以下内容仅供了解：

社会化生产在经历了蒸汽时代、电气时代和信息时代后，企业管理实践的长期发展让现代企业具有了企业资源计划系统（ERP）、产品生命周期管理（PLM）、供应链管理（SCM）等一系列的生产管理工具和方法，人们终于可以在信息时代的自动化工厂蓝图上更进一步，创造出智能工厂。
　　
　　任何一次大型的技术进步都是为了更好地满足社会需求。在传统工厂面前，消费者行为改变、产品周期缩短、供应链风险增加、售后服务复杂化等都在威胁着企业的经营。这让传统的制造业强国纷纷对智能工厂这一制造业发展的趋势表现出浓厚兴趣。在德国，智能工厂的发展直接被称为
　　作为世界工厂，对于制造业的前沿发展一直保持着警醒的态度，很多国内的企业也都提出了智能工厂的建设目标，甚至有些企业已经开始尝试去建设自己的智能工厂。但在技术方面仍有几大鸿沟亟待这些企业去逾越。
　　
　　首当其冲的是信息的收集和分析体系。对于智能工厂来说，其核心要求之一是要实现信息流、物资流和管理流合一。而这样的雄心需要强大的数据收集和分析体系去支持。德国一家世界的制造业企业曾表示，在建设智能工厂之前必须回答两个问题：一，产品从设计到生产到售后服务，哪些数据需要收集；二，如何设计一套数据分析体系使得这些被收集上来的数据可以有效地支持工厂的经营和决策。对于企业来说，长期处于产业链的低端环节使得其在信息的收集和分析能力上有所欠缺，很多企业连工厂的管理通报都并不完备，即使是行业的领军企业，也在前几年才消灭了企业内部的信息孤岛，建成了企业内部统一的信息管理体系。但是距离、有效地管理信息，综合使用信息还有相当的差距，更何况智能工厂对于信息的创造性使用提出了新的要求。
　　
　　其次，智能工厂涉及多个层面和技术领域，智能生产过程中的生产决策、供应链优化问题等的解决需要借助仿真系统来解决。随着ISA95[8]标准的推广，其中对企业－控制系统集成模型的层次定义对工厂仿真模型的定义产生了巨大的影响。宏观的仿真模型如ＥＲＰ层的供应链模型，微观的仿真模型如PCS层的装置生产过程模型。PCS层、PCS层、PCS层的模型抽象构建过程对于工厂生产运行情况的分析研究是非常重要的。由于不同层次模型和建模方式的多样性，研究者在研究流程工业中某一特定问题时需要对工厂中的每个对象独立建立工厂仿真模型，这样这不仅会导致开发周期长，而且由于建模人员需要根据自己建立的模型管理数据，会导致模型和数据的针对性和抛弃性，建模和仿真过程中大量的手工配置操作给工作带来很大不便，终导致模型重用率低和扩展性差。
　　
　　重要的挑战是无处不在的快速互联网基础设施，以及网络-物理系统的标准界面。对于制造平台的大数据应用，我们需要与保护，这样，行业内的人们才会信任这种与工业互联网连接的新型联网技术，才会有更多的企业加入智能工厂的开发和使用。
　　
　　智能工厂既是一项系统工程，同时也是一家制造业企业需要去逐步建设的能力。对不同行业、不同外部市场竞争格局、不同发展阶段和不同企业能力的企业来说，其建设智能工厂的重点和着手点也不尽相同，制造业的产业升级虽然紧迫，但切忌盲目，根据自身情况有的放矢、循序渐进才是通向智能工厂的大道。

　　经过多年发展，我国装备制造业标准化和质量取得了长足进步。我国现行国家标准和行业标准中，装备制造业标准占总数的50%以上，基本形成了适应产业发展的标准体系。装备制造业标准水平不断提升，与接轨程度进一步提高，标准转化率达到70%以上，重大装备国产化程度大幅提高，产品整机质量与可靠性水平明显提升。装备制造业标准化在提升产品质量、扩大贸易、促进技术进步和创新等方面发挥了积极作用，产生了显著的经济和社会效益，有力支撑了装备制造业的发展。

　　紧贴《制造2025》的需求，以提高制造业发展质量和效益为中心，以实施工业基础、智能制造、绿色制造等标准化和质量提升工程为抓手，深化标准化工作改革，坚持标准与产业发展相结合、标准与质量提升相结合、国家标准与行业标准相结合、国内标准与标准相结合，不断优化和完善装备制造业标准体系，加强质量宏观管理，完善质量治理体系，提高标准的技术水平和化水平，提升我国制造业质量竞争能力，加快培育以技术、标准、品牌、质量、服务为核心的经济发展新优势，支撑构建产业新体系，推动我国从制造大国向制造强国、质量强国转变。