Industrielle big data er et nyt koncept, bogstaveligt talt forstået, industrielle big data henviser til de big data, der er genereret i anvendelsen af industriel information.
Med den dybdegående integration af informatisering og industrialisering er informationsteknologi trængt ind i alle links i den industrielle kæde af industrielle virksomheder, såsom stregkoder, QR-koder, RFID, industrielle sensorer, industrielle automatiske kontrolsystemer, industrielle internet af ting, ERP, CAD/CAM/CAE/CAI og andre teknologier er vidt anvendte i industrielle virksomheder.
Især med anvendelsen af ny generation af informationsteknologier som Internet, Mobile Internet og Internet of Things inden for det industrielle felt, er industrielle virksomheder også kommet ind i en ny udviklingsstadium i internetindustrien, og de data, der er indeholdt af industrielle virksomheder, er blevet mere og mere rigelige.
Anvendelsen af industrielle big data bringer en ny æra med innovation og transformation i industrielle virksomheder. Gennem den lave omkostningsopfattelse, højhastigheds mobilforbindelse, distribueret computing og avanceret analyse, der er skabt af internettet og mobil internet af ting, er informationsteknologi og globale industrisystemer dybt integreret, hvilket bringer dybe ændringer til globale industrier og innoverer F & U og produktion af virksomheder. , Operation, marketing og styringsmetoder. Hangao Tech (SEKO -maskiner) anvender internetteknologi til kontrolsystemet for Intelligent rustfrit stål industrielt svejset rørfremstillingsmaskineri , så de tekniske teams fra begge parter kan overvåge produktionsdata i realtid, finde fejl under drift og forhindre nedlukninger.
Derfor er de problemer og udfordringer, som industrielle big data -applikationer står overfor, ikke mindre end internetindustrien, og i nogle tilfælde er de endnu mere komplicerede.
Disse innovative industrielle virksomheder i forskellige brancher har bragt hurtigere hastighed, højere effektivitet og højere indsigt.
Typiske anvendelser af industrielle big data inkluderer produktinnovation, produktfejldiagnose og forudsigelse, industriel produktionslinie IoT -analyse, industriel virksomhedsforsyningskædeoptimering og produktforbrugsmarkedsføring. Denne artikel vil sortere applikationsscenarierne for industrielle big data i fremstillingsvirksomheder en efter en.
1. Accelerere produktinnovation
Interaktions- og transaktionsadfærd mellem kunder og industrielle virksomheder vil generere en stor mængde data. Minedrift og analyse af disse kundedynamiske data kan hjælpe kunderne med at deltage i produktudnyttelsesanalyse og produktdesigninnovationsaktiviteter og yde bidrag til produktinnovation.
Ford er et eksempel i denne henseende. De anvendte big data -teknologi til produktinnovation og optimering af Ford Focus elbil. Denne bil er blevet en veritabel 'Big Data Electric Car. ' Den første generation af Ford Focus Electric Vehicles genererede en masse data, når du kørte og parkerer.
Under kørsel opdaterer føreren kontinuerligt køretøjets acceleration, bremsning, batteriopladning og placeringsoplysninger. Dette er nyttigt for chauffører, men dataene sendes også tilbage til Ford -ingeniører for at forstå kundens kørevaner, herunder hvordan, hvornår og hvor de skal opkræve. Selv hvis køretøjet er stille, vil det fortsætte med at transmittere data om køretøjets dæk og batterisystemet til den nærmeste smarttelefon.
Dette kundecentriske big data-applikationsscenarie har mange fordele, fordi Big Data muliggør værdifulde nye produktinnovations- og samarbejdsmetoder. Drivere får nyttige og ajourførte oplysninger, mens ingeniører i Detroit samler information om køreadfærd for at forstå kunder, udvikle produktforbedringsplaner og implementere nye produktinnovationer.
Desuden kan elselskaber og andre tredjepartsleverandører analysere millioner af miles med kørselsdata for at bestemme, hvor de skal bygge nye ladestationer, og hvordan man kan forhindre, at det skrøbelige gitter overbelastes.
2. Produktfejldiagnose og forudsigelse
Dette kan bruges til produktforbedring efter salg og produktforbedring. Indførelsen af allestedsnærværende sensorer og internetteknologi har gjort realtidsdiagnose af produktfejl til virkelighed, mens big data-applikationer, modellering og simuleringsteknologier har gjort det muligt at forudsige dynamik.
Under søgningen efter den mistede forbindelse af Malaysia Airlines MH370 spillede motorens driftsdata, der blev opnået af Boeing, en nøglerolle i bestemmelsen af stien til den mistede forbindelse af flyet. Lad os tage Boeing -flysystemet som en sag for at se, hvordan big data -applikationer spiller en rolle i produktfejldiagnosen.
