Industrial Big Data ist ein neues Konzept. Im wahrsten Sinne des Wortes bezieht sich Industrial Big Data auf die Big Data, die bei der Anwendung industrieller Informationen generiert werden.
Mit der tiefgreifenden Integration von Informatisierung und Industrialisierung ist die Informationstechnologie in alle Glieder der Industriekette von Industrieunternehmen eingedrungen, wie Barcodes, QR-Codes, RFID, Industriesensoren, industrielle automatische Steuerungssysteme, industrielles Internet der Dinge, ERP, CAD/CAM/CAE/CAI und andere Technologien sind in Industrieunternehmen weit verbreitet.
Insbesondere mit der Anwendung von Informationstechnologien der neuen Generation wie dem Internet, dem mobilen Internet und dem Internet der Dinge im industriellen Bereich sind Industrieunternehmen auch in der Internetbranche in eine neue Entwicklungsstufe eingetreten, und die von Industrieunternehmen gespeicherten Daten haben dies getan werden immer häufiger.
Die Anwendung industrieller Big Data wird eine neue Ära der Innovation und Transformation in Industrieunternehmen einläuten.Durch die kostengünstige Wahrnehmung, schnelle mobile Verbindungen, verteiltes Rechnen und fortschrittliche Analysen, die durch das Internet und das mobile Internet der Dinge entstehen, werden Informationstechnologie und globale Industriesysteme tiefgreifend integriert, was tiefgreifende Veränderungen in den globalen Industrien mit sich bringt und Innovationen hervorbringt Forschung und Entwicklung sowie Produktion von Unternehmen., Betriebs-, Marketing- und Managementmethoden. Hangao Tech (SEKO Machinery) wendet Internet-Technologie auf das Steuerungssystem des an Intelligente industrielle Maschinen zur Herstellung von geschweißten Edelstahlrohren , sodass die technischen Teams beider Parteien Produktionsdaten in Echtzeit überwachen, Fehler während des Betriebs finden und Stillstände verhindern können.
Daher sind die Probleme und Herausforderungen, mit denen industrielle Big-Data-Anwendungen konfrontiert sind, nicht geringer als die der Internetbranche, in einigen Fällen sind sie sogar noch komplizierter.
Diese innovativen Industrieunternehmen in verschiedenen Branchen haben zu schnellerer Geschwindigkeit, höherer Effizienz und besseren Erkenntnissen geführt.
Zu den typischen Anwendungen industrieller Big Data gehören Produktinnovationen, Produktfehlerdiagnose und -vorhersage, IoT-Analysen industrieller Produktionslinien, Optimierung der Lieferkette von Industrieunternehmen und Produktpräzisionsmarketing.In diesem Artikel werden die Anwendungsszenarien industrieller Big Data in produzierenden Unternehmen einzeln erläutert.
1. Beschleunigen Sie Produktinnovationen
Durch das Interaktions- und Transaktionsverhalten zwischen Kunden und Industrieunternehmen werden große Datenmengen generiert.Durch die Gewinnung und Analyse dieser dynamischen Kundendaten können Kunden an Produktnachfrageanalysen und Produktdesign-Innovationsaktivitäten teilnehmen und Beiträge zur Produktinnovation leisten.
Ford ist in dieser Hinsicht ein Beispiel.Sie nutzten Big-Data-Technologie für die Produktinnovation und -optimierung des Elektroautos Ford Focus.Dieses Auto hat sich zu einem wahren „Big-Data-Elektroauto“ entwickelt. Die erste Generation der Ford Focus-Elektrofahrzeuge erzeugte beim Fahren und Parken viele Daten.
Während der Fahrt aktualisiert der Fahrer kontinuierlich die Beschleunigungs-, Brems-, Batterielade- und Standortinformationen des Fahrzeugs.Dies ist für Fahrer nützlich, aber die Daten werden auch an die Ford-Ingenieure zurückgesendet, um die Fahrgewohnheiten des Kunden zu verstehen, einschließlich der Frage, wie, wann und wo aufgeladen werden muss.Selbst wenn das Fahrzeug steht, überträgt es weiterhin Daten zum Reifendruck und zum Batteriesystem des Fahrzeugs an das nächstgelegene Smartphone.
