工业互联网作为新一代信息技术与制造业深度融合的产物，通过IT与OT的融合将实现企业动态互联、资源优化配置、业务精准协作的愿景，能有效推动制造业质量变革、效率变革、动力变革，成为新工业革命的关键支撑和深化“互联网+先进制造业”的重要基石，助力工业企业开展数字化转型，实现高质量发展。
对于大型企业，可依托工业互联网平台利用工业大数据对数据资产进行深度挖掘产生价值；对于中小型企业，可依托云化的工业互联网平台以较低的成本和时间实现数字化和信息化。工业互联网对制造业数字化转型的作用正在显现，应用也越来越广泛。
工业互联网的核心是互联，是制造企业实现智能制造的关键使能技术之一。发展工业互联网与中国制造2025战略具有高度契合性、并能产生巨大的产业潜力。
工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节所产生的各类数据及相关技术和应用的总称。
工业大数据的主要来源有三类：
主要来自传统企业信息化范围，被收集存储在企业信息系统内部，包括传统工业设计和制造类软件、企业资源计划（ERP）、产品生命周期管理（PLM）、供应链管理（SCM）、客户关系管理（CRM）和环境管理系统（EMS）等。通过这些企业信息系统已累计大量的产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据及环境数据。此类数据是工业领域传统的数据资产，在移动互联网等新技术应用环境下正在逐步扩大范围。
主要指工业生产设备和目标产品在物联网运行模式下，实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据。此类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据，即工业设备和产品快速产生的并且存在时间序列差异的大量数据。
指与工业企业生产活动和产品相关的企业外部互联网来源数据，例如，评价企业环境绩效的环境法规、预测产品市场的宏观社会经济数据等。
工业大数据是智能制造的关键技术，主要作用是打通物理世界和信息世界，推动生产型制造向服务型制造转型。其在智能制造中有着广泛的应用前景，在产品市场需求获取、产品研发、制造、运行、服务直至报废回收的产品全生命周期过程中，工业大数据在智能化设计、智能化生产、网络化协同制造、智能化服务、个性化定制等场景都发挥出巨大的作用。
工业大数据的发展为工业AI奠定了基础。在制造业，AI的典型制造业应用场景包括：数据驱动的产品设计优化、基于视觉技术的智能生产与质控、预测分析辅助生产计划优化、生产安全监控、基于物联网化生产设备优化生产、设备预测性维修、生产人力优化与工单优化、基于视觉身份认证的安全管理、仓库选址优化、智能工业节能等等。
智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。智能制造系统架构从生命周期、系统层级和智能特征三个维度对智能制造所涉及的活动、装备、特征等内容进行描述。
指从产品原型研发开始到产品回收再制造的各个阶段，包括设计、生产、物流、销售、服务等一系列相互联系的价值创造活动。生命周期的各项活动可进行迭代优化，具有可持续性发展等特点，不同行业的生命周期构成不尽相同。
指与企业生产活动相关的组织结构的层级划分，包括设备层、单元层、车间层、企业层和协同层。
指基于新一代信息通信技术使制造活动具有自感知、自学习、自决策、自执行、自适应等一个或多个功能的层级划分，包括资源要素、互联互通、融合共享、系统集成和新兴业态等五层智能化要求。
在一些情况下，有线数据采集传感器的安装比较困难，线缆可能对设备动作或移动产生干涉，或者布线较分散。这种情况下采用5G/厂区网络无线通信的传感器能灵活方便的安装，采集更多的实时数据。5G/厂区网络的mMTC技术保障系统可同时接入大量的IoT设备。 同时，包括图像、音频等非机构化数据也可实时采集、传输。
