Teollisuus Big Data on uusi käsite, joka on kirjaimellisesti ymmärretty, teollisuus Big Data tarkoittaa teollisuustietojen soveltamisessa syntyneitä suuria tietoja.
Tieto- ja teollistumisen perusteellisen integroitumisen myötä tietotekniikka on tunkeutunut kaikkiin teollisuusyritysten teollisuusketjun, kuten viivakoodeihin, QR-koodeihin, RFID: hen, teollisuusantureille, teollisuusautomaattisten valvontajärjestelmien, teollisuuden esineiden, ERP: n, CAD/CAE/CAI: n ja muiden tekniikoiden linkkiin.
Erityisesti uuden sukupolven tietotekniikan, kuten Internet, mobiili Internetin ja esineiden Internetin, soveltamisen myötä teollisuusyritykset ovat myös tulleet uuteen kehitysvaiheeseen Internet-teollisuudessa, ja teollisuusyritysten hallussa olevat tiedot ovat yhä runsaampia.
Teollisuuden Big Data -sovelluksen soveltaminen tuo uuden innovaatioiden ja muutoksen aikakauden teollisuusyrityksissä. Internetin ja mobiili-Internetin, tietotekniikan ja globaalien teollisuusjärjestelmien tuottaman edistyneen havainnon, nopean mobiililiiton, hajautetun tietotekniikan ja edistyneen analyysin avulla ovat syvästi integroituneita, tuottaen syvälliset muutokset globaalille teollisuudelle sekä yritysten tutkimus- ja kehitystuotanto. , Toiminta-, markkinointi- ja hallintamenetelmät. Hangao Tech (Seko Machinery) soveltaa Internet -tekniikkaa ohjausjärjestelmään Älykkäät ruostumattomasta teräksestä valmistetut teollisuushitsatut putkenvalmistuskoneet , jotta molempien osapuolten tekniset ryhmät voivat seurata tuotantotietoja reaaliajassa, löytää vikoja toiminnan aikana ja estää sammutuksia.
Siksi teollisuuden Big Data -sovellusten ongelmat ja haasteet ovat vähintään Internet -teollisuuden, ja joissain tapauksissa ne ovat vielä monimutkaisempia.
Nämä eri toimialojen innovatiiviset teollisuusyritykset ovat tuoneet nopeampaa nopeutta, suurempaa tehokkuutta ja suurempaa tietoa.
Tyypillisiä teollisuuden Big Data -sovelluksia ovat tuoteinnovaatiot, tuotevian diagnoosi ja ennustaminen, teollisuustuotantolinjan IoT -analyysi, teollisuusyritysten toimitusketjun optimointi ja tuotteiden tarkkuusmarkkinointi. Tämä artikkeli selvittää teollisuusyritysten teollisuustietojen sovellusskenaariot yksi kerrallaan.
1. Nopeuta tuoteinnovaatioita
Asiakkaiden ja teollisuusyritysten välinen vuorovaikutus ja transaktiokäyttäytyminen tuottaa suuren määrän tietoja. Näiden asiakasdynaamisten tietojen kaivostoiminta ja analysointi voivat auttaa asiakkaita osallistumaan tuotteiden kysyntäanalyysiin ja tuotesuunnitteluinnovaatiotoimintoihin ja osallistumaan tuoteinnovaatioihin.
Ford on esimerkki tässä suhteessa. He sovelsivat suurta tietotekniikkaa Ford Focus Electric -auton tuoteinnovaatioon ja optimointiin. Tästä autosta on tullut todellinen 'Big Data Electric Car. ' Ford Focusin sähköajoneuvojen ensimmäinen sukupolvi tuotti paljon tietoa ajamisen ja pysäköinnin yhteydessä.