Dieses kundenzentrierte Big-Data-Anwendungsszenario hat viele Vorteile, da Big Data wertvolle neue Produktinnovationen und Methoden der Zusammenarbeit ermöglicht.Fahrer erhalten nützliche und aktuelle Informationen, während Ingenieure in Detroit Informationen über das Fahrverhalten sammeln, um Kunden zu verstehen, Produktverbesserungspläne zu entwickeln und neue Produktinnovationen umzusetzen.
Darüber hinaus können Energieversorger und andere Drittanbieter Millionen Kilometer an Fahrdaten analysieren, um zu bestimmen, wo neue Ladestationen gebaut werden müssen und wie eine Überlastung des fragilen Netzes verhindert werden kann.
2. Diagnose und Vorhersage von Produktfehlern
Dies kann für den Produkt-After-Sales-Service und die Produktverbesserung genutzt werden.Die Einführung allgegenwärtiger Sensoren und Internet-Technologie hat die Echtzeitdiagnose von Produktfehlern zur Realität gemacht, während Big-Data-Anwendungen, Modellierungs- und Simulationstechnologien die Vorhersage von Dynamiken ermöglicht haben.
Bei der Suche nach der verlorenen Verbindung der Malaysia Airlines MH370 spielten die von Boeing erhaltenen Triebwerksbetriebsdaten eine Schlüsselrolle bei der Bestimmung des Weges der verlorenen Verbindung des Flugzeugs.Nehmen wir das Boeing-Flugzeugsystem als Beispiel, um zu sehen, welche Rolle Big-Data-Anwendungen bei der Produktfehlerdiagnose spielen.
In Boeing-Flugzeugen bestimmen Hunderte von Variablen den Zustand während des Flugs, beispielsweise Triebwerke, Treibstoffsysteme, Hydraulik und elektrische Systeme.Diese Daten werden in weniger als wenigen Mikrosekunden gemessen und gesendet.Am Beispiel der Boeing 737 kann das Triebwerk im Flug alle 30 Minuten 10 Terabyte an Daten erzeugen.
Bei diesen Daten handelt es sich nicht nur um technische Telemetriedaten, die zu einem bestimmten Zeitpunkt in der Zukunft analysiert werden können, sondern sie fördern auch die adaptive Echtzeitsteuerung, den Kraftstoffverbrauch, die Vorhersage von Komponentenausfällen und die Pilotbenachrichtigung, wodurch eine effektive Fehlerdiagnose und -vorhersage erreicht werden kann.
Schauen wir uns ein Beispiel von General Electric (GE) an.Das GE Energy Monitoring and Diagnostics (M&D) Center in Atlanta, USA, sammelt Daten zu Tausenden von GE-Gasturbinen in mehr als 50 Ländern auf der ganzen Welt und kann täglich 10G-Daten für Kunden sammeln.Analysieren Sie den ständigen Big-Data-Fluss aus den Sensorvibrations- und Temperatursignalen im System.Diese Big-Data-Analyse wird die Fehlerdiagnose und Frühwarnung von GEs Gasturbinen unterstützen.
Der Windkraftanlagenhersteller Vestas verbesserte außerdem die Auslegung von Windkraftanlagen durch die Gegenanalyse von Wetterdaten und seinen Turbinenzählerdaten, wodurch die Leistungsabgabe der Windkraftanlagen erhöht und die Lebensdauer verlängert wurde.
3. Big-Data-Anwendung der industriellen IoT-Produktionslinie
Moderne Produktionslinien in der industriellen Fertigung sind mit Tausenden kleiner Sensoren ausgestattet, um Temperatur, Druck, Hitze, Vibration und Lärm zu erfassen.
