近日，小编发现数据可视化在制造业升级过程中的地位十分重要。那么如何做好数据可视化呢？翻阅了《国家智能制造标准体系建设指南（2018年版）》、ANSI/ISA 95、MES白皮书（MESA）之后，惊奇的发现这几个大标准内，对数据可视化的描述竟然。。。
本文约2700字，重点图片9张，预计阅读时间为10分钟。
本文·导读·目录
⒈ “看不见”的标准
⒉ 技术维度
⒊ 业务维度
⒋ 应用维度
⒌ 文末结语
Part 1 “看不见”的标准
A.《国家智能制造标准体系建设指南（2018年版）》：
智能制造标准体系结构包括 “A基础共性”、“B关键技术”、“C行业应用”等三个部分，主要反映标准体系各部分的组成关系，如图1所示。
结构向下映射出框架，展示了智能制造标准体系的基本组成单元，如图2。
可以发现相对最直接就是工业大数据中的数据处理，有对数据进行可视化的要求，其他对数据可视化的要求比较隐蔽，比如BBE智能生产中的质量管控，要利用IT工具良好的管控起来，质量数据采集、监测、预警、质量追溯和分析等，都是包含着数据可视化的要求；还有BBA智能工厂设计、BBC智能工厂设计等等都有隐性要求。
B.ISA 95
在ISA95中，将分析活动作为8种基本生产活动之一，在各个模型中也基本都包含了分析，比如生产性能分析、库存分析等，如图3和图4。
在第三部分的章节中，还对各个模块的分析要求有着详细的描述，比如维护分析的说明中，要求有可追溯的分析，要编制维修成本和性能报告；
C.MES白皮书（MESA）
白皮书总共有7号文件，几乎每个文件中都对数据的应用有着高评价，比如产生的运作和经营效益中均有信息化决策的支持；随意取6号文件中几个模型，供大家查阅：
Part 2 技术维度
站在技术角度，从采集到展示的功能链为：数据采集→数据清洗→数据关联→数据存储→模型建立→数据计算→数据展示。
若要做好每个功能点就引出以下几个平台：
1.物联网平台：对生产现场的人机料法环测等数据进行收集，如何实时、有效、完整的收集数据是需要庞大的工程量，在小编的项目中，最简单的是人员信息的采集，技术相对成熟（RFID\账号\指纹\人脸等），最难的是采集设备相关的数据，老旧或者传统的设备需要安装智能传感器进行改造，这里面有三方面的限制:
a.国内工厂发展进度层次不齐，大部分处于工业2.0,2.5的阶段，还远远未达到工业3.0自动化的要求，出于工厂的经营需要，老旧设备不会因为工业4.0或智能制造的兴起就全部替换，经常见的是引进某条自动化产线或部分自动化设备；
b.特定行业的设备发展缓慢，比如铜加工行业中，加工设备用的还是十年前的设备。
c.中国制造业有31大类,191中类,525小类，是制造业体系最为完整的国家之一，据不完全统计，支持采集的设备，在细分供应商/行业/产品/工序之后，国内已使用的协议上在三千种以上。每次我想到这个，就对物联网充满了敬畏。
2.大数据平台：做数据仓库，从SRM\MES\ERP\QNS等各个系统收集数据，并做相关预处理，支持模型建立和计算；做数据交换和数据共享等数据流通；
3.指挥中心平台：主要功能有日常会议、远程视频会议、执行现场指挥、内网大数据分析、联合相关部门信息决策，预览视频监控，综合调度指挥等。根据功能和场地，结合考虑人体美学，进行设计直观漂亮舒适的指挥中心。
4.看板平台：做车间、产线或关键设备的监控看板，以及做移动的管理驾驶舱。
5.报表平台：基本都是在PC机上，有着一般的明细查询类（出入库明细等）和根据简单规则（按天、按产线、按产品、按检验项等）做汇总的统计类报表，再好一些的平台也集成了管理驾驶舱和类似质量分析的分析报表；
Part 3 业务维度
作为业务人员，对具体的IT工具可以不用太了解，重点把握两点：数据层和展示层。
1.数据层是业务工作中需要什么数据，要让IT工具采集数据；工厂领导者关注的核心点无外乎 交期、成本、质量和效率四点，详细分解这四点，收集各类原始子数据；（默认硬件支持采集）
2.展示层的东西并不复杂，在没有IT工具之前，工厂在日常运作中，肯定存在数据流，凭手工和个人经验制作成日常工作中的协调、汇报和经营会议等要用到的报表，IT工具只是将人为分析的经验转换成代码层的数据模型，再结合美学将结果实时直观的展示。
还有值得一提的点是，除了提供固定的业务数据模型之外，还可以让IT工具（人工智能技术/大数据平台）针对所有的数据进行关联分析，找出工厂内还未发现的数据模型或者优化现有数据模型。在实施某氧化铝工厂的项目中，通过智能分析技术，找到某关键设备的某个参数和产量有千丝万缕的关系，多次验证后，决定应用该数据模型，预计每年可为工厂节省了一千八百万的原料和能耗费用。
Part 4 应用维度
一线操作工到决策层领导，都是终端用户，数据可视化的用处有监控→查询→统计→分析→预测等；其中分析和预测是最能辅助决策的。
监控：对比采集数据和标准值，将异常点通过直观的方式提醒用户，比如设备的节拍，设备加工状态，某个工艺参数，人员在岗/离岗，产线上物流情况等；这类也常常被称作 推式报表（数据推动工作）。
查询：目的在于满足日常工作需要，只要能够方便的让业务人员获取到需要的数据，比如库存报表、质量追溯报表等；这类也常常被称作 拉式报表（依靠人员主动）。
统计：按简单固定的逻辑（按时间、按地点、按人员等）进行数据统计工作，比如车间生产日报、产量绩效报表等；
分析：分析类报表更具主动性，往往是带有一定目的去查看和分析，做好分析三步走：确定主题→确定目标→确定分析方法，比如确定“不合格品分析”的主题→确定“发现并解决不合格品原因，减少不合格品数量”的目标→确定“漏斗图”的分析方法。
预测：基于数据的预测，核心在于数据模型，生活中实际上有很多应用案例了，比如体育赛事、市场物价等，在制造业，小编应用最多的是在计划模块，比如销售订单预测、工单按期交付预测等相对简单的模型。但决策者不可迷信预测，复杂决策不可指望它，比如战略制定、产品研发等需要创新和绝对灵活的事项。
Part 5 文末结语
数据可视化这家伙，从精益生产到信息化建设，再到两化融合、数字化工厂、中国智能制造2025，就一直贯穿其中，也只能贯穿其中；再加上人们接受信息的来源基本来自听觉（20%+）和视觉（70%+），而且视觉的丰富性、吸引力和信息传递效率都是听觉无法企及。
总而言之，数据可视化可显著降低资本支出（CAPEX）和运营支出（OPEX），提高工厂整体的管理水平，实现工厂高效运营，并在工厂的生命周期内为工厂节省大量的费用和资源。
*文内图片来自网络