Τα βιομηχανικά μεγάλα δεδομένα είναι μια νέα ιδέα, κυριολεκτικά κατανοητή, τα βιομηχανικά μεγάλα δεδομένα αναφέρονται στα μεγάλα δεδομένα που δημιουργούνται στην εφαρμογή βιομηχανικών πληροφοριών.
Με την εμπεριστατωμένη ενσωμάτωση της πληροφόρησης και της εκβιομηχάνισης, η τεχνολογία της πληροφορίας έχει διεισδύσει σε όλους τους συνδέσμους της βιομηχανικής αλυσίδας βιομηχανικών επιχειρήσεων, όπως οι κώδικες Barcodes, οι κώδικες QR, η RFID, οι βιομηχανικοί αισθητήρες, τα βιομηχανικά συστήματα ελέγχου, το βιομηχανικό Διαδίκτυο των πραγμάτων, το ERP, το CAD/CAM/CAE/CAI και άλλες τεχνολογίες, χρησιμοποιούνται ευρέως σε βιομηχανικές επιχειρήσεις.
Ειδικά με την εφαρμογή τεχνολογιών πληροφόρησης νέας γενιάς, όπως το Διαδίκτυο, το Κινητό Διαδίκτυο και το Διαδίκτυο των πραγμάτων στον βιομηχανικό τομέα, οι βιομηχανικές επιχειρήσεις έχουν επίσης εισέλθει σε ένα νέο στάδιο ανάπτυξης στον κλάδο του Διαδικτύου και τα δεδομένα που κατέχουν οι βιομηχανικές επιχειρήσεις έχουν γίνει όλο και πιο άφθονα.
Η εφαρμογή των βιομηχανικών μεγάλων δεδομένων θα φέρει μια νέα εποχή καινοτομίας και μετασχηματισμού στις βιομηχανικές επιχειρήσεις. Μέσω της αντίληψης χαμηλού κόστους, της υψηλής ταχύτητας κινητής σύνδεσης, της κατανεμημένης πληροφορικής και της προηγμένης ανάλυσης που προκύπτουν από το Διαδίκτυο και το κινητό Διαδίκτυο των πραγμάτων, η τεχνολογία της πληροφορίας και τα παγκόσμια βιομηχανικά συστήματα είναι βαθιά ολοκληρωμένα, φέρνοντας βαθιές αλλαγές στις παγκόσμιες βιομηχανίες και καινοτομώντας την Ε & Α και την παραγωγή επιχειρήσεων. , Μέθοδοι λειτουργίας, μάρκετινγκ και διαχείρισης. Το Hangao Tech (Machinery Seko) εφαρμόζει τεχνολογία Διαδικτύου στο σύστημα ελέγχου του Ευφυής βιομηχανικός χάλυβα βιομηχανικός συγκολλημένος μηχανισμός κατασκευής σωλήνων , έτσι ώστε οι τεχνικές ομάδες και των δύο μερών να μπορούν να παρακολουθούν τα δεδομένα παραγωγής σε πραγματικό χρόνο, να βρουν σφάλματα κατά τη διάρκεια της λειτουργίας και να αποτρέψουν το shutdowns.
Ως εκ τούτου, τα προβλήματα και οι προκλήσεις που αντιμετωπίζουν οι βιομηχανικές εφαρμογές μεγάλων δεδομένων δεν είναι μικρότερα από αυτά της βιομηχανίας του Διαδικτύου και σε ορισμένες περιπτώσεις είναι ακόμη πιο περίπλοκες.
Αυτές οι καινοτόμες βιομηχανικές επιχειρήσεις σε διαφορετικές βιομηχανίες έχουν φέρει ταχύτερη ταχύτητα, υψηλότερη απόδοση και υψηλότερη διορατικότητα.
Οι τυπικές εφαρμογές των βιομηχανικών μεγάλων δεδομένων περιλαμβάνουν την καινοτομία προϊόντων, τη διάγνωση και την πρόβλεψη των προϊόντων, τη βελτιστοποίηση του IoT της βιομηχανικής γραμμής, τη βελτιστοποίηση της αλυσίδας εφοδιασμού των επιχειρήσεων και το μάρκετινγκ ακριβείας προϊόντων. Αυτό το άρθρο θα επιλύσει τα σενάρια εφαρμογής των βιομηχανικών μεγάλων δεδομένων στις επιχειρήσεις παραγωγής ένα προς ένα.