Da die Daten alle paar Sekunden erfasst werden, können mithilfe dieser Daten viele Formen der Analyse realisiert werden, darunter Gerätediagnose, Stromverbrauchsanalyse, Energieverbrauchsanalyse, Analyse von Qualitätsunfällen (einschließlich Verstößen gegen Produktionsvorschriften, Komponentenausfällen) usw.
Im Hinblick auf die Verbesserung des Produktionsprozesses kann die Verwendung dieser Big Data im Produktionsprozess zunächst den gesamten Produktionsprozess analysieren und verstehen, wie jede Verbindung ausgeführt wird.Sobald ein bestimmter Prozess vom Standardprozess abweicht, wird ein Alarmsignal generiert, Fehler oder Engpässe können schneller gefunden und das Problem einfacher gelöst werden.
Mithilfe der Big-Data-Technologie ist es außerdem möglich, virtuelle Modelle des Produktionsprozesses von Industrieprodukten zu erstellen, den Produktionsprozess zu simulieren und zu optimieren.Wenn alle Prozess- und Leistungsdaten im System nachvollzogen werden können, hilft diese Transparenz den Herstellern, ihre Produktionsprozesse zu verbessern.
Ein weiteres Beispiel im Hinblick auf die Analyse des Energieverbrauchs: Durch den Einsatz von Sensoren zur zentralen Überwachung aller Produktionsprozesse während des Geräteproduktionsprozesses können Anomalien oder Spitzen im Energieverbrauch festgestellt werden, sodass der Energieverbrauch während des Produktionsprozesses und aller Prozesse optimiert werden kann durchgeführt werden.Durch die Analyse wird der Energieverbrauch erheblich gesenkt.
4. Analyse und Optimierung der industriellen Lieferkette
Für viele E-Commerce-Unternehmen ist die Big-Data-Analyse bereits heute ein wichtiges Mittel, um die Wettbewerbsfähigkeit ihrer Lieferketten zu steigern.
Beispielsweise nutzt das E-Commerce-Unternehmen Jingdong Mall Big Data, um die Nachfrage nach Waren an verschiedenen Orten im Voraus zu analysieren und vorherzusagen, wodurch die Effizienz von Vertrieb und Lagerhaltung verbessert und das Kundenerlebnis am nächsten Tag sichergestellt wird.
RFID und andere elektronische Produktidentifikationstechnologien, Internet-of-Things-Technologien und mobile Internettechnologien können Industrieunternehmen dabei helfen, große Datenmengen über eine komplette Produktlieferkette zu erhalten.Die Verwendung dieser Daten für die Analyse führt zu einer erheblichen Steigerung der Lager-, Vertriebs- und Vertriebseffizienz und zu erheblichen Kosten.Abfall.
In den Vereinigten Staaten gibt es mehr als 1.000 große OEM-Zulieferer, die mehr als 10.000 verschiedene Produkte an produzierende Unternehmen liefern.Jeder Hersteller verlässt sich beim Verkauf seiner Produkte auf Marktprognosen und andere unterschiedliche Variablen wie Verkaufsdaten, Marktinformationen, Messen, Nachrichten und Wettbewerbsdaten und sogar Wettervorhersagen.
Anhand von Verkaufsdaten, Produktsensordaten und Daten aus Lieferantendatenbanken können industrielle Fertigungsunternehmen die Nachfrage in verschiedenen Regionen der Welt genau vorhersagen.
Da Lagerbestände und Verkaufspreise verfolgt werden können und bei sinkenden Preisen eingekauft werden kann, können produzierende Unternehmen viel Kosten einsparen.
Wenn Sie die von den Sensoren im Produkt generierten Daten wiederverwenden, um herauszufinden, was mit dem Produkt nicht stimmt und wo Teile benötigt werden, können Sie auch vorhersagen, wo und wann Teile benötigt werden.Dadurch werden die Lagerbestände erheblich reduziert und die Lieferkette optimiert.
