用excel进行大数据分析和公式函数计算，电脑配置，如CPU是频率高点好还是多线程的好？

首先用Excel进行大数据的分析，你的极限是65万条数据。如果你要进行函数之间的交叉分析，功耗是平时的五倍。所谓的频率和多线程。实际上，二者不可兼得。因为频率高的线程少。线程多的频率不高。主要核心问题是因为散热。也就是他们很难以去平衡。

频率高则计算起来非常的快，多线程的处理才能提高工作的效率。

假如你的数据应赶在20万以下，那么建议频率高，超过这个数据则建议是多线程。如果您的数据足够多，建议您利用数据库从最简单的access开始。这样才有利于这个储存和搬运以及更加深度的优化和整合。

看你的数据量和具体计算方式，如果计算是可以分块进行的，那么线程比频率更重要。

工业大数据如何成为智能制造的核心动力？

巧了，正巧从去年年底开始在公司内部负责制造业客户的行业方案工作，做了一系列国内外的查询研究，整理下，冒昧回答下您的问题。希望得到您的认可点赞和转发推荐。

首先我们来看看，什么是工业大数据和智能制造：

1.相关名词理解大数据（Big Data）：非常大的数据集，可以通过计算分析来揭示模式，趋势和关联关系，特别是与人类行为和交互行为有关的数据。

工业大数据（Industrial Big Data）：构成工业人工智能的重要元素，指由工业设备高速产生的大量数据，对应不同时间下的设备状态，是物联网中的讯息。

工业大数据这个词在2012年随着工业4.0的概念而出现，也和信息技术行销流行的大数据有关，工业大数据也意味着工业设备产生的大量数据有其潜在的商业价值。工业大数据会配合工业互联网的技术，利用原始资料来支援管理上的决策，例如降低维护成本以及提升对客户的服务。

智能制造：是指具有信息自感知、自决策、自执行等功能的先进制造过程、系统与模式的总称。具体体现在制造过程的各个环节与新一代信息技术的深度融合，如物联网、大数据、云计算、人工智能等。

智能制造大体具有四大特征：以智能工厂为载体，以关键制造环节的智能化为核心，以端到端数据流为基础，和网络互联为支撑。其主要内容包括智能产品、智能生产、智能工厂、智能物流等。

2.智能制造的发展史各国政府均将此列入国家发展计划，大力推动实施。

1992年美国执行新技术政策——关键重大技术（Critical Techniloty），包括信息技术和新的制造工艺，包括智能制造技术，美国政府希望借助此举改造传统工业并启动新产业。加拿大制定的1994~1998年发展战略计划——认为发展和应用智能系统至关重要，并将具体研究项目选择为智能计算机、人机界面、机械传感器、机器人控制、新装置、动态环境下系统集成。

日本1989年提出智能制造系统，且于1994年启动了先进制造国际合作研究项目，包括了公司集成和全球制造、制造知识体系、分布智能系统控制、快速产品实现的分布智能系统技术等。欧盟的信息技术相关研究有ESPRIT项目——大力资助有市场潜力的信息技术。1994年又启动了新的R&D项目，选择了39项核心技术，其中三项（信息技术、分子生物学和先进制造技术）中均突出了智能制造的位置。

我国80年代末也将“智能模拟”列入国家科技发展规划的主要课题，已在专家系统、模式识别、机器人、汉语机器理解方面取得了一批成果。最近，国家科技部正式提出了“工业智能工程”，作为技术创新计划中创新能力建设的重要组成部分，智能制造将是该项工程中的重要内容。但是之前的智能制造都大多数只是概念，直到大数据和配套的应用工具逐渐落到实地，智能制造技术的水平更上一层楼。

3.智能制造和大数据的关系制造业——也许是最温顺和最传统的产业之一 ，正在经历一场缓慢的革命。无论是使用原材料的使用优化还是工程工艺的更新换代，工业制造公司都在寻找机会，使其比竞争对手更具优势。这一趋势的最新方式是采用智能制造技术。

智能制造——不只是一个想法，而是逐渐实现的现实智能成为市场上几乎所有装逼事情的关键前缀，这一术语在制造业中也占有一席之地也就不足为奇了。虽然有很多批评者仍然偏爱传统的MES（制造执行系统），但智能制造正在进入行业，并且对原有的MES应用提出了更高要求。

