现场智能：智能流程、解决方案和策略
制造商对 IIoT 推动的乌托邦的愿景已经变得太少了，无法与现实接触。思科的一项调查发现，近 75% 的工业物联网 (IIoT) 项目都失败了。微软研究表明，30% 的 IIoT 项目甚至没有从概念验证阶段毕业。对于许多制造商来说，期望并没有随着经验而凝固——尽管正确执行它的竞争风险比以往任何时候都高。
这些故障频繁发生的三个根本原因。
首先，在工业规模上实际利用机器数据需要特定的专业知识，而这些专业知识既罕见又昂贵。
其次，IIoT 项目只有在领导层全力支持 IIoT 转型时才能蓬勃发展。具有抵制适应性文化或亚文化的孤立制造商将破坏项目。
Still，制造商 IIoT 脱轨最常见的变量是缺乏对 IIoT 非常具体的数据需求的理解。互联工厂会产生大量不间断的时间序列数据。要想做到正确，就需要一种数据层策略，能够以独特的密集规模处理传感器输入——未来的规模，必须从第一天起就融入到战略中。然后，交付的数据需要具有所需的性能和可用性，以获取制造商首先从其 IIoT 投资中寻求的运营和业务洞察力。
ALPLA——一家奥地利公司，成立时名为 Alpenplastik Lehner Alwin开发和生产塑料包装解决方案的公司——在其他人苦苦挣扎的地方取得了成功。
ALPLA 在 46 个国家/地区拥有近 200 家工厂，展示了正确的数据环境和战略在确保 IIoT 转型方面的重要性，实际上，好吧，变革性的。
ALPLA开始IIoT 转型，目标是实现数据驱动制造。它希望摆脱基于 6sigma、5S 等时间间隔的标准任务，而是实时分析和提供机器数据。
ALPLA 希望可靠地触发正确的信息，尽快将正确的信息传递给车间的正确人员。
如果它能做到这一点，ALPLA 就可以在工厂问题成为大问题之前解决它们。
ALPLA 最初将 SQL Server 部署为一种传统的数据存储方法，然后才意识到它无法承受数据冲击。制造商有 900 个不同的数据表，每个数据表来自 900 个不同的传感器数据结构。然后，每条生产线每秒都会生成数千个读数的数据。事实证明，实时查询传感器数据流或尝试对 TB 级历史数据宝库进行复杂的机器学习分析是不可能的。
而不是获得统计数据后，ALPLA 很早就开始采用修订后的数据策略。它围绕专门为智能制造用例构建的数据技术重组了堆栈。结果很明显：数据查询比使用 SQL Server 快 250 倍。
作为现在产生的结果的一个例子，只要传感器发现异常情况，生产机器就会自动弹出塑料包装。然后，该信息会立即传达给最近的工厂车间技术人员以微调设备。这是更大的 IIoT 数据成功案例的一部分，它让 ALPLA 减少了质量问题、减少了设备停机时间、降低了工厂工人的复杂性并降低了维护成本。
