工业大数据，不仅仅只是大量的数据，而是包含制造相关的各个阶段，多个维度的数据，要找出数据之间的内在联系，保证生产的高效运行和终产品的质量。Siplant正是在这一背景下诞生的西门子数据标准化平台
Siplant是基于WinCC OA软件的，并通过Javascript基于Google V8引擎进行了二次开发，Siplant继承了WINCC OA的特性的同时，也充分吸收了部分开源软件的优点，从而可以使客户以更灵活的方式组建自己的APP模块.
Siplant平台主要包括了以下几个方面
一．完整的数据采集体系
分布式数采提供了庞大的单节点采集规模（高1000万点）
推送式的数采方式，同时降低网络和数据库负荷
以车身车间为例，生产过程中大量的数据来自设备报警和设备工作状态，由于正常情况下报警状态和设备状态都不会频繁改变，如果采取轮询的方式进行数采，当数据量大的时候就会产生IO瓶颈.
种：数据库IO瓶颈，数据太多磁盘放不下，而且每次查询会产生大量的IO，降低查询速度
第二种：网络IO瓶颈，请求的数据太多，网络带宽不够
而Siplant和Sicar的Prodiag组件配合使用就可以有效的进行数据优化从而消除数采系统中的IO瓶颈
PLC数采方式
| 轮 询 | 推 送 | |||
| 全量保存 | 有变化保存 | TCP发送 | SICAR（Prodiag） | |
| 网络流量 | 高 | 高 | 低 | 低 |
| 数据存储压力 | 高 | 低 | 低 | 低 |
| PLC对应程序量 | 无 | 无 | 高 | 无 |
便利的数据收集方式
使用移动APP实时收集现场的一些人工操作信息，利用Siplant的移动APP模块，现场人员可以随时记录生产问题，维修记录，以及现场测量信息，和PC端自动采集的数据结合后就可以闭环整个生产信息数据。
二．通过部署在Siplant平台上的结构化工具来管理上述所有数据
概念：Siplant通过数据的水平分层，以工位为依据，根据生产工艺将 数据拆分到不同的数据区中
结果：
每个数据区的结构都一样
每个数据区的数据都不一样，没有交集
所有数据区的并集是全量数据
Siplant就是通过这种清晰的树状结构为车间的各个业务模块提供高效安全的数据服务，所有的数据不再是信息孤岛，任何部门和个人都可以查看相关的信息。
三．利用Siplant平台对生产过程以及设备运行状态进行可视化
视觉设计
视觉设计的作用并不仅仅是为了让图表更好看，更重要的是，符合可视化原理的设计可以帮用户更快速地理解图表想表达的内容，利用Siplant内置的图形化模板，如大家常用的Dashboard数据大屏，让用户可以轻松的创建炫酷画面的同时又能真实反映现场信息的实时信息，Siplant还支持轻量化的Web 3D方案，让客户在一些低端PC也能实现3D生产流程的监控。
消息推送
当监控到生产或设备有问题时，需要将异常信息实时传递给相关维护人员，以便于及时处理，利用Siplant的现有模板，用户可以设置多种报警条件，报警消息可以通过邮件，短消息或者APP提醒的方式发送给用户，用户可以通过手机APP及时查看详细情况并及时处理。
四．多维度的对产线和设备状况进行评估
导入Siplant平台的数据，经过预处理后，利用Siplant预置的BI模块，客户可以轻松的发布基于自己生产体系的高质量分析报表，通过图表的叙事能力，让使用者可以以更简单的方式，看到数据背后的故事。
五．对于一些重要数据如产量，节拍进行问题溯源，把故障点定位到具体设备
比如焊装工艺中的节拍稳定性分析，通过对节拍的拆分，并对其中每一个动作进行评估，分析动作的稳定性，通过计算一定时间段内某个动作波动Ώ的大小，来评价该动作在这段时间内的稳定性，Ώ越小则稳定性越好，同时计算时间段内的正态分布率，进一步评估动作的稳定度,从而发现导致节拍波动的设备。
再比如利用产量损失模块用户可以在看到产量波动的同时观察到相对应的工艺事件，而且工艺事件还可以根据用户需求进行分类，并通过热力图的方式对此类事件发生的频率和时长进行标注，使用户可以清晰的发现对应的事件发生时序。
而且通过分析不同工艺事件发生的频次和长度，结合产量波动可以得到相对应的关联系数，通过Siplant关联系数矩阵图来计算各种事件之间的关联系数，判断那些事件对产量损失有强关联因素，而哪些事件对产量损失没有影响，从而使用户可以定位到关键设备并展开有针对性的改进。
在将来Siplant还会引入全生命周期的的大数据应用，包括从设计端引入数据，同时将制造过程中的数据有效的反馈到研发部门，帮助整个研发过程的质量提升。
整个汽车业的工业大数据应用给Siplant平台提供了机遇和挑战，西门子也致力于面对这些机遇和挑战，为中国的汽车制造产业贡献自己的一份心力。