Ajon aikana kuljettaja päivittää jatkuvasti ajoneuvon kiihtyvyyttä, jarrutusta, akun lataamista ja sijaintitietoja. Tämä on hyödyllistä kuljettajille, mutta tiedot lähetetään myös takaisin Ford -insinööreille ymmärtämään asiakkaan ajotapoja, mukaan lukien miten, milloin ja missä ladata. Vaikka ajoneuvo on pysähtynyt, se jatkaa ajoneuvon rengaspaineen ja akkujärjestelmän tiedonsiirtoa lähimpään älypuhelimeen.
Tällä asiakaskeskeisellä Big Data -sovellusskenaariolla on monia etuja, koska Big Data mahdollistaa arvokkaat uuden tuotteen innovaatio- ja yhteistyömenetelmät. Kuljettajat saavat hyödyllistä ja ajantasaista tietoa, kun taas Detroitin kokonaistiedot insinöörit ymmärtävät asiakkaita, kehittämään tuotteiden parannussuunnitelmia ja toteuttamaan uusia tuoteinnovaatioita.
Lisäksi sähköyhtiöt ja muut kolmansien osapuolien toimittajat voivat analysoida miljoonia mailia ajotietoa määrittääkseen, mihin rakentaa uusia latausasemia ja kuinka estää hauras ruudukko ylikuormituksesta.
2. Tuotevian diagnoosi ja ennuste
Tätä voidaan käyttää tuotteen myynnin jälkeiseen palveluun ja tuotteiden parantamiseen. Yleisten anturien ja Internet-tekniikan käyttöönotto on tehnyt reaaliaikaisesta tuotevirheiden diagnosoinnista todellisuudeksi, kun taas suuret datasovellukset, mallintamis- ja simulaatiotekniikat ovat mahdollisimman ennustamaan dynamiikkaa.
Malesia Airlines MH370: n kadonneiden yhteyksien etsinnän aikana Boeingin saatuilla moottorilla käytetyllä moottorilla oli avainasemassa määritettäessä lentokoneen kadonneen yhteyden polkua. Otetaanko Boeing Aircraft -järjestelmä tapaukseksi nähdäksesi kuinka suurilla datasovelluksilla on merkitys tuotekaupan diagnoosissa.
Boeingin lentokoneissa sadat muuttujat, kuten moottorit, polttoainejärjestelmät, hydrauliikka ja sähköjärjestelmät, muodostavat lennon aikana. Nämä tiedot mitataan ja lähetetään alle muutamassa mikrosekunnassa. Esimerkiksi Boeing 737: n ottaen moottori voi tuottaa 10 teratavua dataa 30 minuutin välein lennossa.
Nämä tiedot eivät ole vain tekniikan telemetriatietoja, joita voidaan analysoida tietyssä tulevaisuuden vaiheessa, vaan myös edistävät reaaliaikaisen mukautuvan hallinnan, polttoaineen käytön, komponenttien vikaantumisen ennustamisen ja pilottilmoituksen, jotka voivat tehokkaasti saavuttaa vikadiagnoosin ja ennustamisen.
Katsotaanpa esimerkkiä General Electricistä (GE). GE -energianvalvonta- ja diagnostiikan (M&D) -keskus Atlantassa, Yhdysvalloissa, kerää tietoja tuhansista GE -kaasuturbiineista yli 50 maassa ympäri maailmaa ja voi kerätä 10G -tietoja asiakkaille päivittäin. Analysoi jatkuva iso tietovirta anturin värähtely- ja lämpötilan signaaleista järjestelmässä. Nämä Big Data -analyysit tukevat GE: n kaasuturbiinin vikadiagnoosia ja varhaisvaroitusta.
Tuuliturbiinin valmistaja Vestas paransi myös tuuliturbiinien asettelua analysoimalla säätiedot ja sen turbiinimittaritiedot, lisäämällä siten tuuliturbiinien tehoa ja pidentämällä käyttöiän käyttöä.
3. Teollisuuden IoT -tuotantolinjan iso data -sovellus
Nykyaikaiset teollisuuden valmistustuotantolinjat on varustettu tuhansilla pienillä antureilla lämpötilan, paineen, lämmön, värähtelyn ja melun havaitsemiseksi.
