)快得多。
工业物联网分析应用
虽然OLAP解决方案为数据集中的结构化数据提供了更快的数据检索，但它们的优点也是缺点。也就是说，它们针对结构化数据库进行了优化，其中查询是预先知道的;它们不是为当今工厂中可用数据的规模和复杂性而设计的。制造工厂创建的数据在每天拍字节的范围内，并在此基础上向上扩展。此外，还有不同的数据格式(例如，时间序列数据)，这些数据来自连接在机器上的数千个廉价传感器，加上来自车间边缘设备的数据，来自服务器、云等的企业数据。
工业物联网(工业物联网(IIoT)分析解决方案旨在处理大量数据，使制造商能够分析和优化其工厂数据，将其与企业数据结合起来，并驱动新的用例，这是BI工具和OLAP多维数据集无法实现的。通过在云上运行的应用程序，即使在工厂外也可以访问工厂数据，边缘分析允许在资产级别进行实时数据处理，以便即时决策。
虽然分析应用程序也可以运行初级分析——在仪表板上划分数字并生成图表——但它们的主要区别在于识别数据中的模式和趋势，以分析故障实例，预测未来的故障，并规定纠正措施。这些查询通常不会在数据收集和存储之前定义，因此数据库不能针对特定问题进行优化。
工业物联网分析应用程序旨在对大量数据流进行条件化和背景化，并从这些数据中生成可理解的结果．这比支持BI工具的传统数据库的提取、转换、加载(ETL)功能要复杂得多。复杂性的部分原因在于大量的变量，以及应用程序需要建议潜在的感兴趣的变量，以帮助缩小问题空间。因此，机器学习(ML)和人工智能(AI)经常是分析平台的一部分。
在数据摄取、调节和情境化之后，IIoT分析可以集成到连续的数据流中，以动态检测异常，并自动提出解决方案;这使得操作员、工程师和管理人员能够更快速地对问题做出反应，进而创建更稳定和高效的流程。
如何使用ML和AI
当把工厂数据和企业数据结合起来时，公司通常选择使用ML或AI来解决结构化、非结构化和半结构化数据的组合并从这个快速变化的数据集中获得见解。这些相同的ML/AI技术通常为车间的预测或说明性分析提供基础。
外卖
虽然BI工具可以为业务问题提供业务答案，但具有预测性和说明性分析的工业物联网分析可以为公司最初不知道要问的新问题提供答案。然而，这并不意味着工业物联网分析将抹去现有的企业数据仓库和BI应用程序。已经拥有BI工具的制造商仍然可以极大地受益于投资工业物联网分析应用程序。
