داده های بزرگ صنعتی یک مفهوم جدید است ، به معنای واقعی کلمه ، داده های بزرگ صنعتی به داده های بزرگ تولید شده در استفاده از اطلاعات صنعتی اشاره دارد.
با ادغام عمیق در مورد اطلاعات و صنعتی سازی ، فناوری اطلاعات به کلیه پیوندهای زنجیره صنعتی شرکتهای صنعتی ، مانند بارکدها ، کدهای QR ، RFID ، سیستم های کنترل اتوماتیک صنعتی ، اینترنت صنعتی ، ERP ، CAD/CAM/CAE/CAI و سایر فناوری ها به طور گسترده ای در شرکت های صنعتی استفاده می شود.
به خصوص با استفاده از فن آوری های اطلاعاتی نسل جدید مانند اینترنت ، اینترنت موبایل و اینترنت اشیاء در حوزه صنعتی ، شرکت های صنعتی نیز وارد مرحله جدیدی از توسعه در صنعت اینترنت شده اند و داده های شرکت های صنعتی به طور فزاینده ای فراوان شده است.
استفاده از داده های بزرگ صنعتی دوره جدیدی از نوآوری و تحول در شرکتهای صنعتی را به همراه خواهد داشت. از طریق درک کم هزینه ، اتصال سریع موبایل با سرعت بالا ، محاسبات توزیع شده و تجزیه و تحلیل پیشرفته که توسط اینترنت و اینترنت موبایل از اشیاء ، فناوری اطلاعات و سیستم های صنعتی جهانی ایجاد شده است ، عمیقاً یکپارچه شده و تغییرات عمیقی را در صنایع جهانی به وجود می آورد و نوآوری تحقیق و توسعه و تولید شرکت ها را ایجاد می کند. ، عملکرد ، بازاریابی و روش های مدیریت. Hangao Tech (ماشین آلات SEKO) فناوری اینترنت را برای سیستم کنترل استفاده می کند لوله های جوش داده شده با استیل ضد زنگ هوشمند ، به گونه ای که تیم های فنی هر دو طرف می توانند داده های تولید را در زمان واقعی رصد کنند ، در حین کار گسل پیدا کنند و از خاموش شدن جلوگیری کنند.
بنابراین ، مشکلات و چالش های پیش روی برنامه های داده های بزرگ صنعتی کمتر از مشکلات صنعت اینترنت نیست و در برخی موارد حتی پیچیده تر است.
این شرکتهای نوآورانه صنعتی در صنایع مختلف سرعت ، راندمان بالاتر و بینش بالاتر را به همراه داشته اند.
کاربردهای معمولی داده های بزرگ صنعتی شامل نوآوری محصول ، تشخیص و پیش بینی گسل محصول ، تجزیه و تحلیل IoT خط تولید صنعتی ، بهینه سازی زنجیره تأمین شرکت صنعتی و بازاریابی دقیق محصول است. در این مقاله سناریوهای کاربرد داده های بزرگ صنعتی در شرکتهای تولیدی یک به یک مرتب شده است.
1. تسریع در نوآوری محصول
تعامل و رفتار معامله بین مشتریان و شرکتهای صنعتی مقدار زیادی از داده ها را تولید می کند. استخراج و تجزیه و تحلیل این داده های پویا مشتری می تواند به مشتریان کمک کند تا در تجزیه و تحلیل تقاضای محصول و فعالیت های نوآوری طراحی محصول شرکت کنند و در نوآوری محصول کمک کنند.
فورد نمونه ای در این زمینه است. آنها از فناوری داده های بزرگ برای نوآوری محصول و بهینه سازی خودروی برقی Ford Focus استفاده کردند. این خودرو به یک 'ماشین برقی بزرگ داده' تبدیل شده است. 'اولین نسل از وسایل نقلیه برقی Ford Focus در هنگام رانندگی و پارکینگ داده های زیادی را تولید کرده است.
هنگام رانندگی ، راننده به طور مداوم شتاب ، ترمز ، شارژ باتری و اطلاعات مکان را به روز می کند. این برای رانندگان مفید است ، اما داده ها نیز به مهندسان فورد ارسال می شوند تا عادات رانندگی مشتری را درک کنند ، از جمله نحوه ، چه موقع و کجا شارژ. حتی اگر وسیله نقلیه در حالت ایستاده قرار داشته باشد ، انتقال داده ها را در فشار تایر و سیستم باتری وسیله نقلیه به نزدیکترین تلفن هوشمند ادامه خواهد داد.