Koska tiedot kerätään muutaman sekunnin välein, monet analyysimuodot voidaan toteuttaa käyttämällä näitä tietoja, mukaan lukien laitteiden diagnoosi, virrankulutusanalyysi, energiankulutusanalyysi, laatuonnettomuuksien analyysi (mukaan lukien tuotantosääntöjen rikkomukset, komponenttivirheet) jne.
Ensinnäkin tuotantoprosessin parantamisen kannalta näiden suurten tietojen käyttäminen tuotantoprosessissa voidaan analysoida koko tuotantoprosessin ja ymmärtää, kuinka kukin linkki suoritetaan. Kun tietty prosessi poikkeaa vakioprosessista, hälytyssignaali syntyy, virheitä tai pullonkauloja löytyy nopeammin, ja ongelma voidaan ratkaista helpommin.
Suurten tietotekniikan avulla on myös mahdollista luoda teollisuustuotteiden tuotantoprosessin virtuaalimalleja, simuloida ja optimoida tuotantoprosessi. Kun kaikki prosessi- ja suorituskykytiedot voidaan rekonstruoida järjestelmässä, tämä läpinäkyvyys auttaa valmistajia parantamaan tuotantoprosessejaan.
Toisessa esimerkissä energiankulutusanalyysin kannalta anturien käyttö kaikkien laitetuotantoprosessin tuotantoprosessien keskipisteessä voi löytää epänormaalisuuksia tai energiankulutuksen piikkejä, jotta energiankulutus voidaan optimoida tuotantoprosessin aikana ja kaikki prosessit voidaan suorittaa. Analyysi vähentää huomattavasti energiankulutusta.
4. Teollisuuden toimitusketjun analysointi ja optimointi
Tällä hetkellä Big Data -analyysi on jo tärkeä keino monille verkkokaupan yrityksille parantaa toimitusketjujensa kilpailukykyä.
Esimerkiksi verkkokauppayritys Jingdong Mall käyttää Big Data -sovellusta tavaroiden kysynnän analysoimiseen ja ennustamiseen eri paikoissa etukäteen, parantaen siten jakelun ja varastoinnin tehokkuutta ja varmistaen seuraavan päivän asiakaskokemuksen.
RFID ja muut tuotteiden sähköisen tunnistustekniikan, esineiden Internet -tekniikan ja mobiili -Internet -tekniikan voivat auttaa teollisuusyrityksiä saamaan suuria tietoja täydellisestä tuotteen toimitusketjusta. Näiden tietojen käyttäminen analyysiin lisää merkittävää varaston, jakelun ja myyntitehokkuuden sekä merkittävien kustannusten lisääntymistä. lasku.
Yhdysvalloissa on yli 1000 suurta OEM -toimittajaa, mikä tarjoaa yli 10 000 erilaista tuotetta valmistusyrityksille. Jokainen valmistaja luottaa markkinoiden ennusteisiin ja muihin eri muuttujiin, kuten myyntitietoihin, markkinatietoihin, näyttelyihin, uutisiin ja kilpailijatietoihin ja jopa sääennusteisiin tuotteidensa myymiseksi.
Käyttämällä myyntitietoja, tuote -anturitietoja ja toimittajatietokantojen tietoja, teollisuusvalmistusyritykset voivat ennustaa tarkasti kysyntää maailman eri alueilla.
Koska varaston ja myyntihinta voidaan seurata, ja ne voidaan ostaa, kun hinnat laskevat, valmistusyritykset voivat säästää paljon kustannuksia.
Jos käytät tuotteen anturien tuottamia tietoja tietämään, mikä tuotteessa on vialla ja missä osien tarvitaan, ne voivat myös ennustaa missä ja milloin osia tarvitaan. Tämä vähentää huomattavasti varastoa ja optimoi toimitusketjun.
