Τα βιομηχανικά μεγάλα δεδομένα είναι μια νέα έννοια, κυριολεκτικά κατανοητή, τα βιομηχανικά μεγάλα δεδομένα αναφέρονται στα μεγάλα δεδομένα που παράγονται στην εφαρμογή βιομηχανικών πληροφοριών.
Με τη εις βάθος ενσωμάτωση της πληροφορικής και της εκβιομηχάνισης, η τεχνολογία της πληροφορίας έχει διεισδύσει σε όλους τους κρίκους της βιομηχανικής αλυσίδας των βιομηχανικών επιχειρήσεων, όπως barcodes, QR codes, RFID, βιομηχανικούς αισθητήρες, βιομηχανικά συστήματα αυτόματου ελέγχου, βιομηχανικό Internet of Things, ERP, Το CAD/CAM/CAE/ CAI και άλλες τεχνολογίες χρησιμοποιούνται ευρέως σε βιομηχανικές επιχειρήσεις.
Ειδικά με την εφαρμογή τεχνολογιών πληροφοριών 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 στη βιομηχανία του Διαδικτύου και τα δεδομένα που διατηρούν οι βιομηχανικές επιχειρήσεις έχουν γίνονται όλο και πιο άφθονα.
Η εφαρμογή βιομηχανικών μεγάλων δεδομένων θα φέρει μια νέα εποχή καινοτομίας και μετασχηματισμού στις βιομηχανικές επιχειρήσεις.Μέσω της αντίληψης χαμηλού κόστους, της υψηλής ταχύτητας κινητής σύνδεσης, των κατανεμημένων υπολογιστών και της προηγμένης ανάλυσης που επιφέρει το Διαδίκτυο και το κινητό Διαδίκτυο των πραγμάτων, η τεχνολογία της πληροφορίας και τα παγκόσμια βιομηχανικά συστήματα ενσωματώνονται σε βάθος, φέρνοντας βαθιές αλλαγές στις παγκόσμιες βιομηχανίες και καινοτομώντας την Ε&Α και παραγωγή επιχειρήσεων., Μέθοδοι λειτουργίας, μάρκετινγκ και διαχείρισης. Η Hangao Tech (SEKO Machinery) εφαρμόζει την τεχνολογία Διαδικτύου στο σύστημα ελέγχου του έξυπνα μηχανήματα κατασκευής βιομηχανικών συγκολλημένων σωλήνων από ανοξείδωτο χάλυβα , έτσι ώστε οι τεχνικές ομάδες και των δύο μερών να μπορούν να παρακολουθούν τα δεδομένα παραγωγής σε πραγματικό χρόνο, να βρίσκουν σφάλματα κατά τη λειτουργία και να αποτρέπουν τη διακοπή λειτουργίας.
Επομένως, τα προβλήματα και οι προκλήσεις που αντιμετωπίζουν οι βιομηχανικές εφαρμογές μεγάλων δεδομένων δεν είναι λιγότερα από εκείνα της βιομηχανίας του Διαδικτύου και σε ορισμένες περιπτώσεις είναι ακόμη πιο περίπλοκα.
Αυτές οι καινοτόμες βιομηχανικές επιχειρήσεις σε διαφορετικούς κλάδους έχουν φέρει μεγαλύτερη ταχύτητα, υψηλότερη απόδοση και υψηλότερη διορατικότητα.
Οι τυπικές εφαρμογές βιομηχανικών μεγάλων δεδομένων περιλαμβάνουν την καινοτομία προϊόντων, τη διάγνωση και πρόβλεψη σφαλμάτων προϊόντος, την ανάλυση IoT γραμμής βιομηχανικής παραγωγής, τη βελτιστοποίηση της αλυσίδας εφοδιασμού βιομηχανικών επιχειρήσεων και το μάρκετινγκ ακριβείας του προϊόντος.Αυτό το άρθρο θα ταξινομήσει ένα προς ένα τα σενάρια εφαρμογής βιομηχανικών μεγάλων δεδομένων στις μεταποιητικές επιχειρήσεις.