1. Επιτάχυνση καινοτομίας προϊόντων
Η αλληλεπίδραση και η συμπεριφορά των συναλλαγών μεταξύ πελατών και βιομηχανικών επιχειρήσεων θα δημιουργήσουν μεγάλο αριθμό δεδομένων. Η εξόρυξη και η ανάλυση αυτών των δυναμικών δεδομένων πελατών μπορεί να βοηθήσει τους πελάτες να συμμετάσχουν στην ανάλυση της ζήτησης προϊόντων και στις δραστηριότητες καινοτομίας του σχεδιασμού προϊόντων και να συμβάλλουν στην καινοτομία των προϊόντων.
Η Ford είναι ένα παράδειγμα από αυτή την άποψη. Εφαρμόσουν την τεχνολογία μεγάλων δεδομένων στην καινοτομία των προϊόντων και τη βελτιστοποίηση του ηλεκτρικού αυτοκινήτου Ford Focus. Αυτό το αυτοκίνητο έχει γίνει ένα πραγματικό 'Big Data Electric Car.' Η πρώτη γενιά των ηλεκτρικών οχημάτων Ford Focus δημιούργησε πολλά δεδομένα κατά την οδήγηση και το χώρο στάθμευσης.
Κατά την οδήγηση, ο οδηγός ενημερώνει συνεχώς την επιτάχυνση του οχήματος, το πέδηση, τη φόρτιση της μπαταρίας και τις πληροφορίες τοποθεσίας. Αυτό είναι χρήσιμο για τους οδηγούς, αλλά τα δεδομένα αποστέλλονται επίσης στους μηχανικούς της Ford για να κατανοήσουν τις οδηγικές συνήθειες του πελάτη, συμπεριλαμβανομένου του τρόπου, πότε και πού να χρεώνουν. Ακόμη και αν το όχημα βρίσκεται σε στάση, θα συνεχίσει να μεταδίδει δεδομένα σχετικά με την πίεση των ελαστικών και το σύστημα μπαταρίας του οχήματος στο πλησιέστερο έξυπνο τηλέφωνο.
Αυτό το σενάριο εφαρμογών μεγάλων δεδομένων που επικεντρώνεται στον πελάτη έχει πολλά οφέλη, επειδή τα μεγάλα δεδομένα επιτρέπουν πολύτιμες νέες μεθόδους καινοτομίας προϊόντων και συνεργασίας. Οι οδηγοί παίρνουν χρήσιμες και ενημερωμένες πληροφορίες, ενώ οι μηχανικοί σε συνολικές πληροφορίες του Ντιτρόιτ σχετικά με τη συμπεριφορά οδήγησης για την κατανόηση των πελατών, την ανάπτυξη σχεδίων βελτίωσης των προϊόντων και την εφαρμογή νέων καινοτομιών προϊόντων.
Επιπλέον, οι εταιρείες ηλεκτρικής ενέργειας και άλλοι προμηθευτές τρίτων μπορούν να αναλύσουν εκατομμύρια χιλιόμετρα δεδομένων οδήγησης για να καθορίσουν πού να δημιουργήσουν νέους σταθμούς φόρτισης και πώς να αποτρέψουν την υπερφόρτωση του εύθραυστου δικτύου.
2. Διάγνωση και πρόβλεψη σφαλμάτων προϊόντος
Αυτό μπορεί να χρησιμοποιηθεί για την υπηρεσία μετά την πώληση προϊόντων και τη βελτίωση του προϊόντος. Η εισαγωγή πανταχού παρόντων αισθητήρων και τεχνολογίας του Διαδικτύου έχει καταστήσει πραγματικότητα σε πραγματικό χρόνο τα σφάλματα των προϊόντων, ενώ οι μεγάλες εφαρμογές δεδομένων, οι τεχνολογίες μοντελοποίησης και προσομοίωσης έχουν καταστήσει δυνατή την πρόβλεψη της δυναμικής.
Κατά τη διάρκεια της αναζήτησης της απώλειας σύνδεσης της Malaysia Airlines MH370, τα δεδομένα λειτουργίας του κινητήρα που ελήφθησαν από την Boeing διαδραμάτισαν βασικό ρόλο στον προσδιορισμό της διαδρομής της χαμένης σύνδεσης του αεροσκάφους. Ας πάρουμε το σύστημα αεροσκαφών Boeing ως περίπτωση για να δούμε πόσο μεγάλες εφαρμογές δεδομένων παίζουν ρόλο στη διάγνωση σφαλμάτων προϊόντων.
