工业制造过程中会产生大量数据，利用这些数据可实现重要的目标——预测故障、优化设备寿命、优化生产流程以便更好地满足市场需求。任何工业网络的第一步是资料收集，然后在本地做好实时数据处理和长期脱机数据存储之间的平衡，最后采取有效的措施来优化工业处理过程。

信息被收集并发送到一个中心位置，如果发送的时间相对较早，短暂的IT中断通常可以接受。但随着世界各地的公司越来越依赖于他们的信息技术，他们对于可接受的维护仪器设备的时间显著减少，且远远低于现有技术可以实现的反应时间。因此，在先进的技术团队中，现代IT系统使用功能强大的AI和机器学习（ML）套件，使其IT基础设施对传感器数据报告的变化做出更快反应。之前有一则报导：

半导体制造商英特尔如何使用 IIoT 边缘计算将工厂停机时间减少 300% 通过部署工业物联网（IIoT）传感器和边缘计算来监控英特尔半导体生产设施中的风扇过滤器单元（FFU）的健康状况。这项措施旨在提醒技术人员注意潜在问题，从而主动制定维护计划，减少计划外的停机时间。FFU过滤并清洁工业机器内的空气，它们在工厂车间无处不在，通常手动检测 FFU 的运行状况，这使得预测故障很困难。
 
英特尔在每个FFU的顶部放置了一个加速度计，以测量风扇功能的变化， 这为每个FFU创建了一个基准性能，并针对异常和潜在问题生成了警报。之后将摘要数据发送到云，以便技术员查看趋势，并及时回馈，通过提前维护和更换零件，将FFU的正常运行时间延长了97%以上。同时，这项操作还有效地消除了"偏移"，这表明在制造过程中的变化会导致材料损坏。

与手动检查相比，英特尔已将 FFU 故障造成的停机时间减少了 300%。FFU代表了一个单一的工艺，其范围足够小，但影响足够大，大到可以证明工厂的投资回报，在展示边缘计算和基于云的IIoT预测性维护解决方案的投资回报率潜力方面非常出色。