داده های بزرگ صنعتی یک مفهوم جدید است که به معنای واقعی کلمه درک می شود، داده های بزرگ صنعتی به داده های بزرگ تولید شده در کاربرد اطلاعات صنعتی اشاره دارد.
با ادغام عمیق اطلاعات و صنعتی شدن، فناوری اطلاعات به تمام حلقه های زنجیره صنعتی شرکت های صنعتی مانند بارکد، کدهای QR، RFID، سنسورهای صنعتی، سیستم های کنترل اتوماتیک صنعتی، اینترنت اشیاء صنعتی، ERP، نفوذ کرده است. CAD / CAM / CAE / CAI و سایر فناوری ها به طور گسترده در شرکت های صنعتی استفاده می شود.
به ویژه با کاربرد نسل جدید فناوری های اطلاعاتی مانند اینترنت، اینترنت موبایل و اینترنت اشیا در حوزه صنعتی، بنگاه های صنعتی نیز وارد مرحله جدیدی از توسعه در صنعت اینترنت شده اند و داده های نگهداری شده توسط بنگاه های صنعتی به طور فزاینده ای فراوان شوند.
استفاده از داده های بزرگ صنعتی، عصر جدیدی از نوآوری و تحول را در شرکت های صنعتی به ارمغان خواهد آورد.از طریق ادراک کم هزینه، اتصال تلفن همراه پرسرعت، محاسبات توزیع شده و تجزیه و تحلیل پیشرفته که توسط اینترنت و اینترنت اشیاء همراه به وجود آمده است، فناوری اطلاعات و سیستم های صنعتی جهانی عمیقاً یکپارچه شده اند و تغییرات عمیقی را در صنایع جهانی به ارمغان می آورند و نوآوری در تحقیق و توسعه و تولید شرکتها.، روش های عملیات، بازاریابی و مدیریت. Hangao Tech (SEKO Machinery) از فناوری اینترنت برای سیستم کنترل استفاده می کند ماشین آلات ساخت لوله جوش صنعتی فولاد ضد زنگ هوشمند ، به طوری که تیم های فنی هر دو طرف می توانند داده های تولید را در زمان واقعی نظارت کنند، عیب ها را در حین کار پیدا کنند و از خاموش شدن جلوگیری کنند.
بنابراین، مشکلات و چالش‌های پیش روی برنامه‌های داده‌های بزرگ صنعتی کمتر از صنعت اینترنت نیست و در برخی موارد پیچیده‌تر نیز می‌شود.
این شرکت‌های صنعتی نوآورانه در صنایع مختلف سرعت، کارایی بالاتر و بینش بالاتر را به ارمغان آورده‌اند.
کاربردهای معمول داده های بزرگ صنعتی شامل نوآوری محصول، تشخیص و پیش بینی خطای محصول، تجزیه و تحلیل اینترنت اشیاء خط تولید صنعتی، بهینه سازی زنجیره تامین شرکت های صنعتی و بازاریابی دقیق محصول است.این مقاله سناریوهای کاربردی داده های بزرگ صنعتی در شرکت های تولیدی را یک به یک مرتب می کند.
1. سرعت بخشیدن به نوآوری محصول
تعامل و رفتار معاملاتی بین مشتریان و شرکت های صنعتی، حجم زیادی از داده ها را تولید می کند.استخراج و تجزیه و تحلیل این داده‌های پویای مشتری می‌تواند به مشتریان کمک کند تا در تجزیه و تحلیل تقاضای محصول و فعالیت‌های نوآورانه طراحی محصول شرکت کنند و به نوآوری محصول کمک کنند.
فورد نمونه ای در این زمینه است.آنها فناوری کلان داده را برای نوآوری محصول و بهینه سازی خودروی الکتریکی فورد فوکوس به کار بردند.این خودرو به یک 'ماشین برقی بزرگ داده' واقعی تبدیل شده است. نسل اول خودروهای برقی فورد فوکوس داده های زیادی را هنگام رانندگی و پارک کردن تولید می کرد.
در حین رانندگی، راننده به طور مداوم اطلاعات شتاب، ترمز، شارژ باتری و موقعیت مکانی خودرو را به روز می کند.این برای رانندگان مفید است، اما داده‌ها همچنین برای درک عادات رانندگی مشتری، از جمله نحوه، زمان و مکان شارژ کردن، به مهندسان فورد نیز ارسال می‌شود.حتی اگر خودرو در حالت سکون باشد، همچنان اطلاعات مربوط به فشار باد لاستیک و سیستم باتری خودرو را به نزدیکترین تلفن هوشمند منتقل می کند.
