一、政策持續(xù)利好
我國新型工業(yè)化道路的探索迫在眉睫，一方面，我國面臨著發(fā)達國家再工業(yè)化和發(fā)展中國家低成本替代的雙重挑戰(zhàn);另一方面，我國不僅要追趕工業(yè)4.0，還要在工業(yè)2.0、3.0方面加力“補課”，亟需推動信息技術(shù)和制造技術(shù)的深度融合，變革工業(yè)發(fā)展方式。
2015年以來國家各個層面密集出臺相關(guān)政策，大力支持和發(fā)展”互聯(lián)網(wǎng)+制造業(yè)”的融合發(fā)展，力推工業(yè)互聯(lián)網(wǎng)發(fā)展以支撐我國工業(yè)轉(zhuǎn)型升級。2017年頂層設計相繼出臺，政策頻繁落地，框架和標準研究也進入加速階段。2018年2月，國家制造強國建設領(lǐng)導小組宣布，專門設立“工業(yè)互聯(lián)網(wǎng)專項工作組”，我國工業(yè)互聯(lián)網(wǎng)發(fā)展駛?cè)肟燔嚨馈?月，工信部印發(fā)《工業(yè)互聯(lián)網(wǎng)發(fā)展行動計劃(2018-2020年)》，提出到2020年初步建成工業(yè)互聯(lián)網(wǎng)基礎(chǔ)設施和產(chǎn)業(yè)體系，政策加碼具備持續(xù)性。
二、技術(shù)正迎來變革
工業(yè)互聯(lián)網(wǎng)技術(shù)的發(fā)展解決了多類工業(yè)設備接入、多源工業(yè)數(shù)據(jù)集成、海量數(shù)據(jù)管理與處理、工業(yè)數(shù)據(jù)建模分析、工業(yè)應用創(chuàng)新與集成、工業(yè)知識積累迭代實現(xiàn)等一系列問題。根據(jù)工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟統(tǒng)計，工業(yè)互聯(lián)網(wǎng)平臺涉及七大類關(guān)鍵技術(shù)，分別為數(shù)據(jù)集成和邊緣處理技術(shù)、IaaS技術(shù)、平臺使能技術(shù)、數(shù)據(jù)管理技術(shù)、應用開發(fā)和微服務技術(shù)、工業(yè)數(shù)據(jù)建模與分析技術(shù)、安全技術(shù)。
從技術(shù)發(fā)展趨勢來看，工業(yè)互聯(lián)網(wǎng)的眾多支撐技術(shù)正迎來變革，未來將有力促進行業(yè)增速的提升。如人工智能算法的突破，正成為工業(yè)互聯(lián)網(wǎng)平臺解決各領(lǐng)域診斷、預測與優(yōu)化問題的得力工具;邊緣計算技術(shù)突破，有助于提升工業(yè)互聯(lián)網(wǎng)平臺的訪問速度和性能等。
三、應用場景不斷延伸
工業(yè)互聯(lián)網(wǎng)是全球工業(yè)系統(tǒng)與高級計算、分析、感應技術(shù)以及互聯(lián)網(wǎng)的連接融合，通過工業(yè)互聯(lián)網(wǎng)平臺，現(xiàn)代工業(yè)可以更精準高效地了解工業(yè)研發(fā)設計、生產(chǎn)制造、經(jīng)營管理等領(lǐng)域的知識。工業(yè)互聯(lián)網(wǎng)就像現(xiàn)代工業(yè)的智能助手，企業(yè)通過工業(yè)互聯(lián)網(wǎng)平臺提供的數(shù)據(jù)分析，優(yōu)化資源配置效率及生產(chǎn)流程，提升管理效率，提高產(chǎn)品質(zhì)量，降低經(jīng)營成本，從而開啟一場全新的工業(yè)革命。
我國工業(yè)互聯(lián)網(wǎng)的應用仍處于初級階段，主要以“設備物聯(lián)+分析”或“業(yè)務系統(tǒng)互聯(lián)+分析”的簡單場景優(yōu)化應用為主。集中應用在四大領(lǐng)域：工業(yè)現(xiàn)場的生產(chǎn)過程優(yōu)化、企業(yè)運營的管理決策優(yōu)化、社會化生產(chǎn)的資源配置優(yōu)化、產(chǎn)品全生命周期管理服務優(yōu)化。
目前在行業(yè)政策利好的背景下，技術(shù)研發(fā)投入幅度增大，行業(yè)技術(shù)得到快速發(fā)展，技術(shù)的變革將帶來工業(yè)互聯(lián)網(wǎng)更廣泛的應用場景，未來工業(yè)互聯(lián)網(wǎng)的應用領(lǐng)域主要圍繞兩條主線進行延伸。
應用場景的廣度方面，單一層次向多層次轉(zhuǎn)變，涵蓋設備/工藝/產(chǎn)品——管理/流程——產(chǎn)業(yè)/資源的應用場景。
數(shù)據(jù)分析的深度方面，主要層級包括從以可視化為主的描述性分析，到基于規(guī)則的診斷性分析、基于挖掘建模的預測性分析和基于深度學習的指導性分析。