1. Επιτάχυνση της καινοτομίας προϊόντων
Η αλληλεπίδραση και η συμπεριφορά συναλλαγών μεταξύ πελατών και βιομηχανικών επιχειρήσεων θα δημιουργήσει μεγάλο όγκο δεδομένων.Η εξόρυξη και η ανάλυση αυτών των δυναμικών δεδομένων πελατών μπορεί να βοηθήσει τους πελάτες να συμμετάσχουν σε δραστηριότητες ανάλυσης ζήτησης προϊόντων και καινοτομίας σχεδιασμού προϊόντων και να συνεισφέρουν στην καινοτομία προϊόντων.
Η Ford είναι ένα παράδειγμα από αυτή την άποψη.Εφάρμοσαν την τεχνολογία big data στην καινοτομία προϊόντων και τη βελτιστοποίηση του ηλεκτρικού αυτοκινήτου Ford Focus.Αυτό το αυτοκίνητο έχει γίνει ένα πραγματικό «ηλεκτρικό αυτοκίνητο μεγάλων δεδομένων». Η πρώτη γενιά ηλεκτρικών οχημάτων Ford Focus παρήγαγε πολλά δεδομένα κατά την οδήγηση και το παρκάρισμα.
Κατά την οδήγηση, ο οδηγός ενημερώνει συνεχώς τις πληροφορίες για την επιτάχυνση, το φρενάρισμα, τη φόρτιση της μπαταρίας και τη θέση του οχήματος.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, του πότε και του πού να φορτίσουν.Ακόμα κι αν το όχημα είναι ακινητοποιημένο, θα συνεχίσει να μεταδίδει δεδομένα σχετικά με την πίεση των ελαστικών και το σύστημα μπαταρίας του οχήματος στο πλησιέστερο έξυπνο τηλέφωνο.
Αυτό το σενάριο εφαρμογής μεγάλων δεδομένων με επίκεντρο τον πελάτη έχει πολλά πλεονεκτήματα, επειδή τα μεγάλα δεδομένα επιτρέπουν πολύτιμες μεθόδους καινοτομίας νέων προϊόντων και συνεργασίας.Οι οδηγοί λαμβάνουν χρήσιμες και ενημερωμένες πληροφορίες, ενώ οι μηχανικοί στο Ντιτρόιτ συγκεντρώνουν πληροφορίες σχετικά με την οδηγική συμπεριφορά για να κατανοήσουν τους πελάτες, να αναπτύξουν σχέδια βελτίωσης προϊόντων και να εφαρμόσουν νέες καινοτομίες προϊόντων.
Επιπλέον, οι εταιρείες ηλεκτρικής ενέργειας και άλλοι τρίτοι προμηθευτές μπορούν να αναλύσουν εκατομμύρια μίλια δεδομένων οδήγησης για να προσδιορίσουν πού θα κατασκευαστούν νέοι σταθμοί φόρτισης και πώς να αποτρέψουν την υπερφόρτωση του εύθραυστου δικτύου.
2. Διάγνωση και πρόβλεψη σφαλμάτων προϊόντος
Αυτό μπορεί να χρησιμοποιηθεί για την εξυπηρέτηση μετά την πώληση και τη βελτίωση του προϊόντος.Η εισαγωγή πανταχού παρών αισθητήρων και η τεχνολογία του Διαδικτύου έχει κάνει πραγματικότητα τη διάγνωση σφαλμάτων προϊόντων σε πραγματικό χρόνο, ενώ οι εφαρμογές μεγάλων δεδομένων, οι τεχνολογίες μοντελοποίησης και προσομοίωσης έχουν καταστήσει δυνατή την πρόβλεψη της δυναμικής.
Κατά την έρευνα για τη χαμένη σύνδεση του Malaysia Airlines MH370, τα δεδομένα λειτουργίας του κινητήρα που έλαβε η Boeing έπαιξαν καθοριστικό ρόλο στον προσδιορισμό της διαδρομής της χαμένης σύνδεσης του αεροσκάφους.Ας πάρουμε το σύστημα αεροσκαφών Boeing ως περίπτωση για να δούμε πώς οι εφαρμογές μεγάλων δεδομένων παίζουν ρόλο στη διάγνωση σφαλμάτων προϊόντος.