Στα αεροσκάφη της Boeing, εκατοντάδες μεταβλητές, όπως κινητήρες, συστήματα καυσίμων, υδραυλικά συστήματα και ηλεκτρικά συστήματα, αποτελούν την κατάσταση κατά την πτήση. Αυτά τα δεδομένα μετριούνται και αποστέλλονται σε λιγότερο από μερικά μικροδευτερόλεπτα. Λαμβάνοντας το Boeing 737 ως παράδειγμα, ο κινητήρας μπορεί να παράγει 10 terabytes δεδομένων κάθε 30 λεπτά κατά την πτήση.
Αυτά τα δεδομένα δεν είναι μόνο δεδομένα μηχανικής τηλεμετρίας που μπορούν να αναλυθούν σε ένα συγκεκριμένο σημείο στο μέλλον, αλλά και να προωθήσουν τον προσαρμοστικό έλεγχο σε πραγματικό χρόνο, τη χρήση καυσίμου, την πρόβλεψη αποτυχίας και την πιλοτική ειδοποίηση, η οποία μπορεί να επιτύχει αποτελεσματικά τη διάγνωση και την πρόβλεψη.
Ας δούμε ένα παράδειγμα της General Electric (GE). Το Κέντρο Παρακολούθησης και Διαγνωστικών (M & D) της GE Energy στην Ατλάντα, ΗΠΑ, συλλέγει δεδομένα σε χιλιάδες αεριοστρόβιλους GE σε περισσότερες από 50 χώρες σε όλο τον κόσμο και μπορεί να συλλέγει 10G δεδομένα για τους πελάτες κάθε μέρα. Αναλύστε τη σταθερή ροή μεγάλων δεδομένων από τα σήματα δόνησης και θερμοκρασίας αισθητήρα στο σύστημα. Αυτή η ανάλυση μεγάλων δεδομένων θα παρέχει υποστήριξη για τη διάγνωση του αεριοστρόβιλου της GE και την έγκαιρη προειδοποίηση.
Ο κατασκευαστής των ανεμογεννητριών Vestas βελτίωσε επίσης τη διάταξη των ανεμογεννητριών με δεδομένα καιρού με διασταυρούμενες αναλύσεις και τα δεδομένα του μετρητή του στροβίλου, αυξάνοντας έτσι το επίπεδο ισχύος των ανεμογεννητριών και την επέκταση της διάρκειας ζωής.
3. Μεγάλη εφαρμογή δεδομένων της βιομηχανικής γραμμής παραγωγής IoT
Οι σύγχρονες βιομηχανικές γραμμές παραγωγής είναι εξοπλισμένες με χιλιάδες μικρούς αισθητήρες για την ανίχνευση της θερμοκρασίας, της πίεσης, της θερμότητας, των κραδασμών και του θορύβου.
Επειδή τα δεδομένα συλλέγονται κάθε λίγα δευτερόλεπτα, πολλές μορφές ανάλυσης μπορούν να πραγματοποιηθούν χρησιμοποιώντας αυτά τα δεδομένα, συμπεριλαμβανομένης της διάγνωσης του εξοπλισμού, της ανάλυσης κατανάλωσης ενέργειας, της ανάλυσης κατανάλωσης ενέργειας, της ανάλυσης ατυχημάτων ποιότητας (συμπεριλαμβανομένων των παραβιάσεων των κανονισμών παραγωγής, των αποτυχιών των συστατικών) κ.λπ.
Πρώτα απ 'όλα, όσον αφορά τη βελτίωση της διαδικασίας παραγωγής, η χρήση αυτών των μεγάλων δεδομένων στη διαδικασία παραγωγής μπορεί να αναλύσει ολόκληρη τη διαδικασία παραγωγής και να κατανοήσει τον τρόπο εκτέλεσης κάθε σύνδεσης. Μόλις μια συγκεκριμένη διαδικασία αποκλίνει από την τυποποιημένη διαδικασία, θα δημιουργηθεί ένα σήμα συναγερμού, τα σφάλματα ή τα σημεία συμφόρησης μπορούν να βρεθούν πιο γρήγορα και το πρόβλημα μπορεί να λυθεί ευκολότερα.