在智能工厂环境下，自动化程度大大提高，设备与设备之间互相通信，形成协同工作。设备之间的协同除了需要协同软件来指挥外，需要传输大量的数据，尤其是在需要协同的设备数量较多、范围较大的情况下。利用5G/厂区网络高速率、高可靠性、低延时特点，以及网络端到端的切片技术，能保障设备实时通信，甚至能控制多个设备的动作同步，使之流畅地完成协同动作。
无线技术支持各种移动终端设备，如PAD、PDA、智能手机等。无论是现场工作人员的操作还是企业管理人员的管理都可以通过无线移动终端进行，不在局限与固定的物理位置，极大的提高了灵活性、便利性。 此外，一些传统应用的形式也发生改变，比如汽车行业的按灯系统，原来通过工位的拉绳或按钮实现呼叫功能，现在可以通过无线按钮、可穿戴的手环进行。
5G/厂区网络技术较之前的无线通讯技术提高了数据实时性，人机交互响应更快，提升了用户体验。
同时，生产系统基于5G/厂区网络之上可以提供更丰富的可视化内容，比如生产可视化指导提供3D装配指示，步进式指导操作人员操作，可视化叠加信息，代替了传统的纸质或电子版的说明书，让人能更迅速的掌握过程和更多细节。
利用AR技术，获取存储在云端的各种设备三维数据模型和动画，更直观的指导现场设备维修、维护操作。
对于通过云端知识库降低现场处理故障的水平要求，进行实时数据连接，指导现场工程师进行实时过程诊断和反馈，也适用于技能培训。
故障发生后，维修方可远程通过5G/厂区网络网络第一时间获取故障信息，“聚集”在故障现场，并利用VR等技术远程在线指导工厂实时处理。
将设备在运行过程中积累的大量历史数据包括故障、维修等数据进行存储，形成设备维修知识库。利用大数据技术对设备进行故障预测，进行预防性、预测性维护指导。
通过5G/厂区网络技术，设备的历史数据不再光是设备的电气信号，甚至可以是震动声音、发热照片等非结构化数据，丰富了故障预测的数据来源。
企业生产的产品需要有完整的产品档案，便于售后服务。在某些行业如汽车、食品、制药等行业更是行业规范要求。
利用5G/厂区网络可以实时采集生产过程中的非结构化生产数据，如质量检测照片、加工过程参数曲线等，这些非结构化数据使产品档案内容更丰富。
利用5G/厂区网络结合广域范围内的IoT，可以采集更多的产品相关信息，比如供应链前端的原材料信息，售后的运输信息，扩大了传统的仅在工厂内生产过程中的跟踪及追溯范围。企业智能生产系统与供应商相关系统（如种植基地、零部件工厂的生产系统）、WMS、TMS、销售系统等集成，实现全流程产品溯源。
在制品（WIP）和物料识别是产品跟踪追溯及生产防错的基础。传统的识别方式包括RFID和条码识别技术。然而在某些情况下，无法采用RFID和条码技术，比如汽车的油漆前处理无法采用条码和RFID，轮胎生产、机械加工等也有类似的情况，这种情况下，往往采用在产品表面刻录字符的方式进行产品标识。
基于5G/厂区网络，利用机器视觉识别，可以对非规范的字符进行有效识别，进而识别WIP/物料。机器视觉识别的模型训练可以在云端模型训练，而后在本地运行模型。
质量检测是生产制造的重要环节。在很多情况下，需要人工目视检测。采用机器视觉自动进行图形图像识别可以实现快速自动质量检测，在取代、降低人工检测劳动强度的同时，提高检测效率和准确率。
AGV在智能生产中的应用越来越广泛。通过5G/厂区网络，可以把AGV智能调度应用部署在5G/厂区网络网络的边缘云上，工厂内无需单独部署网络。5G/厂区网络边缘云部署可保障AGV业务的低时延及高可靠运行，同时还可以进行调度优化。
利用5G/厂区网络的广域覆盖，企业可以在云端调度与各供应商之间的物流协同。同时，物流车辆上的终端通过5G/厂区网络连接到云端，可在广域范围内对车辆进行实时调度、监控，并为物流供应模式的优化提供更全面、准确和实时的数据基础，比如JIS、JIT等精益物流模式。