Στα αεροσκάφη της Boeing, εκατοντάδες μεταβλητές, όπως κινητήρες, συστήματα καυσίμων, υδραυλικά και ηλεκτρικά συστήματα, συνθέτουν την κατάσταση κατά την πτήση.Αυτά τα δεδομένα μετρώνται και αποστέλλονται σε λιγότερο από μερικά μικροδευτερόλεπτα.Λαμβάνοντας ως παράδειγμα το Boeing 737, 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 ορισμένο σημείο στο μέλλον, αλλά προάγουν επίσης τον προσαρμοστικό έλεγχο σε πραγματικό χρόνο, τη χρήση καυσίμου, την πρόβλεψη αστοχίας εξαρτημάτων και την ειδοποίηση πιλότου, τα οποία μπορούν να επιτύχουν αποτελεσματικά τη διάγνωση και την πρόβλεψη σφαλμάτων.
Ας δούμε ένα παράδειγμα της General Electric (GE).Το Κέντρο GE Energy Monitoring and Diagnostics (M&D) στην Ατλάντα των ΗΠΑ, συλλέγει δεδομένα για χιλιάδες αεριοστρόβιλους GE σε περισσότερες από 50 χώρες σε όλο τον κόσμο και μπορεί να συλλέγει δεδομένα 10G για πελάτες κάθε μέρα.Αναλύστε τη σταθερή ροή δεδομένων μεγάλου όγκου από τα σήματα δόνησης και θερμοκρασίας του αισθητήρα στο σύστημα.Αυτή η ανάλυση μεγάλων δεδομένων θα παρέχει υποστήριξη για τη διάγνωση και την έγκαιρη προειδοποίηση σφαλμάτων αεριοστροβίλου της GE.
Ο κατασκευαστής ανεμογεννητριών Vestas βελτίωσε επίσης τη διάταξη των ανεμογεννητριών αναλύοντας διασταυρούμενα δεδομένα καιρού και τα δεδομένα των μετρητών του, αυξάνοντας έτσι το επίπεδο ισχύος των ανεμογεννητριών και επεκτείνοντας τη διάρκεια ζωής.
3. Εφαρμογή μεγάλων δεδομένων βιομηχανικής γραμμής παραγωγής IoT
Οι σύγχρονες βιομηχανικές γραμμές παραγωγής είναι εξοπλισμένες με χιλιάδες μικρούς αισθητήρες για την ανίχνευση θερμοκρασίας, πίεσης, θερμότητας, κραδασμών και θορύβου.
Επειδή τα δεδομένα συλλέγονται κάθε λίγα δευτερόλεπτα, πολλές μορφές ανάλυσης μπορούν να πραγματοποιηθούν χρησιμοποιώντας αυτά τα δεδομένα, όπως διάγνωση εξοπλισμού, ανάλυση κατανάλωσης ενέργειας, ανάλυση κατανάλωσης ενέργειας, ανάλυση ποιοτικών ατυχημάτων (συμπεριλαμβανομένων παραβιάσεων των κανονισμών παραγωγής, αστοχιών εξαρτημάτων) κ.λπ.
Πρώτα απ 'όλα, όσον αφορά τη βελτίωση της παραγωγικής διαδικασίας, η χρήση αυτών των μεγάλων δεδομένων στη διαδικασία παραγωγής μπορεί να αναλύσει ολόκληρη τη διαδικασία παραγωγής και να κατανοήσει πώς εκτελείται κάθε σύνδεσμος.Μόλις μια συγκεκριμένη διαδικασία αποκλίνει από την τυπική διαδικασία, θα δημιουργηθεί ένα σήμα συναγερμού, τα σφάλματα ή τα σημεία συμφόρησης μπορούν να εντοπιστούν πιο γρήγορα και το πρόβλημα μπορεί να λυθεί πιο εύκολα.
Χρησιμοποιώντας την τεχνολογία μεγάλων δεδομένων, είναι επίσης δυνατή η δημιουργία εικονικών μοντέλων της διαδικασίας παραγωγής βιομηχανικών προϊόντων, η προσομοίωση και η βελτιστοποίηση της παραγωγικής διαδικασίας.Όταν όλα τα δεδομένα διεργασιών και απόδοσης μπορούν να αναδημιουργηθούν στο σύστημα, αυτή η διαφάνεια θα βοηθήσει τους κατασκευαστές να βελτιώσουν τις διαδικασίες παραγωγής τους.