Χρησιμοποιώντας την τεχνολογία μεγάλων δεδομένων, είναι επίσης δυνατό να δημιουργηθούν εικονικά μοντέλα της διαδικασίας παραγωγής των βιομηχανικών προϊόντων, να προσομοιωθούν και να βελτιστοποιηθούν η διαδικασία παραγωγής. Όταν όλα τα δεδομένα διαδικασίας και απόδοσης μπορούν να ανακατασκευαστούν στο σύστημα, αυτή η διαφάνεια θα βοηθήσει τους κατασκευαστές να βελτιώσουν τις διαδικασίες παραγωγής τους.
Για ένα άλλο παράδειγμα, από την άποψη της ανάλυσης κατανάλωσης ενέργειας, η χρήση αισθητήρων για την κεντρική παρακολούθηση όλων των διαδικασιών παραγωγής κατά τη διάρκεια της διαδικασίας παραγωγής εξοπλισμού μπορεί να βρει ανωμαλίες ή κορυφές στην κατανάλωση ενέργειας, έτσι ώστε να μπορούν να βελτιστοποιηθούν η κατανάλωση ενέργειας κατά τη διάρκεια της παραγωγικής διαδικασίας και όλες οι διαδικασίες. Η ανάλυση θα μειώσει σημαντικά την κατανάλωση ενέργειας.
4. Ανάλυση και βελτιστοποίηση της βιομηχανικής αλυσίδας εφοδιασμού
Προς το παρόν, η ανάλυση μεγάλων δεδομένων αποτελεί ήδη ένα σημαντικό μέσο για πολλές εταιρείες ηλεκτρονικού εμπορίου να ενισχύσουν την ανταγωνιστικότητα των αλυσίδων εφοδιασμού τους.
Για παράδειγμα, η εταιρεία ηλεκτρονικού εμπορίου Jingdong Mall χρησιμοποιεί μεγάλα δεδομένα για να αναλύσει και να προβλέψει τη ζήτηση αγαθών σε διάφορα μέρη εκ των προτέρων, βελτιώνοντας έτσι την αποτελεσματικότητα της διανομής και της αποθήκευσης και εξασφαλίζοντας την εμπειρία του πελάτη της επόμενης ημέρας.
Η τεχνολογία ηλεκτρονικής ταυτότητας RFID και άλλων προϊόντων, η τεχνολογία του Internet of Things και η τεχνολογία του κινητού διαδικτύου μπορούν να βοηθήσουν τις βιομηχανικές επιχειρήσεις να αποκτήσουν μεγάλα δεδομένα μιας πλήρους αλυσίδας εφοδιασμού προϊόντων. Η χρήση αυτών των δεδομένων για ανάλυση θα επιφέρει σημαντική αύξηση της αποθήκευσης, της διανομής και της αποτελεσματικότητας των πωλήσεων και ένα σημαντικό κόστος. πτώση.
Υπάρχουν περισσότεροι από 1.000 μεγάλοι προμηθευτές OEM στις Ηνωμένες Πολιτείες, παρέχοντας περισσότερα από 10.000 διαφορετικά προϊόντα στις κατασκευαστικές εταιρείες. Κάθε κατασκευαστής βασίζεται σε προβλέψεις της αγοράς και σε άλλες διαφορετικές μεταβλητές, όπως δεδομένα πωλήσεων, πληροφορίες αγοράς, εκθέσεις, νέα και δεδομένα ανταγωνιστών, ακόμη και προβλέψεις για τις καιρικές συνθήκες για την πώληση των προϊόντων τους.
Χρησιμοποιώντας δεδομένα πωλήσεων, δεδομένα αισθητήρων προϊόντων και δεδομένα από βάσεις δεδομένων προμηθευτών, οι βιομηχανικές εταιρείες παραγωγής μπορούν να προβλέψουν με ακρίβεια τη ζήτηση σε διάφορες περιοχές του κόσμου.
Δεδομένου ότι οι τιμές των αποθεμάτων και των πωλήσεων μπορούν να εντοπιστούν και μπορούν να αγοραστούν όταν οι τιμές πέφτουν, οι κατασκευαστικές εταιρείες μπορούν να εξοικονομήσουν πολλά έξοδα.
Εάν επαναχρησιμοποιήσετε τα δεδομένα που δημιουργούνται από τους αισθητήρες του προϊόντος για να γνωρίζετε τι είναι λάθος με το προϊόν και όπου χρειάζονται εξαρτήματα, μπορούν επίσης να προβλέψουν πού και πότε χρειάζονται μέρη. Αυτό θα μειώσει σημαντικά το απόθεμα και θα βελτιστοποιήσει την αλυσίδα εφοδιασμού.
