根据无数的文章，研究和白皮书，分析现已成为从供应链优化到定价和分销的任何业务应用程序的“主题”。但是，尽管新闻和信息的大量涌现吸引了高级管理人员的注意，为工业操作中的应用铺平了道路，但使成功实施的道路更加困难。
“ 这带来了重大机遇，但也带来了重大困惑。艾默生赞成采用务实，务实的方法。
根据Gartner集团的数据，分析技术有可能带来超过4万亿美元的工业制造业增长。但是潜在的用户感到困惑，他们问一些问题，例如从哪里开始，使用什么供应商，在哪里应用什么类型的模型，可以解决什么类型的问题以及OT分析如何适合IT。
“ 在供应商问题上，我们的一位客户确定了900多种资源，” Zornio说。专注于工厂级利益的工业IT和OT参与较少。对于制造商而言，这是最大的机会，在生产力，可靠性和能效方面具有潜在的高回报应用。
艾默生的运营分析产品组合专注于工业制造商的最大价值来源-生产过程本身。具有嵌入式领域知识的运营分析可以影响并提高简单设备，复杂资产和过程单元以及整个生产工厂的性能。
Zornio说： “ 我们建议首先解决高影响力，已知问题。” “通过使用可靠的模型，负责资产性能的人员可以进行分析，我们的客户可以迅速采取行动，更快地解决问题。例如，艾默生的解决方案可以实时检测和解决80％的设备故障模式，这些模式会导致工厂的生产损失。”
分析可以分为两类：传统类和数据驱动类。Zornio说：“传统分析是原则驱动的，您可以在其中了解机制-机械模型。” 您知道设备和单元是以某种方式设计的，因此这些分析可以基于规则：如果出现问题，您可能会通过故障模式和影响分析（FMEA）来了解原因。
Zornio说，数据驱动的分析使用标准统计分析从不了解物理原理的分析中构建模型。“在这里，随着计算机学习（ML），增强的模式识别和数学相关性，计算技术的发展带动了人们的兴奋。”
艾默生的增强产品组合包括机器学习和人工智能（AI），可用于识别新发现并加深对业务绩效的影响的洞察力。这些工具提供了传统分析以前无法获得的视角。
带来利益
工厂是复杂的系统，其组件汇总为资产，这些资产成为处理单元，整个工厂，通常还包括一组工厂。用户问：“机会在哪里？我们如何应用分析？” Zornio说。
“ 我们已经有了可以应用于较低级别资产的分析功能。我们需要在工厂一级做更多的工作。” Zornio说。“如果我们对工厂有所了解，而不仅仅是建成，那么我们可以使用第一原则。然后，我们需要将分析结果输出给将要根据结果实施更改的人员，即实际上会做某事的人员。”
在不了解或不够理解第一原理的地方，转向数据驱动的分析是有意义的。“关于数据驱动分析的问题是，为什么要在哪里使用？” Zornio说。他以汽车为例，“直到第三次用完汽油后，机器学习才能知道汽车需要汽油才能行驶，”他说。“我们拥有6200多种设备模型和500个FMEA。可以使用现有的第一原理分析来完成大约80％的设备。”
在针对产品或设备类别进行数据驱动的分析之前，请确定是否可以使用打包的分析。Zornio说：“有些工程师想开发自己的分析，但是对已知问题的已知答案可能是更好的解决方案。” 您可以聘请数据科学家，但让熟悉此设备的人可能更重要。
“ 我们了解我们的设备及其运营分析，” Zornio说。“我们从1990年代开始使用模糊逻辑和神经网络在DeltaV中构建解决方案。我们增加了模拟和数字孪生，现在我们有了用于数据驱动的分析和AI的通用工具箱。”
通过公司收购KNet并将其集成到公司的Plantweb Optics资产绩效平台中，“艾默生不仅可以提供行业中一些最先进的机器学习和AI工具，还可以提供与人员和工作流程的连接，这至关重要到数字化转型成功。” Zornio说。
艾默生的产品组合现在提供预打包的分析解决方案以及用于用户开发自己的应用程序的完整分析工具箱。艾默生的操作确定性咨询实践和强大的数据管理功能为该产品组合提供了支持，这些功能为分析成功提供了基础