Για ένα άλλο παράδειγμα, όσον αφορά την ανάλυση κατανάλωσης ενέργειας, η χρήση αισθητήρων για την κεντρική παρακολούθηση όλων των διαδικασιών παραγωγής κατά τη διαδικασία παραγωγής εξοπλισμού μπορεί να εντοπίσει ανωμαλίες ή κορυφές στην κατανάλωση ενέργειας, έτσι ώστε η κατανάλωση ενέργειας να μπορεί να βελτιστοποιηθεί κατά τη διαδικασία παραγωγής και όλες οι διαδικασίες μπορούν να πραγματοποιηθεί.Η ανάλυση θα μειώσει σημαντικά την κατανάλωση ενέργειας.
4. Ανάλυση και βελτιστοποίηση της βιομηχανικής εφοδιαστικής αλυσίδας
Επί του παρόντος, η ανάλυση μεγάλων δεδομένων είναι ήδη ένα σημαντικό μέσο για πολλές εταιρείες ηλεκτρονικού εμπορίου για 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 εκ των προτέρων τη ζήτηση για αγαθά σε διάφορα μέρη, βελτιώνοντας έτσι την αποτελεσματικότητα της διανομής και της αποθήκευσης και διασφαλίζοντας την εμπειρία των πελατών της επόμενης ημέρας.
Η τεχνολογία RFID και άλλων προϊόντων ηλεκτρονικής αναγνώρισης, η τεχνολογία Διαδικτύου των πραγμάτων και η τεχνολογία κινητού Διαδικτύου μπορούν να βοηθήσουν τις βιομηχανικές επιχειρήσεις να αποκτήσουν μεγάλα δεδομένα μιας ολοκληρωμένης αλυσίδας εφοδιασμού προϊόντων.Η χρήση αυτών των δεδομένων για ανάλυση θα επιφέρει σημαντική αύξηση στην αποτελεσματικότητα αποθήκευσης, διανομής και πωλήσεων και σημαντικό κόστος.πτώση.
Υπάρχουν περισσότεροι από 1.000 μεγάλοι προμηθευτές OEM στις Ηνωμένες Πολιτείες, οι οποίοι παρέχουν περισσότερα από 10.000 διαφορετικά προϊόντα σε κατασκευαστικές εταιρείες.Κάθε κατασκευαστής βασίζεται σε προβλέψεις αγοράς και άλλες διαφορετικές μεταβλητές, όπως δεδομένα πωλήσεων, πληροφορίες αγοράς, εκθέσεις, ειδήσεις και δεδομένα ανταγωνιστών, ακόμη και μετεωρολογικές προβλέψεις για να πουλήσει τα προϊόντα του.
Χρησιμοποιώντας δεδομένα πωλήσεων, δεδομένα αισθητήρων προϊόντων και δεδομένα από βάσεις δεδομένων προμηθευτών, οι βιομηχανικές κατασκευαστικές εταιρείες μπορούν να προβλέψουν με ακρίβεια τη ζήτηση σε διάφορες περιοχές του κόσμου.
Δεδομένου ότι οι τιμές των αποθεμάτων και των πωλήσεων μπορούν να παρακολουθούνται και μπορούν να αγοραστούν όταν πέφτουν οι τιμές, οι κατασκευαστικές εταιρείες μπορούν να εξοικονομήσουν πολλά κόστη.
Εάν επαναχρησιμοποιήσετε τα δεδομένα που δημιουργούνται από τους αισθητήρες στο προϊόν για να μάθετε τι συμβαίνει με το προϊόν και πού χρειάζονται εξαρτήματα, μπορούν επίσης να προβλέψουν πού και πότε χρειάζονται εξαρτήματα.Αυτό θα μειώσει σημαντικά το απόθεμα και θα βελτιστοποιήσει την αλυσίδα εφοδιασμού.
Please Choose Your Language