این سناریوی برنامه بزرگ داده مشتری محور مزایای بسیاری دارد ، زیرا Big Data روش های جدید نوآوری و همکاری محصول جدید را امکان پذیر می کند. رانندگان اطلاعات مفید و به روز دارند ، در حالی که مهندسان دیترویت اطلاعات مربوط به رفتار رانندگی را برای درک مشتریان ، توسعه برنامه های بهبود محصول و اجرای نوآوری های محصول جدید جمع می کنند.
علاوه بر این ، شرکت های برق و سایر تأمین کنندگان شخص ثالث می توانند میلیون ها مایل از داده های رانندگی را تجزیه و تحلیل کنند تا تعیین کنند که در کجا می توان ایستگاه های شارژ جدید را ساخت و چگونه از بارگذاری بیش از حد شبکه شکننده جلوگیری کرد.
2. تشخیص و پیش بینی گسل محصول
این می تواند برای خدمات پس از فروش محصول و بهبود محصول استفاده شود. معرفی سنسورهای همه جا و فناوری اینترنت ، تشخیص در زمان واقعی گسل های محصول را به واقعیت تبدیل کرده است ، در حالی که برنامه های بزرگ داده ها ، مدل سازی و فن آوری های شبیه سازی باعث شده است که پویایی را پیش بینی کند.
در طی جستجوی اتصال گمشده شرکت هواپیمایی مالزی MH370 ، داده های عملیاتی موتور به دست آمده توسط بوئینگ نقش اساسی در تعیین مسیر اتصال گمشده هواپیما داشتند. بیایید سیستم هواپیمای بوئینگ را به عنوان یک مورد در نظر بگیریم تا ببینیم که چگونه برنامه های بزرگ داده ها در تشخیص گسل محصول نقش دارند.
در هواپیماهای بوئینگ ، صدها متغیر مانند موتورها ، سیستم های سوخت ، هیدرولیک و سیستم های برقی ، حالت پرواز را تشکیل می دهند. این داده ها در کمتر از چند میکرو ثانیه اندازه گیری و ارسال می شوند. با در نظر گرفتن Boeing 737 به عنوان نمونه ، موتور می تواند 10 ترابیت داده را هر 30 دقیقه پرواز تولید کند.
این داده ها نه تنها داده های تله متری مهندسی هستند که می توانند در یک نقطه خاص در آینده مورد تجزیه و تحلیل قرار گیرند ، بلکه کنترل تطبیقی در زمان واقعی ، استفاده از سوخت ، پیش بینی عدم موفقیت مؤلفه ها و اطلاع رسانی آزمایشی را نیز ترویج می کنند ، که می توانند به طور مؤثر به تشخیص و پیش بینی گسل دست یابند.
بیایید نمونه ای از جنرال الکتریک (GE) را بررسی کنیم. مرکز نظارت و تشخیص انرژی GE (M&D) در آتلانتا ، ایالات متحده ، اطلاعات مربوط به هزاران توربین گازی GE را در بیش از 50 کشور جهان جمع آوری می کند و می تواند هر روز داده های 10G را برای مشتریان جمع کند. جریان داده های بزرگ را از سیگنال های لرزش سنسور و دما در سیستم تجزیه و تحلیل کنید. این تجزیه و تحلیل داده های بزرگ پشتیبانی از تشخیص گسل توربین گازی GE و هشدار اولیه را فراهم می کند.
تولید کننده توربین بادی وستاس همچنین با تجزیه و تحلیل متقاطع داده های آب و هوا و داده های متر توربین آن ، طرح توربین های بادی را بهبود بخشید و از این طریق سطح توان تولید توربین های بادی و افزایش عمر خدمات را افزایش داد.
3. کاربرد داده های بزرگ از خط تولید IoT صنعتی
خطوط تولید مدرن تولید صنعتی مجهز به هزاران سنسور کوچک برای تشخیص دما ، فشار ، گرما ، لرزش و نویز است.
