在工業大數據的實踐中，宏觀與微觀、規模與定制、個性與共性必然成為主要的幾對矛盾。未來制造業經濟是由企業流程以及產業鏈接口能力所決定的，而機器的能力是基礎。

　　制造業企業在力求降低生產過程中的浪費，提高制造工業環保與安全水平，根據生產狀況實現系統自我調整、實現自適應，以及全面服務個性化需求的過程中，都會實時產生大量數據。

　　在現代工業供應鏈中，隨著大數據應用的普及，我們可以感受到從采購、生產、物流到銷售市場都是大數據的戰場。大數據可以幫助我們實現客戶的分析和挖掘，它的應用場景包括了實時核心、交易、服務、后臺服務等。其載體包括手機、傳感器、穿戴設備、3D打印機和平板電腦等。傳感器數據屬于工業大數據類別之一，這些機器數據可以幫助我們找到已經發生的問題，協助預測類似問題未來重復發生的幾率與時間，幫助我們保障生產，滿足法律法規的要求，提升環保水平，改善客戶服務。

　　因此，利用大數據的工具，通過數據分析和挖掘，我們可以了解問題產生的過程、造成的影響和解決的方式，找到創造附加價值的新形式。利用大數據的工具和思維，幫助制造業實現商業模式的轉變，改造和提升客戶體驗，完善內部操作流程，或許是最佳途徑之一。

　　我們要從設備資產智能管理、工業大數據分析以及工業物聯網這三駕“馬車”，結合現代制造業企業的下一代企業架構，幫助制造型企業實現智能制造管理的落地。設備智能管理是智能制造數據的核心來源，通過工業物聯網的平臺連接了所有人、物與事，然后利用大數據工具來分析已知事件，預測問題，挖掘新知識，協助管理決策等。

　　資產智能管理是一種強大的數據來源

　　資產智能管理（AIM）、傳統資產管理（EAM）以及資產性能管理（APM）能夠實時產生大量數據。資產智能管理無間斷地處理制造各個領域生成的數據，包括歷史記錄數據以及實時質量流程中獲得的時域信息。

　　資產智能管理的數據組成部分非常之多，例如，通過震動感應器采集旋轉機械的數據，地理位置信息記錄了移動資產和資產移動的數據，通過位置數據和氣候數據了解電力傳輸和分配部分或管道的線性資產的實時狀態，基礎地質數據協助確定采礦業操作條件等。

　　當把所有這些資產設備的數據源結合起來，再利用演繹和預測分析等方法對這些數字進行分析時，你絕對有機會將智能制造管理提升一個層次。僅僅通過監測一定數量的設備的實際運行時間來安排預防性維護并不足以成為大數據手段。當你使用震動分析、熱紅外成像、流程條件數據、實時位置信息以及在互聯網上搜索有關類似設備的失效模式時，才真正涉及到了大數據。