对于集团型企业，往往具有多个生产基地或工厂。每个生产基地或工厂都需要实现智能生产，同时工厂之间需要协同，比如生产计划的平衡。 对于集团化多工厂企业的智能制造系统，以MES系统为例，主要有两种部署方式：
这种模式下集团部署一套生产系统，多个工厂共用，多个工厂之间用专线或VPN进行通信。
这种模式的优点是运维相对简单，由集团IT统一进行系统运维。但是，生产系统是紧密和车间层结合的，需要与车间设备集成，需要与设备进行大量的数据交互，同时集团的并发客户数量较多，导致系统性能会出现瓶颈。另外，集中式部署情况下，集团服务器出现故障将影响所有工厂，增加了工厂停线的风险。另外，不可能在一套生产系统中通过参数配置实现多种制造形态。
这种模式下，每个工厂部署一套生产系统，多个工厂之间用专线或VPN方式连接。
这种模式的优点是单个工厂的系统故障不会影响其他工厂，同时单个工厂的生产系统在本地就近和工厂的设备、人员交互，实时性、稳定性得到保障。 显然，这种模式下，各工厂系统建设的软硬件投入较大；单个工厂往往不具备运维能力，当系统出现问题时，不能及时解决；各个工厂自主一套系统，可能导致重复开发与部署，代码和管理混乱；此外，多工厂的数据交互复杂，接口繁多，不利于集团化数据统一管理，以及多工厂之间的业务协同。
利用5G/厂区网络的边云结合技术可以很好的解决多工厂部署问题。对于单个工厂的个性化业务以及实时性要求特别高、数据敏感性强的业务可以部署在单个工厂的边缘节点，而集团级共用业务功能、多工厂业务协同、集团数据汇集和分析功能、大数据优化功能等则部署在集团层的云端。
工业大脑就是将生产过程中产生的海量数据与专家经验结合，借助云计算能力对数据进行建模，形成知识的转化，并利用知识去解决问题或是避免问题的发生。同时，经验知识又将以数字化的呈现方式，完成规模化的复制与应用。一个完整的工业大脑由四块关键拼图组成 - 分别是云计算、大数据、机器智能与专家经验。
数据工厂实现了为用户提供工业数据架构、数据标准、数据质量、数据应用、数据生命周期管理等多项应用功能。数据工厂提供的数据接入模式包含设备数据实时上传和本地数据文件上传两种方式：设备数据实时上传：支持通过工业以太网、WiFi、移动4G网络等方式采集工业现场的生产数据，支持OPC、Modbus、DDE、ProfiBus等常用的标准工业协议。本地数据文件上传：支持多种格式的本地数据上传文件，并且支持上传数据的字段映射等功能。
算法工厂主要面向工业的算法开发、算法交付、算法维护等工程师和工业专家，通过优化算法系统架构提高工程化，让算法开发人员能够集中精力处理算法问题，并提高算法开发效率。 在标准规范性上，算法工厂提供了一套算法管理、配置、部署和封装的工程化工具，定义并实现了各平台间数据流转的标准，并规范了各个算法接口，大幅度提高了算法复用能力。 算法工厂能够提供算法商店功能，生态合作伙伴工程师可以将自己开发的算法模型上传到算法工厂实现模型上架，形成算法交易与共享，形成开放的算法生态体系。
AI创作间是一套所见即所得的可视化业务编排工具，用于开放给生态伙伴调用工业算法模型，并进行数据挖掘、建模和预测。 通过AI创作间，开发者可以使用拖拉拽的方式对数据组件、算法组件进行任意组装，从而满足业务场景诉求。 AI创作间中沉淀了航天智控的机器学习算法体系和经验，以及算法工厂中的工业机理模型和工业微服务，提供了从数据预处理、机器学习算法、模型评估和预测功能。
ET工业大脑人工智能原子能力平台，面向工业领域开发者及企业开放智能语音、自然语言处理、印刷文字识别、图像识别、人脸识别、机器翻译等50多项全球领先的AI技术服务能力。从单点智能向集成智能持续演进，推动制造智能，生产智能，数据智能，供应链智能的智慧化发展，加速工业智造。
面向工业设备领域场景，提供工业设备故障维修知识的学习，实现对设备故障类型及原因的关联挖掘判断，辅助推荐故障维修诊断报告。
