Tööstuslikud suurandmed on uus mõiste, sõna otseses mõttes mõistetav, tööstuslikud suurandmed viitavad tööstusliku teabe rakendamisel loodud suurandmetele.
Informatsiooni ja industrialiseerimise põhjaliku integreerimisega on infotehnoloogia tunginud kõigisse tööstuslike ettevõtete tööstusliku ahela, näiteks vöötkoode, QR-koodide, RFID, tööstuslike andurite, tööstuslike automaatsete juhtimissüsteemide, tööstusliku interneti, ERP, CAD/CAM/CAI ja muude tehnoloogiate seos, laialdaselt kasutatakse tööstuslikes ettevõtetes.
Eriti uue põlvkonna infotehnoloogiate nagu Interneti, mobiilse Interneti ja asjade Interneti rakendamisel on tööstusharud ka tööstusettevõtted sisenenud Interneti-tööstuses uude arenguetapi ning tööstuslike ettevõtete andmeid on üha rikkalikumaks muutunud.
Tööstuslike suurandmete rakendamine toob tööstusettevõtetes uue innovatsiooni ja ümberkujundamise ajastu. Odava tajumise, kiire mobiilsideühenduse, hajutatud arvutamise ja täiustatud analüüsi kaudu, mille on kaasa toodud Interneti ning mobiilse asjade Interneti, infotehnoloogia ja globaalsed tööstussüsteemid on sügavalt integreeritud, tuues sügavaid muudatusi globaalsetes tööstusharudes ning uuendades ettevõtete teadus- ja arendustegevust ning tootmist ning tootmist. , Töö-, turundus- ja juhtimismeetodid. Hangao Tech (SEKO Machinery) rakendab Interneti -tehnoloogiat selle juhtimissüsteemi jaoks Arukas roostevabast terasest tööstuslik keevitatud torude valmistamise masin , nii et mõlema osapoole tehnilised meeskonnad saaksid tootmise andmeid reaalajas jälgida, käitamise ajal rikeid leida ja seiskamise ära hoida.
Seetõttu on tööstuslike suurandmete rakendustega seotud probleemid ja väljakutsed väiksemad kui Interneti -tööstuses ning mõnel juhul on need veelgi keerulisemad.
Need erinevate tööstusharude innovaatilised tööstusettevõtted on toonud kiiremat kiirust, suuremat tõhusust ja suuremat teavet.
Tööstuslike suurandmete tüüpilised rakendused hõlmavad toodete innovatsiooni, toodete rikke diagnoosimist ja ennustamist, tööstusliku tootmisliini asjade Interneti analüüsi, tööstusettevõtte tarneahela optimeerimist ja toodete täppisiturundust. See artikkel sorteerib ükshaaval tööstuslike suurandmete rakenduse stsenaariumid.
1. kiirendage tooteinnovatsiooni
Klientide ja tööstuslike ettevõtete vaheline suhtlus ja tehingukäitumine genereerib palju andmeid. Nende klientide dünaamiliste andmete kaevandamine ja analüüsimine võib aidata klientidel osaleda tootenõudluse analüüsis ja tootedisaini innovatsioonitegevuses ning teha kaastööd tooteinnovatsioonidesse.
Ford on selles osas näide. Nad rakendasid Ford Focus elektriauto tooteinnovatsiooni ja optimeerimise jaoks suurandmete tehnoloogiat. Sellest autost on saanud tõeline 'suurandmete elektriauto.' Fordi fookuse esimene põlvkond tootis sõidu ja parkimisel palju andmeid.
Sõitmise ajal värskendab juht pidevalt sõiduki kiirendust, pidurdamist, aku laadimist ja asukohateavet. See on autojuhtidele kasulik, kuid andmed saadetakse tagasi ka Ford Inseneridele, et mõista kliendi sõiduharjumusi, sealhulgas seda, kuidas, millal ja kust laadida. Isegi kui sõiduk on seisma jäänud, jätkab see andmete edastamist sõiduki rehvirõhu ja akusüsteemi kohta lähimasse nutitelefoni.
Sellel kliendikeskse suurandmete rakenduse stsenaariumil on palju eeliseid, kuna suured andmed võimaldavad väärtuslikku uut toodete innovatsiooni ja koostöömeetodeid. Autojuhid saavad kasulikku ja ajakohast teavet, samal ajal kui Detroiti insenerid koondavad teavet juhtimiskäitumise kohta klientide mõistmiseks, toote parendamise plaanide väljatöötamiseks ja uute tooteuuenduste rakendamiseks.
Lisaks saavad elektriettevõtted ja muud kolmandate osapoolte tarnijad analüüsida miljoneid miili kaugusel sõiduandmeid, et teha kindlaks, kuhu ehitada uusi laadimisjaamu ja kuidas takistada habras ruudustikku ülekoormamist.
2. toote rikke diagnoosimine ja ennustamine
Seda saab kasutada tootejärgse teenuse ja toote parandamiseks. Üldine andurite ja Interneti-tehnoloogia kasutuselevõtt on muutnud tootevead reaalsuseks reaalsuseks, samas kui suurandmete rakendused, modelleerimise ja simulatsioonitehnoloogiad on võimaldanud dünaamikat ennustada.
Malaysia Airlinesi MH370 kaotatud ühenduse otsimisel mängisid Boeingi abil saadud mootori tööandmed võtmerolli lennuki kaotatud ühenduse tee määramisel. Võtame Boeingi lennukisüsteemi juhtumina, et näha, kuidas Big Data rakendused mängivad rolli toote rikke diagnoosimisel.