智能制造系统的目标是以有助于提高组织整体利润的方式连接离散制造相关信息。因此，智能制造不只是传统的MES，它支持机器学习、IIoT、机器人和基于云的工作流程。结论，智能制造是一个需要被接受的新现实。

大数据在制造智能制造中的作用成本计算和预测分析方面的期望和实际能力的差异，是每个制造业公司在发展过程中面临的主要障碍（根本没法按时和及时地算出准确的成本——包括原材料、人力、机器损耗、运输、税等等，因此也很难更有竞争力地快速报价，报高了客户不认，报低了自己亏钱）。这种情况要求对可用数据进行适当和深入的分析，以防止增加公司成本。现在，大数据的作用变得更加重要。

通常，大多数制造商缺乏收集和分析他们已收集的大量数据的技能。通过大数据分析，公司可以非常轻松地捕获，构建，集成和丰富其数据库。整个过程可以更低的成本，更少的资源，更好的预测和战略建设，并带来更高的投资回报率（ROI）。

目前，大多数制造公司使用的软件无法与快速变化的制造环境动态（比如客户的定制化需求，比如市场的最新变化趋势）相匹配。另一方面，大数据被用于捕捉制造业不断变化的需求。这是公司应该在制造过程中采用大数据的最重要原因。

如上图，就是实时的生产线监控获取数据并输送到后端系统进行质量监控、问题来源分析、数据分析，这样原来需要事后统计的信息就可以在生产过程中到达管理者的电脑上。

同时，运用如机器学习等进一步的技术，让大数据滚动起来，不断地挖掘出问题的根源，找出生产线上可以优化的空间。

不管对人、物、工具、设备、流程还是外部环境，把控水平更上一台阶。

总结，相关系统架构

基本上，从数据收集向上，有数据存储、批量分析、数据集成等层次的应用，外部为了数据环境的稳固，还需要设置数字孪生环境来做模拟运行测试。

而这些系统根据应用层面的不同，可以从边缘计算、混合架构一直到云端架构。

智能制造是趋势，结合物联网、大量数据、更强的分析和AI模式识别能力，并结合前后端的销售采购等流程，结合多种业务模式和渠道管理，成为一个专门的深入研究和应用领域（大有可为）。

而大数据在其中，必不可少，甚至可以说是牢固了基础，为虎添翼。

纵观工业发展历史，制造业的每一次转型升级都是基于知识发展的转型升级，每一次工业革命都是技术突变导致的必然变革，所以知识与技术的发展才是制造业升级的源动力。

我们这里单独说工业大数据是成为智能制造的核心动力其实还不完全，因为工业的本质还是提质、降本、增效，利用失败中得到的数据，寻找数据规律，进而修正工艺参数，工艺流程，提高产品质量，确保生产的产品满足更大众的客户需求。从而提升生产力，推动生产关系变革。

所以说“数据并不产生价值，知识产生价值”，工业大数据只有和人的知识、经验相结合，在众多数据中找到“解药”，进而发现问题，解决问题，将数据中产生的知识沉淀下来，反馈到执行端，生产端，才能达到制造的本质目的。

现在提工业大数据，第一是建立在大数据计算的基础上，我们说是“算力强”，因为原本工业发展也对数据极其重视，只是现在知识数据量大了，人力或者一般计算机根本无法计算出结果，导致数据用不起来。第二是建立在大数据的传输通道上，我们说是“采集强”，因为现在大量的电子设备、智能设备用在工业生产现场的方方面面上，设备产生的数据以毫秒计算，这么大的数据量，要想快速接入，快速汇传递，快速存储，都需要较强的技术能力。第三是建立在算法上的，我们说是“算法强”，这里说的算法不只包含人工智能这种复杂算法，简单的同比，往比也是算法，大量数据来了，展现出相关趋势也能解决很多目前工业上50%的问题。换句话说，计算能力强能够使简单的算法用起来了，能够发现数据下面的知识。

所以我们说，工业大数据需要结合算力、算法、互联，才能成为智能制造的核心动力。只有具有分布式大数据和边缘计算能力的物联网开发平台，才能支撑未来大数据在智能制造的真正落地。