Teollinen big data on uusi käsite, kirjaimellisesti ymmärrettynä, teollisella big datalla tarkoitetaan teollisen tiedon soveltamisessa syntyvää big dataa.
Informatisoinnin ja teollistumisen syvällisen integroinnin myötä tietotekniikka on tunkeutunut teollisuusyritysten teollisen ketjun kaikkiin lenkkeihin, kuten viivakoodit, QR-koodit, RFID, teollisuusanturit, teollisuuden automaattiset ohjausjärjestelmät, teollinen esineiden internet, ERP, CAD/CAM/CAE/CAI ja muita teknologioita käytetään laajasti teollisuusyrityksissä.
Varsinkin uuden sukupolven tietoteknologioiden, kuten Internetin, mobiilin Internetin ja esineiden internetin soveltamisen myötä teollisuudessa, teollisuusyritykset ovat siirtyneet uuteen kehitysvaiheeseen Internet-teollisuudessa, ja teollisuusyritysten hallussa olevat tiedot ovat tulee yhä runsaammaksi.
Teollisen big datan soveltaminen tuo teollisuusyrityksiin uuden innovaation ja muutoksen aikakauden.Internetin ja mobiilin esineiden internetin tuoman edullisen kustannushavainnoinnin, nopean mobiiliyhteyden, hajautetun laskennan ja edistyneen analyysin ansiosta tietotekniikka ja globaalit teollisuusjärjestelmät integroituvat syvästi, mikä tuo syvällisiä muutoksia maailmanlaajuisille teollisuudenaloille ja innovoi Yritysten T&K ja tuotanto., Toiminta-, markkinointi- ja johtamismenetelmät. Hangao Tech (SEKO Machinery) soveltaa Internet-tekniikkaa ohjausjärjestelmään älykkäät ruostumattomasta teräksestä valmistetut teolliset hitsatut putkien valmistuskoneet , jotta molempien osapuolten tekniset tiimit voivat seurata tuotantotietoja reaaliajassa, löytää vikoja käytön aikana ja estää seisokkeja.
Siksi teollisten big datasovellusten kohtaamat ongelmat ja haasteet eivät ole pienempiä kuin Internet-teollisuuden, ja joissain tapauksissa ne ovat jopa monimutkaisempia.
Nämä innovatiiviset teollisuusyritykset eri toimialoilla ovat tuoneet nopeamman nopeuden, korkeamman tehokkuuden ja paremman näkemyksen.
Teollisuuden suurdatan tyypillisiä sovelluksia ovat tuoteinnovaatiot, tuotevikojen diagnosointi ja ennustaminen, teollisen tuotantolinjan IoT-analyysi, teollisuusyritysten toimitusketjun optimointi ja tuotteiden tarkkuusmarkkinointi.Tässä artikkelissa selvitetään teollisen big datan sovellusskenaariot valmistusyrityksissä yksitellen.
1. Nopeuta tuoteinnovaatioita
Asiakkaiden ja teollisuusyritysten välinen vuorovaikutus ja transaktiokäyttäytyminen synnyttää suuren määrän dataa.Näiden asiakasdynaamisten tietojen louhinta ja analysointi voi auttaa asiakkaita osallistumaan tuotteiden kysynnän analysointiin ja tuotesuunnittelun innovaatiotoimintaan sekä edistämään tuoteinnovaatioita.
Ford on esimerkki tästä.He sovelsivat big data -tekniikkaa Ford Focus -sähköauton tuoteinnovaatioon ja optimointiin.Tästä autosta on tullut todellinen 'big data sähköauto'. Ford Focus -sähköajoneuvojen ensimmäinen sukupolvi tuotti paljon dataa ajon ja pysäköinnin aikana.