På Boeings fly udgør hundreder af variabler, såsom motorer, brændstofsystemer, hydraulik og elektriske systemer, in-flight-tilstand. Disse data måles og sendes mindre end et par mikrosekunder. Ved at tage Boeing 737 som et eksempel kan motoren generere 10 terabyte data hvert 30. minut i flugt.
Disse data er ikke kun tekniske telemetri-data, der kan analyseres på et bestemt tidspunkt i fremtiden, men fremmer også realtidsadaptiv kontrol, brændstofforbrug, komponentfejlforudsigelse og pilotanmeldelse, som effektivt kan opnå fejldiagnose og forudsigelse.
Lad os se på et eksempel på General Electric (GE). GE Energy Monitoring and Diagnostics (M&D) Center i Atlanta, USA, indsamler data om tusinder af GE -gasturbiner i mere end 50 lande over hele verden og kan indsamle 10G -data til kunder hver dag. Analyser den konstante Big Data -strømning fra sensorvibrationer og temperatursignaler i systemet. Denne big data -analyse giver støtte til GE's gasturbinefejldiagnose og tidlig advarsel.
Vestmølleproducent Vestas forbedrede også layoutet af vindmøller ved at krydse analysere vejrdata og dens turbinemålerdata, hvilket øgede effektudgangsniveauet for vindmøller og forlænger levetiden.
3. Big Data -anvendelse af industriel IoT -produktionslinje
Moderne produktionslinjer i industriel fremstilling er udstyret med tusinder af små sensorer til at detektere temperatur, tryk, varme, vibrationer og støj.
Da data indsamles hvert par sekunder, kan mange former for analyse realiseres ved hjælp af disse data, herunder udstyrsdiagnose, strømforbrugsanalyse, energiforbrugsanalyse, kvalitetsulykkeanalyse (inklusive overtrædelser af produktionsregler, komponentfejl) osv.
For det første kan forbedring af disse big data i produktionsprocessen analysere hele produktionsprocessen og forstå, hvordan hvert link udføres med hensyn til forbedring af produktionsprocessen i produktionsprocessen og forstå, hvordan hvert link udføres. Når en bestemt proces afviger fra standardprocessen, vil der blive genereret et alarmsignal, der kan findes fejl, der kan findes fejl eller flaskehalse hurtigere, og problemet kan løses lettere.
Ved hjælp af big data -teknologi er det også muligt at etablere virtuelle modeller af produktionsprocessen for industriprodukter, simulere og optimere produktionsprocessen. Når alle proces- og præstationsdata kan rekonstrueres i systemet, vil denne gennemsigtighed hjælpe producenterne med at forbedre deres produktionsprocesser.
For et andet eksempel, hvad angår analyse af energiforbrug, kan brugen af sensorer til centralt overvågning af alle produktionsprocesser under udstyrsproduktionsprocessen finde abnormiteter eller toppe i energiforbrug, så energiforbruget kan optimeres under produktionsprocessen, og alle processer kan udføres. Analyse vil reducere energiforbruget i høj grad.
4. analyse og optimering af industriel forsyningskæde
På nuværende tidspunkt er Big Data-analyse allerede et vigtigt middel for mange e-handelsselskaber til at forbedre deres forsyningskæders konkurrenceevne.
F.eks. Bruger e-handelsselskabet Jingdong Mall Big Data til at analysere og forudsige efterspørgslen efter varer forskellige steder på forhånd og derved forbedre effektiviteten af distribution og oplagring og sikre kundeoplevelsen den næste dag.
RFID og anden produktelektronisk identifikationsteknologi, Internet of Things -teknologi og mobil internetteknologi kan hjælpe industrielle virksomheder med at få big data af en komplet produktforsyningskæde. Brug af disse data til analyse vil medføre en betydelig stigning i lager, distribution og salgseffektivitet og en betydelig omkostning. nedgang.
Der er mere end 1.000 store OEM -leverandører i USA, der leverer mere end 10.000 forskellige produkter til fremstillingsvirksomheder. Hver producent er afhængig af markedsprognoser og andre forskellige variabler, såsom salgsdata, markedsinformation, udstillinger, nyheder og konkurrentdata og endda vejrprognoser for at sælge deres produkter.
Ved hjælp af salgsdata, produktsensordata og data fra leverandørdatabaser kan industrielle fremstillingsvirksomheder nøjagtigt forudsige efterspørgslen i forskellige regioner i verden.
Da lager- og salgspriser kan spores og kan købes, når priserne falder, kan fremstillingsvirksomheder spare mange omkostninger.
Hvis du genbruger de data, der genereres af sensorerne i produktet for at vide, hvad der er galt med produktet, og hvor der er behov for dele, kan de også forudsige, hvor og hvornår der er behov for dele. Dette vil reducere lagerbeholdningen i høj grad og optimere forsyningskæden.