Boeingi lennukil moodustavad lennusisese oleku sajad muutujad, näiteks mootorid, kütusesüsteemid, hüdrosüsteemid ja elektrisüsteemid. Neid andmeid mõõdetakse ja saadetakse vähem kui mõne mikrosekundi jooksul. Võttes näitena Boeing 737, saab mootor genereerida 10 terabaiti iga 30 minuti järel lendu.
Need andmed pole mitte ainult tehnilised telemeetriaandmed, mida saab tulevikus teatud hetkel analüüsida, vaid edendavad ka reaalajas adaptiivset kontrolli, kütuse kasutamist, komponentide rikete ennustamist ja pilootteadet, mis võib tõhusalt saavutada rikke diagnoosimist ja ennustamist.
Vaatame näidet General Electric (GE). USA -s Atlanta osariigis asuv GE Energy Seire ja Diagnostika (M&D) keskus kogub andmeid tuhandete GE gaasiturbiinide kohta enam kui 50 riigis kogu maailmas ja võib koguda iga päev klientidele 10G andmeid. Analüüsige püsivat suurandmete voogu anduri vibratsioonist ja temperatuurisignaalidest süsteemis. See suurandmete analüüs toetab GE gaasiturbiini rikke diagnoosimist ja varajast hoiatust.
Tuuleturbiini tootja vestad parandasid ka tuuleturbiinide paigutust ilma analüüsivate ilmastikuandmete ja selle turbiinimõõturite andmete abil, suurendades sellega tuuleturbiinide võimsustaset ja pikendades kasutusajat.
3. tööstusliku Interneti tootmisliini suurandmete rakendamine
Kaasaegsed tööstuslikud tootmisliinid on varustatud tuhandete väikeste anduritega, et tuvastada temperatuuri, rõhku, soojust, vibratsiooni ja müra.
Kuna andmeid kogutakse iga paari sekundi tagant, saab nende andmete abil realiseerida paljusid analüüsi vorme, sealhulgas seadmete diagnoosimist, energiatarbimise analüüsi, energiatarbimise analüüsi, kvaliteetse õnnetuste analüüsi (sealhulgas tootmiseeskirjade rikkumist, komponentide rikkeid) jne.
Esiteks saab tootmisprotsesside parandamise osas nende suurandmete kasutamine tootmisprotsessis analüüsida kogu tootmisprotsessi ja mõista, kuidas iga linki teostatakse. Kui teatud protsess kaldub standardprotsessist kõrvale, genereeritakse häiresignaal, vead või kitsaskohad leiate kiiremini ja probleemi saab hõlpsamini lahendada.
Big Data Technology abil on võimalik luua ka tööstustoodete tootmisprotsessi virtuaalseid mudeleid, simuleerida ja optimeerida tootmisprotsessi. Kui kogu protsessi- ja jõudlusandmeid saab süsteemis rekonstrueerida, aitab see läbipaistvus tootjatel oma tootmisprotsesse paremaks muuta.
Veel ühe näite jaoks võib energiatarbimise analüüsi osas andurite kasutamine kõigi tootmisprotsesside tsentraalselt jälgida seadme tootmisprotsessi ajal energiatarbimise kõrvalekaldeid või tippe, nii et energiatarbimist saaks optimeerida tootmisprotsessi ajal ja kõiki protsesse saab läbi viia. Analüüs vähendab oluliselt energiatarbimist.
4. Tööstusliku tarneahela analüüs ja optimeerimine
Praegu on suurandmete analüüs paljude e-kaubanduse ettevõtete jaoks juba oluline vahend nende tarneahelate konkurentsivõime suurendamiseks.
Näiteks kasutab e-kaubanduse ettevõte Jingdong Mall suurandmeid kaupade nõudluse analüüsimiseks ja ennustamiseks erinevates kohtades eelnevalt, parandades seeläbi levitamise ja ladustamise tõhusust ning tagades järgmise päeva kliendikogemuse.
RFID ja muu toote elektrooniline identifitseerimistehnoloogia, asjade Interneti -tehnoloogia ja mobiilne Interneti -tehnoloogia aitavad tööstuslikel ettevõtetel saada suurandmeid kogu toote tarneahela kohta. Nende andmete kasutamine analüüsimiseks toob kaasa ladustamise, levitamise ja müügiefektiivsuse olulise suurenemise ning märkimisväärsed kulud. langus.
Ameerika Ühendriikides on rohkem kui 1000 suurt OEM -tarnijat, pakkudes tootmisettevõtetele rohkem kui 10 000 erinevat toodet. Iga tootja tugineb turuprognoosidele ja muudele erinevatele muutujatele, näiteks müügiandmed, turuteave, näitused, uudised ja konkurentide andmed ning isegi ilmateate prognoosid oma toodete müümiseks.
Kasutades müügiandmeid, tooteanduri andmeid ja tarnijate andmebaaside andmeid, saavad tööstuse tootmisettevõtted täpselt ennustada nõudlust maailma erinevates piirkondades.
Kuna varude ja müügihindu saab jälgida ja neid saab osta, kui hinnad langevad, saavad tootmisettevõtted säästa palju kulusid.
Kui kasutate toote andurite genereeritud andmeid uuesti, et teada saada, mis on tootel viga ja kus osi on vaja, saavad nad ka ennustada, kus ja millal on vajalikke osi. See vähendab oluliselt varusid ja optimeerib tarneahelat.