Ajon aikana kuljettaja päivittää jatkuvasti ajoneuvon kiihtyvyyttä, jarrutusta, akun latausta ja sijaintitietoja.Tämä on hyödyllistä kuljettajille, mutta tiedot lähetetään myös takaisin Fordin insinööreille, jotta he ymmärtäisivät asiakkaan ajotottumukset, mukaan lukien kuinka, milloin ja missä ladataan.Vaikka ajoneuvo olisi pysähdyksissä, se jatkaa tietojen lähettämistä ajoneuvon rengaspaineista ja akkujärjestelmästä lähimpään älypuhelimeen.
Tällä asiakaslähtöisellä big data -sovellusskenaariolla on monia etuja, koska big data mahdollistaa arvokkaita uusia tuoteinnovaatioita ja yhteistyömenetelmiä.Kuljettajat saavat hyödyllistä ja ajan tasalla olevaa tietoa, kun taas Detroitin insinöörit keräävät tietoa ajokäyttäytymisestä ymmärtääkseen asiakkaita, kehittääkseen tuoteparannussuunnitelmia ja toteuttaakseen uusia tuoteinnovaatioita.
Lisäksi sähköyhtiöt ja muut kolmannen osapuolen toimittajat voivat analysoida miljoonien kilometrien ajotietoja määrittääkseen, minne rakentaa uusia latausasemia ja miten estetään herkän verkon ylikuormitus.
2. Tuotevian diagnoosi ja ennustaminen
Tätä voidaan käyttää tuotteiden myynnin jälkeiseen palveluun ja tuotteiden parantamiseen.Kaikkialla läsnä olevien antureiden ja Internet-tekniikan käyttöönotto on tehnyt tuotevikojen reaaliaikaisesta diagnosoinnista todellisuutta, kun taas big data -sovellukset, mallinnus- ja simulointiteknologiat ovat mahdollistaneet dynamiikan ennustamisen.
Malaysia Airlines MH370:n katkennutta yhteyttä etsittäessä Boeingin saamilla moottorin toimintatiedoilla oli keskeinen rooli lentokoneen katkeavan yhteyden määrittämisessä.Otetaan esimerkkinä Boeingin lentokonejärjestelmä nähdäksemme kuinka big data -sovellukset vaikuttavat tuotevikojen diagnosointiin.
Boeingin lentokoneissa sadat muuttujat, kuten moottorit, polttoainejärjestelmät, hydrauliikka ja sähköjärjestelmät, muodostavat lennon aikana.Nämä tiedot mitataan ja lähetetään alle muutamassa mikrosekunnissa.Esimerkkinä Boeing 737:n moottori voi tuottaa 10 teratavua dataa 30 minuutin välein lennon aikana.
Nämä tiedot eivät ole vain teknisen telemetrian dataa, jota voidaan analysoida tietyssä vaiheessa tulevaisuudessa, vaan ne edistävät myös reaaliaikaista adaptiivista ohjausta, polttoaineen käyttöä, komponenttien vikojen ennustamista ja pilottiilmoitusta, joilla voidaan tehokkaasti saavuttaa vikojen diagnosointi ja ennustaminen.
Katsotaanpa esimerkkiä General Electricistä (GE).GE Energy Monitoring and Diagnostics (M&D) Center Atlantassa, Yhdysvalloissa, kerää tietoja tuhansista GE-kaasuturbiineista yli 50 maassa ympäri maailmaa ja voi kerätä 10G-tietoja asiakkaille päivittäin.Analysoi jatkuvaa suurta datavirtaa anturin tärinä- ja lämpötilasignaaleista järjestelmässä.Nämä suuret data-analyysit tarjoavat tukea GE:n kaasuturbiinien vikojen diagnosointiin ja varhaiseen varoittamiseen.
Tuuliturbiinien valmistaja Vestas paransi myös tuuliturbiinien layoutia ristiinanalysoimalla säätietoja ja turbiinimittaritietoja, mikä nosti tuulivoimaloiden tehotasoa ja pidensi niiden käyttöikää.