این سناریوی کاربردی داده های بزرگ مشتری محور مزایای بسیاری دارد، زیرا داده های بزرگ، نوآوری و روش های همکاری ارزشمند محصول جدید را امکان پذیر می کند.رانندگان اطلاعات مفید و به روز دریافت می کنند، در حالی که مهندسان در دیترویت اطلاعات مربوط به رفتار رانندگی را برای درک مشتریان، توسعه برنامه های بهبود محصول و اجرای نوآوری های محصول جدید جمع آوری می کنند.
علاوه بر این، شرکت‌های برق و سایر تامین‌کنندگان شخص ثالث می‌توانند میلیون‌ها مایل از داده‌های رانندگی را برای تعیین محل ساخت ایستگاه‌های شارژ جدید و نحوه جلوگیری از بارگیری بیش از حد شبکه شکننده، تجزیه و تحلیل کنند.
2. تشخیص و پیش بینی خطای محصول
این می تواند برای خدمات پس از فروش محصول و بهبود محصول استفاده شود.معرفی حسگرهای همه جا حاضر و فناوری اینترنت، تشخیص بلادرنگ عیوب محصول را به واقعیت تبدیل کرده است، در حالی که برنامه های کاربردی داده های بزرگ، مدل سازی و فناوری های شبیه سازی امکان پیش بینی دینامیک را ممکن ساخته است.
در طول جستجوی اتصال از دست رفته MH370 خطوط هوایی مالزی، داده های عملکرد موتور به دست آمده توسط بوئینگ نقش کلیدی در تعیین مسیر اتصال از دست رفته هواپیما ایفا کرد.بیایید سیستم هواپیمای بوئینگ را به عنوان یک مورد در نظر بگیریم تا ببینیم برنامه های کاربردی داده های بزرگ چگونه در تشخیص عیب محصول نقش دارند.
در هواپیمای بوئینگ، صدها متغیر، مانند موتور، سیستم سوخت، هیدرولیک و سیستم های الکتریکی، وضعیت حین پرواز را تشکیل می دهند.این داده ها در کمتر از چند میکروثانیه اندازه گیری و ارسال می شوند.با در نظر گرفتن بوئینگ 737 به عنوان مثال، موتور می تواند 10 ترابایت داده در هر 30 دقیقه در پرواز تولید کند.
این داده‌ها نه تنها داده‌های تله‌متری مهندسی هستند که می‌توانند در نقطه‌ای مشخص در آینده تجزیه و تحلیل شوند، بلکه کنترل تطبیقی بلادرنگ، مصرف سوخت، پیش‌بینی خرابی قطعات و اعلان خلبان را نیز ارتقا می‌دهند، که می‌تواند به طور موثر به تشخیص و پیش‌بینی خطا دست یابد.
بیایید به نمونه ای از جنرال الکتریک (GE) نگاه کنیم.مرکز نظارت و تشخیص انرژی جنرال الکتریک (M&D) در آتلانتا، ایالات متحده، داده‌های هزاران توربین گاز جنرال الکتریک را در بیش از 50 کشور در سراسر جهان جمع‌آوری می‌کند و می‌تواند هر روز داده 10G را برای مشتریان جمع‌آوری کند.جریان ثابت بزرگ داده از سیگنال های لرزش سنسور و دما در سیستم را تجزیه و تحلیل کنید.این تجزیه و تحلیل کلان داده ها از تشخیص عیب توربین گاز جنرال الکتریک و هشدار اولیه پشتیبانی می کند.
وستاس سازنده توربین‌های بادی نیز با تجزیه و تحلیل متقابل داده‌های آب‌وهوا و داده‌های توربین‌سنج خود، طرح‌بندی توربین‌های بادی را بهبود بخشید، در نتیجه سطح توان خروجی توربین‌های بادی را افزایش داد و عمر مفید آن را افزایش داد.
3. کاربرد کلان داده خط تولید صنعتی اینترنت اشیا
خطوط تولید صنعتی مدرن مجهز به هزاران سنسور کوچک برای تشخیص دما، فشار، گرما، لرزش و نویز هستند.
