在工业大数据的实践中，宏观与微观、规模与定制、个性与共性必然成为主要的几对矛盾。未来制造业经济是由企业流程以及产业链接口能力所决定的，而机器的能力是基础。

　　制造业企业在力求降低生产过程中的浪费，提高制造工业环保与安全水平，根据生产状况实现系统自我调整、实现自适应，以及全面服务个性化需求的过程中，都会实时产生大量数据。

　　在现代工业供应链中，随着大数据应用的普及，我们可以感受到从采购、生产、物流到销售市场都是大数据的战场。大数据可以帮助我们实现客户的分析和挖掘，它的应用场景包括了实时核心、交易、服务、后台服务等。其载体包括手机、传感器、穿戴设备、3D打印机和平板电脑等。传感器数据属于工业大数据类别之一，这些机器数据可以帮助我们找到已经发生的问题，协助预测类似问题未来重复发生的几率与时间，帮助我们保障生产，满足法律法规的要求，提升环保水平，改善客户服务。

　　因此，利用大数据的工具，通过数据分析和挖掘，我们可以了解问题产生的过程、造成的影响和解决的方式，找到创造附加价值的新形式。利用大数据的工具和思维，帮助制造业实现商业模式的转变，改造和提升客户体验，完善内部操作流程，或许是最佳途径之一。

　　我们要从设备资产智能管理、工业大数据分析以及工业物联网这三驾“马车”，结合现代制造业企业的下一代企业架构，帮助制造型企业实现智能制造管理的落地。设备智能管理是智能制造数据的核心来源，通过工业物联网的平台连接了所有人、物与事，然后利用大数据工具来分析已知事件，预测问题，挖掘新知识，协助管理决策等。

　　资产智能管理是一种强大的数据来源

　　资产智能管理（AIM）、传统资产管理（EAM）以及资产性能管理（APM）能够实时产生大量数据。资产智能管理无间断地处理制造各个领域生成的数据，包括历史记录数据以及实时质量流程中获得的时域信息。

　　资产智能管理的数据组成部分非常之多，例如，通过震动感应器采集旋转机械的数据，地理位置信息记录了移动资产和资产移动的数据，通过位置数据和气候数据了解电力传输和分配部分或管道的线性资产的实时状态，基础地质数据协助确定采矿业操作条件等。

　　当把所有这些资产设备的数据源结合起来，再利用演绎和预测分析等方法对这些数字进行分析时，你绝对有机会将智能制造管理提升一个层次。仅仅通过监测一定数量的设备的实际运行时间来安排预防性维护并不足以成为大数据手段。当你使用震动分析、热红外成像、流程条件数据、实时位置信息以及在互联网上搜索有关类似设备的失效模式时，才真正涉及到了大数据。