跨越18世纪后半叶和19世纪上半叶的第一次工业革命使世界再次发生了翻天覆地的变化：机械化和引擎驱动的生产工艺和工具代替了人工方法。第一次工业革命促成了工厂制度和大规模生产。
而在200年之后，21世纪的制造业将被工业4.0，也就是第四次工业革命所政治宣传。先进设备的数字技术于是以被用作优化和自动化生产，还包括上游供应链流程。
工业4.0的最终目标是映射在机器和组件中，并使用一直相连的传感器将动态数据传输到网络IT系统。反过来，这些应用于机器学习和人工智能算法来分析和提供这些大数据的看法，并根据必须自动调整其过程。工业4.0的革命本身并不是大数据，因为制造商早已在很长一段时间内分解了大量的动态生产和质量数据。
然而，由于缺少需要确实利用这些有所不同数据源并萃取总体看法以提高质量和生产力的平台，这些孤岛数据的浪费并不少见。换句话说，其症结不是分解和搜集数据，而是需要有效地借此萃取价值。仅次于的挑战：从制造业大数据中萃取价值工业4.0大数据来自许多有所不同的来源：·产品和/或机器设计数据，如阈值参数·来自控制系统的机器操作者数据·产品和过程质量数据·工作人员实行的人工操作者记录·制造执行系统·有关生产和运营成本的信息·故障检测和其他系统监控部署·物流信息，还包括第三方物流·有关产品用于、对系统等的客户信息其中一些数据源是结构化的（例如传感器信号），一些是半结构化的（例如人工操作者的记录），还有一些是几乎非结构化的（例如图像文件）。
然而，在很多情况下，大多数数据或者是未用于的，或者只是用作十分明确的战术目的。工业4.0大数据一般来说没战略利用的一个关键因素是不相容的技术、系统和数据类型之间的互操作性较好；第二个关键因素是传统IT系统无法存储、操作者和管理高速分解的大量有所不同数据。
因此，企业必须的是需要充分利用机器学习、人工智能和预测分析生产大数据的价值的先进设备平台。工业4.0大数据愿景如今，制造商谋求通过搜集、分析和分享所有关键功能领域的数据来构建确实的商业智能。
在这种体系结构中，生产系统不仅效率更高，而且需要及时号召大大变化的业务市场需求，其中还包括来自合作伙伴和客户的信号。该模型更加专心于工厂和工厂级别的大数据和分析流程下层的（橙色）堆栈较慢并可拓展地搜集、处置和分析来自生产车间的数据流。上层（蓝色）堆栈用作大规模和密集的批量分析，很有可能在基于云计算的大数据框架中构建。请注意，批处理分析堆栈还将存储的工厂/厂商大数据作为输出。
然后，数据流和批量分析输入都作为信息发给，以优化生产流程和应用程序。工业4.0大数据用例2016年，普华永道公司对航空航天、国防与安全性、汽车、电子和工业生产等各行业使用工业4.0的情况展开了全球性调查。平均值而言，受访者回应，到2020年工业4.0实行（还包括大数据分析）将使其生产和运营成本减少3.6%，总计节省4210亿美元。
以下是一些解释工业4.0大数据愿景如何为制造商带给可取决于价值所指定的实际例子：·拆分质量和生产数据以提升生产质量：半导体制造商开始将生产过程完结时测试阶段捕捉的单芯片数据与在流程早期搜集的过程数据相关联。制造商可以在早期辨识出有有缺陷的芯片，并大大提高生产过程的质量。·许可客户：汽车行业热衷使用工业4.0，以经济有效地符合消费者对更为实惠和数字相连汽车的希望。
在联网汽车将分解的大量大数据用例中，其中就有与制造商无缝互相交换数据。除了为车主获取更佳的售后服务外，还可以用于有关汽车性能的汇总信息来改良质量流程和未来的设计。
·增加停机时间：限于于许多工业部门，工业4.0大数据分析可以在机器或流程故障再次发生前找到预测模式。机器主管将需要动态评估过程或机器性能，在许多情况下，还可以避免计划外停机。最后的解释随着物联网和其他传感器的很快普及，数据的数量和速度只不会随着工业制造业的快速增长而快速增长。
正如其他行业早已使用尖端技术以从大数据（边缘计算出来、雾计算出来、云计算等）中萃取价值一样，工业4.0正在为普遍的大数据分析铺平道路。制造商的投资回报率早已在提升运营效率、提高质量，以及更慢地号召大大变化的市场信号方面具备吸引力。如今，制造商必须参予工业4.0革命的供应商获取解决方案，并为多个行业的客户带给可取决于的价值。
他们必须搜集、处置和分解来自多个有所不同来源数据的解决方案，并拆分这些数据，以便为全天候实行自动化规则和自适应机器学习获取动态的投影分析。最重要的是，制造商必须这些解决方案与现有企业系统无缝构建，以便使生产和质量流程与其核心业务目标保持一致。
本文来源：NG.体育-www.vrnetic.com