از آنجایی که داده‌ها هر چند ثانیه جمع‌آوری می‌شوند، با استفاده از این داده‌ها می‌توان به انواع مختلفی از تجزیه و تحلیل از جمله تشخیص تجهیزات، تجزیه و تحلیل مصرف برق، تجزیه و تحلیل مصرف انرژی، تجزیه و تحلیل تصادف کیفیت (از جمله نقض مقررات تولید، خرابی قطعات) و غیره پی برد.
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 کند و بفهمد که هر لینک چگونه اجرا می شود.هنگامی که یک فرآیند خاص از فرآیند استاندارد منحرف می شود، یک سیگنال هشدار تولید می شود، خطاها یا تنگناها را می توان سریعتر پیدا کرد و مشکل را راحت تر حل کرد.
همچنین با استفاده از فناوری کلان داده می توان مدل های مجازی فرآیند تولید محصولات صنعتی، شبیه سازی و بهینه سازی فرآیند تولید را ایجاد کرد.هنگامی که تمام داده های فرآیند و عملکرد را بتوان در سیستم بازسازی کرد، این شفافیت به تولیدکنندگان کمک می کند تا فرآیندهای تولید خود را بهبود بخشند.
به عنوان مثال دیگر، از نظر تحلیل مصرف انرژی، استفاده از حسگرها برای نظارت متمرکز بر کلیه فرآیندهای تولید در طول فرآیند تولید تجهیزات، می‌تواند ناهنجاری‌ها یا پیک‌هایی را در مصرف انرژی پیدا کند، به طوری که می‌توان مصرف انرژی را در طول فرآیند تولید بهینه کرد و تمامی فرآیندها را می‌توان یافت. انجام شود.تجزیه و تحلیل مصرف انرژی را تا حد زیادی کاهش می دهد.
4. تجزیه و تحلیل و بهینه سازی زنجیره تامین صنعتی
در حال حاضر، تجزیه و تحلیل کلان داده ها ابزار مهمی برای بسیاری از شرکت های تجارت الکترونیکی است تا رقابت زنجیره تامین خود را افزایش دهند.
به عنوان مثال، شرکت تجارت الکترونیک Jingdong Mall از داده های بزرگ برای تجزیه و تحلیل و پیش بینی تقاضا برای کالاها در مکان های مختلف از قبل استفاده می کند، در نتیجه کارایی توزیع و انبارداری را بهبود می بخشد و تجربه مشتری در روز بعد را تضمین می کند.
RFID و سایر فناوری‌های شناسایی الکترونیکی محصولات، فناوری اینترنت اشیا و فناوری اینترنت تلفن همراه می‌توانند به شرکت‌های صنعتی کمک کنند تا کلان داده‌های یک زنجیره تامین کامل محصول را به دست آورند.استفاده از این داده ها برای تجزیه و تحلیل، افزایش قابل توجهی در کارایی انبارداری، توزیع و فروش و هزینه قابل توجهی به همراه خواهد داشت.کاهش می یابد.
بیش از 1000 تامین کننده بزرگ OEM در ایالات متحده وجود دارد که بیش از 10000 محصول مختلف را در اختیار شرکت های تولیدی قرار می دهند.هر تولید کننده برای فروش محصولات خود به پیش بینی های بازار و سایر متغیرهای مختلف مانند داده های فروش، اطلاعات بازار، نمایشگاه ها، اخبار و داده های رقبا و حتی پیش بینی آب و هوا متکی است.
با استفاده از داده‌های فروش، داده‌های حسگر محصول و داده‌های پایگاه‌های اطلاعاتی تامین‌کنندگان، شرکت‌های تولیدی صنعتی می‌توانند به طور دقیق تقاضا را در مناطق مختلف جهان پیش‌بینی کنند.
از آنجایی که موجودی کالا و قیمت فروش قابل پیگیری است و در صورت کاهش قیمت ها قابل خرید است، شرکت های تولیدی می توانند هزینه های زیادی را صرفه جویی کنند.
اگر از داده های تولید شده توسط حسگرهای محصول مجددا استفاده کنید تا بدانید چه مشکلی در محصول وجود دارد و کجا قطعات مورد نیاز است، آنها همچنین می توانند مکان و زمان نیاز به قطعات را پیش بینی کنند.این امر موجودی را تا حد زیادی کاهش می دهد و زنجیره تامین را بهینه می کند.