از آنجا که داده ها هر چند ثانیه جمع آوری می شوند ، با استفاده از این داده ها می توان با استفاده از این داده ها ، از جمله تشخیص تجهیزات ، تجزیه و تحلیل مصرف انرژی ، تجزیه و تحلیل مصرف انرژی ، تجزیه و تحلیل تصادفات با کیفیت (از جمله نقض مقررات تولید ، خرابی مؤلفه ها) و غیره تحقق یافت.
اول از همه ، از نظر بهبود فرآیند تولید ، استفاده از این داده های بزرگ در فرآیند تولید می تواند کل فرآیند تولید را تجزیه و تحلیل کرده و نحوه اجرای هر پیوند را درک کند. هنگامی که یک فرآیند خاص از فرآیند استاندارد منحرف شود ، یک سیگنال زنگ خطر ایجاد می شود ، خطاها یا تنگناها با سرعت بیشتری پیدا می شوند و مشکل را می توان راحت تر حل کرد.
با استفاده از فناوری Big Data ، همچنین می توان مدلهای مجازی از فرآیند تولید محصولات صنعتی ، شبیه سازی و بهینه سازی فرایند تولید را ایجاد کرد. هنگامی که تمام داده های فرآیند و عملکرد در سیستم قابل بازسازی هستند ، این شفافیت به تولید کنندگان کمک می کند تا فرآیندهای تولید خود را بهبود بخشند.
به عنوان مثال ، از نظر تجزیه و تحلیل مصرف انرژی ، استفاده از سنسورها برای نظارت بر مرکز تولید در طی فرآیند تولید تجهیزات می تواند ناهنجاری ها یا قله های مصرف انرژی را پیدا کند ، به طوری که می توان مصرف انرژی را در طی فرآیند تولید بهینه کرد و کلیه فرآیندها می توانند انجام شوند. تجزیه و تحلیل میزان مصرف انرژی را تا حد زیادی کاهش می دهد.
4. تجزیه و تحلیل و بهینه سازی زنجیره تأمین صنعتی
در حال حاضر ، تجزیه و تحلیل داده های بزرگ در حال حاضر وسیله مهمی برای بسیاری از شرکت های تجارت الکترونیکی برای ارتقاء رقابت زنجیره های عرضه خود است.
به عنوان مثال ، شرکت تجارت الکترونیکی Jingdong Mall از داده های بزرگی برای تجزیه و تحلیل و پیش بینی تقاضا برای کالاها در مکان های مختلف استفاده می کند ، در نتیجه باعث بهبود کارآیی توزیع و انبارداری و اطمینان از تجربه مشتری روز بعد می شود.
RFID و سایر فناوری شناسایی الکترونیکی محصول ، فناوری اینترنت اشیاء و فناوری اینترنت موبایل می توانند به شرکتهای صنعتی کمک کنند تا داده های بزرگی از یک زنجیره تأمین محصول کامل را بدست آورند. استفاده از این داده ها برای تجزیه و تحلیل ، افزایش قابل توجهی در انبارداری ، توزیع و راندمان فروش و هزینه قابل توجهی ایجاد می کند. کاهش
بیش از 1000 تأمین کننده بزرگ OEM در ایالات متحده وجود دارد که بیش از 10،000 محصول مختلف را برای شرکت های تولید کننده فراهم می کند. هر تولید کننده به پیش بینی های بازار و سایر متغیرهای مختلف مانند داده های فروش ، اطلاعات بازار ، نمایشگاه ها ، اخبار و داده های رقیب و حتی پیش بینی های آب و هوا برای فروش محصولات خود متکی است.
با استفاده از داده های فروش ، داده های سنسور محصول و داده های پایگاه داده های تأمین کننده ، شرکت های تولیدی صنعتی می توانند تقاضا را در مناطق مختلف جهان به طور دقیق پیش بینی کنند.
از آنجا که می توان قیمت موجودی و فروش را ردیابی کرد ، و با کاهش قیمت ها می توان خریداری کرد ، شرکت های تولیدی می توانند هزینه های زیادی را پس انداز کنند.
اگر از داده های تولید شده توسط سنسورهای موجود در محصول استفاده مجدد کنید تا بدانید چه مشکلی در محصول وجود دارد و در کجا قطعات مورد نیاز هستند ، می توانند پیش بینی کنند که در کجا و چه زمانی قطعات مورد نیاز هستند. این امر باعث کاهش میزان موجودی و بهینه سازی زنجیره تأمین می شود.