3. Teollisen IoT:n tuotantolinjan big data -sovellus
Nykyaikaiset teolliset tuotantolinjat on varustettu tuhansilla pienillä antureilla, jotka havaitsevat lämpötilan, paineen, lämmön, tärinän ja melun.
Koska tietoja kerätään muutaman sekunnin välein, näiden tietojen avulla voidaan toteuttaa monia analyysimuotoja, mukaan lukien laitediagnoosi, virrankulutusanalyysi, energiankulutusanalyysi, laatuonnettomuusanalyysi (mukaan lukien tuotantomääräysten rikkomukset, komponenttien viat) jne.
Ensinnäkin tuotantoprosessin parantamisen kannalta näiden isojen tietojen avulla tuotantoprosessissa voidaan analysoida koko tuotantoprosessia ja ymmärtää, miten kukin linkki suoritetaan.Kun tietty prosessi poikkeaa normaalista prosessista, syntyy hälytyssignaali, virheet tai pullonkaulat löytyvät nopeammin ja ongelma voidaan ratkaista helpommin.
Big data -teknologian avulla on myös mahdollista muodostaa virtuaalisia malleja teollisuustuotteiden tuotantoprosessista, simuloida ja optimoida tuotantoprosessia.Kun kaikki prosessi- ja suorituskykytiedot voidaan rekonstruoida järjestelmässä, tämä läpinäkyvyys auttaa valmistajia parantamaan tuotantoprosessejaan.
Toisena esimerkkinä energiankulutusanalyysin kannalta voidaan todeta, että kaikkien tuotantoprosessien keskitettyyn valvontaan laitevalmistusprosessin aikana antureilla voidaan löytää energiankulutuksessa poikkeavuuksia tai huippuja, jolloin energiankulutus voidaan optimoida tuotantoprosessin aikana ja kaikki prosessit voidaan optimoida. suoritettava.Analyysi vähentää energiankulutusta huomattavasti.
4. Teollisuuden toimitusketjun analyysi ja optimointi
Big data -analyysi on jo tällä hetkellä monille verkkokauppayrityksille tärkeä keino parantaa toimitusketjujensa kilpailukykyä.
Esimerkiksi verkkokauppayritys Jingdong Mall analysoi ja ennakoi tavaroiden kysyntää eri paikoissa etukäteen big datan avulla, mikä tehostaa jakelua ja varastointia sekä varmistaa seuraavan päivän asiakaskokemuksen.
RFID ja muut tuotteiden elektroniset tunnistusteknologiat, esineiden Internet-tekniikka ja mobiili-Internet-tekniikka voivat auttaa teollisuusyrityksiä hankkimaan isodataa koko tuotteen toimitusketjusta.Näiden tietojen käyttäminen analysointiin lisää merkittävästi varastoinnin, jakelun ja myynnin tehokkuutta ja lisää merkittäviä kustannuksia.lasku.
Yhdysvalloissa on yli 1 000 suurta OEM-toimittajaa, jotka tarjoavat yli 10 000 erilaista tuotetta valmistusyrityksille.Jokainen valmistaja luottaa markkinaennusteisiin ja muihin erilaisiin muuttujiin, kuten myyntitietoihin, markkinatietoihin, näyttelyihin, uutisiin ja kilpailijatietoihin sekä jopa sääennusteisiin myydäkseen tuotteitaan.
Myyntitietojen, tuoteanturitietojen ja toimittajatietokannan tietojen avulla teolliset valmistusyritykset voivat ennustaa tarkasti kysynnän maailman eri alueilla.
Koska varasto- ja myyntihintoja voidaan seurata ja niitä voidaan ostaa hintojen laskeessa, valmistusyritykset voivat säästää paljon kustannuksia.
Jos käytät tuotteen antureiden tuottamaa tietoa uudelleen tietääksesi, mikä tuotteessa on vialla ja missä osia tarvitaan, ne voivat myös ennustaa, missä ja milloin osia tarvitaan.Tämä vähentää huomattavasti varastoa ja optimoi toimitusketjun.
