Նայեք արդյունաբերական արտադրությանը IOT-ի դարաշրջանում, արդյունաբերական մեծ տվյալների կիրառման 8 հիմնական սցենարների միջոցով:(1)

Արդյունաբերական մեծ տվյալները նոր հասկացություն են, բառացիորեն հասկացված, արդյունաբերական մեծ տվյալները վերաբերում են արդյունաբերական տեղեկատվության կիրառման ժամանակ առաջացած մեծ տվյալներին:

            

Ինֆորմատիզացիայի և ինդուստրացման խորը ինտեգրմամբ տեղեկատվական տեխնոլոգիաները ներթափանցել են արդյունաբերական ձեռնարկությունների արդյունաբերական շղթայի բոլոր օղակները, ինչպիսիք են շտրիխ կոդերը, QR կոդերը, RFID, արդյունաբերական սենսորները, արդյունաբերական ավտոմատ կառավարման համակարգերը, իրերի արդյունաբերական ինտերնետը, ERP, CAD/CAM/CAE/ CAI և այլ տեխնոլոգիաներ լայնորեն կիրառվում են արդյունաբերական ձեռնարկություններում։

Հատկապես նոր սերնդի տեղեկատվական տեխնոլոգիաների կիրառմամբ, ինչպիսիք են ինտերնետը, շարժական ինտերնետը և իրերի ինտերնետը արդյունաբերական ոլորտում, արդյունաբերական ձեռնարկությունները նույնպես թեւակոխել են զարգացման նոր փուլ ինտերնետ արդյունաբերության մեջ, և արդյունաբերական ձեռնարկությունների կողմից պահվող տվյալները դառնում են ավելի ու ավելի առատ:

Արդյունաբերական մեծ տվյալների կիրառումը կբերի նորարարության և վերափոխման նոր դարաշրջան արդյունաբերական ձեռնարկություններում:Ցածր գնով ընկալման, բարձր արագությամբ շարժական կապի, բաշխված հաշվարկների և առաջադեմ վերլուծությունների միջոցով, որոնք առաջացել են ինտերնետի և շարժական իրերի ինտերնետի, տեղեկատվական տեխնոլոգիաների և համաշխարհային արդյունաբերական համակարգերի միջոցով, խորապես ինտեգրվում են՝ խորը փոփոխություններ մտցնելով գլոբալ արդյունաբերություններում և նորարարություններ կատարելով: Ձեռնարկությունների R&D և արտադրություն., Գործողության, շուկայավարման և կառավարման մեթոդներ: Hangao Tech-ը (SEKO Machinery) կիրառում է ինտերնետ տեխնոլոգիան կառավարման համակարգում Խելացի չժանգոտվող պողպատից եռակցված խողովակների պատրաստման մեքենաներ , որպեսզի երկու կողմերի տեխնիկական թիմերը կարողանան իրական ժամանակում վերահսկել արտադրության տվյալները, գտնել անսարքությունները շահագործման ընթացքում և կանխել անջատումները:

   

Հետևաբար, արդյունաբերական մեծ տվյալների հավելվածների առջև ծառացած խնդիրներն ու մարտահրավերները ոչ պակաս են, քան ինտերնետ արդյունաբերության խնդիրները, իսկ որոշ դեպքերում դրանք նույնիսկ ավելի բարդ են:

             

Այս նորարարական արդյունաբերական ձեռնարկությունները տարբեր ոլորտներում բերել են ավելի արագ արագություն, ավելի բարձր արդյունավետություն և ավելի բարձր պատկերացում:

Արդյունաբերական մեծ տվյալների տիպիկ կիրառությունները ներառում են արտադրանքի նորարարություն, արտադրանքի սխալների ախտորոշում և կանխատեսում, արդյունաբերական արտադրության գծի IoT վերլուծություն, արդյունաբերական ձեռնարկությունների մատակարարման շղթայի օպտիմալացում և արտադրանքի ճշգրիտ շուկայավարում:Այս հոդվածը մեկ առ մեկ կդասավորի արդյունաբերական մեծ տվյալների կիրառման սցենարները արտադրական ձեռնարկություններում:

  1. Արագացնել արտադրանքի նորարարությունը

                

Հաճախորդների և արդյունաբերական ձեռնարկությունների միջև փոխազդեցությունը և գործարքների վարքագիծը կստեղծի մեծ քանակությամբ տվյալներ:Հաճախորդների այս դինամիկ տվյալների արդյունահանումը և վերլուծությունը կարող է օգնել հաճախորդներին մասնակցել արտադրանքի պահանջարկի վերլուծությանը և արտադրանքի նախագծման նորարարական գործունեությանը և ներդրում ունենալ արտադրանքի նորարարության մեջ:

             
Ford-ը օրինակ է այս առումով։Նրանք կիրառեցին մեծ տվյալների տեխնոլոգիաներ Ford Focus էլեկտրական մեքենայի արտադրանքի նորարարության և օպտիմալացման համար:Այս մեքենան դարձել է իսկական «մեծ տվյալների էլեկտրական մեքենա»: Ford Focus էլեկտրական մեքենաների առաջին սերունդը շատ տվյալներ էր ստեղծում վարելիս և կայանելիս:

       

Վարելիս վարորդը անընդհատ թարմացնում է մեքենայի արագացման, արգելակման, մարտկոցի լիցքավորման և գտնվելու վայրի մասին տեղեկությունները:Սա օգտակար է վարորդների համար, սակայն տվյալները նաև հետ են ուղարկվում Ford-ի ինժեներներին՝ հասկանալու հաճախորդի վարելու սովորությունները, այդ թվում՝ ինչպես, երբ և որտեղ լիցքավորել:Նույնիսկ եթե մեքենան կանգ է առել, այն կշարունակի փոխանցել մեքենայի անվադողերի ճնշման և մարտկոցի համակարգի վերաբերյալ տվյալները մոտակա սմարթ հեռախոսին:

          
Հաճախորդակենտրոն մեծ տվյալների կիրառման այս սցենարը շատ առավելություններ ունի, քանի որ մեծ տվյալները թույլ են տալիս արժեքավոր նոր արտադրանքի նորարարություն և համագործակցության մեթոդներ:Վարորդները ստանում են օգտակար և արդի տեղեկատվություն, մինչդեռ Դետրոյթի ինժեներները հավաքում են մեքենա վարելու մասին տեղեկատվություն՝ հաճախորդներին հասկանալու, արտադրանքի բարելավման պլաններ մշակելու և նոր արտադրանքի նորամուծություններ իրականացնելու համար:

            

Ավելին, էլեկտրաէներգետիկական ընկերությունները և երրորդ կողմի այլ մատակարարները կարող են վերլուծել միլիոնավոր մղոն մեքենա վարելու տվյալները՝ որոշելու, թե որտեղ կառուցել նոր լիցքավորման կայաններ և ինչպես կանխել փխրուն ցանցի գերբեռնումը:

  2. Արտադրանքի անսարքության ախտորոշում և կանխատեսում

               

Սա կարող է օգտագործվել արտադրանքի վաճառքից հետո սպասարկման և արտադրանքի բարելավման համար:Ամենուր տարածված սենսորների և ինտերնետ տեխնոլոգիաների ներդրումը իրական ժամանակում իրականացրել է արտադրանքի անսարքությունների ախտորոշումը, մինչդեռ մեծ տվյալների հավելվածները, մոդելավորման և մոդելավորման տեխնոլոգիաները հնարավորություն են տվել կանխատեսել դինամիկան:

            

Malaysia Airlines MH370-ի կորցրած կապի որոնման ընթացքում Boeing-ի ստացած շարժիչի շահագործման տվյալները առանցքային դեր են խաղացել օդանավի կորած կապի ուղու որոշման հարցում:Եկեք դիտարկենք Boeing ինքնաթիռների համակարգը որպես դեպք՝ տեսնելու, թե ինչպես են մեծ տվյալների հավելվածները դեր խաղում արտադրանքի անսարքությունների ախտորոշման մեջ:

          

Boeing-ի ինքնաթիռներում հարյուրավոր փոփոխականներ, ինչպիսիք են շարժիչները, վառելիքի համակարգերը, հիդրոտեխնիկան և էլեկտրական համակարգերը, կազմում են թռիչքի ընթացքում:Այս տվյալները չափվում և ուղարկվում են մի քանի միկրովայրկյանից քիչ ժամանակում:Որպես օրինակ վերցնելով Boeing 737-ը, շարժիչը կարող է թռիչքի ընթացքում յուրաքանչյուր 30 րոպեն մեկ 10 տերաբայթ տվյալներ ստեղծել:

Այս տվյալները ոչ միայն ինժեներական հեռաչափության տվյալներ են, որոնք կարող են վերլուծվել ապագայում որոշակի պահի, այլ նաև նպաստում են իրական ժամանակի հարմարվողական հսկողությանը, վառելիքի օգտագործմանը, բաղադրիչների խափանումների կանխատեսմանը և օդաչուի ծանուցմանը, որոնք կարող են արդյունավետորեն հասնել սխալների ախտորոշման և կանխատեսման:

         

Եկեք նայենք General Electric-ի (GE) օրինակին:GE էներգիայի մոնիտորինգի և ախտորոշման (M&D) կենտրոնը Ատլանտայում, ԱՄՆ, հավաքում է տվյալներ աշխարհի ավելի քան 50 երկրներում հազարավոր GE գազային տուրբինների մասին և կարող է ամեն օր հավաքել 10G տվյալներ հաճախորդների համար:Վերլուծեք համակարգում առկա սենսորի թրթռման և ջերմաստիճանի ազդանշանների մշտական ​​մեծ տվյալների հոսքը:Այս մեծ տվյալների վերլուծությունը կաջակցի GE-ի գազատուրբինային անսարքությունների ախտորոշմանը և վաղ նախազգուշացմանը:

Հողմատուրբինների արտադրող Vestas-ը նաև բարելավեց հողմային տուրբինների դասավորությունը՝ խաչաձև վերլուծելով եղանակային տվյալները և իր տուրբինային հաշվիչի տվյալները՝ դրանով իսկ բարձրացնելով հողմային տուրբինների հզորության մակարդակը և երկարացնելով ծառայության ժամկետը:

  3. Արդյունաբերական IoT արտադրական գծի մեծ տվյալների կիրառում

 

Արդյունաբերական արտադրության ժամանակակից արտադրական գծերը հագեցած են հազարավոր փոքր սենսորներով՝ ջերմաստիճանը, ճնշումը, ջերմությունը, թրթռումը և աղմուկը հայտնաբերելու համար:

     

Քանի որ տվյալները հավաքվում են ամեն մի քանի վայրկյանը մեկ, վերլուծության բազմաթիվ ձևեր կարող են իրականացվել՝ օգտագործելով այդ տվյալները, ներառյալ սարքավորումների ախտորոշումը, էներգիայի սպառման վերլուծությունը, էներգիայի սպառման վերլուծությունը, վթարների որակի վերլուծությունը (ներառյալ արտադրության կանոնների խախտումները, բաղադրիչների խափանումները) և այլն:

             

Առաջին հերթին, արտադրության գործընթացի բարելավման առումով, այս մեծ տվյալների օգտագործումը արտադրական գործընթացում կարող է վերլուծել ամբողջ արտադրական գործընթացը և հասկանալ, թե ինչպես է կատարվում յուրաքանչյուր հղումը:Երբ որոշակի գործընթաց շեղվում է ստանդարտ գործընթացից, տագնապի ազդանշան կստեղծվի, սխալները կամ խցանումները կարող են ավելի արագ գտնել, և խնդիրը կարող է ավելի հեշտ լուծվել:

                  

Մեծ տվյալների տեխնոլոգիայի կիրառմամբ հնարավոր է նաև ստեղծել արդյունաբերական արտադրանքի արտադրության գործընթացի վիրտուալ մոդելներ, մոդելավորել և օպտիմալացնել արտադրական գործընթացը։Երբ գործընթացի և կատարողականի բոլոր տվյալները կարող են վերակառուցվել համակարգում, այս թափանցիկությունը կօգնի արտադրողներին բարելավել իրենց արտադրական գործընթացները:

Մեկ այլ օրինակ, էներգիայի սպառման վերլուծության առումով, սարքավորումների արտադրության գործընթացում բոլոր արտադրական գործընթացները կենտրոնացված վերահսկելու համար սենսորների օգտագործումը կարող է գտնել էներգիայի սպառման աննորմալություններ կամ գագաթնակետեր, այնպես որ էներգիայի սպառումը կարող է օպտիմիզացվել արտադրության գործընթացում, և բոլոր գործընթացները կարող են օպտիմիզացվել: կատարվի։Վերլուծությունը զգալիորեն կնվազեցնի էներգիայի սպառումը:

  4. Արդյունաբերական մատակարարման շղթայի վերլուծություն և օպտիմալացում

        

Ներկայումս մեծ տվյալների վերլուծությունն արդեն իսկ կարևոր միջոց է էլեկտրոնային առևտրի շատ ընկերությունների համար՝ բարձրացնելու իրենց մատակարարման շղթաների մրցունակությունը:

                

Օրինակ, էլեկտրոնային առևտրի Jingdong Mall ընկերությունը մեծ տվյալներ է օգտագործում տարբեր վայրերում ապրանքների պահանջարկը նախապես վերլուծելու և կանխատեսելու համար՝ դրանով իսկ բարելավելով բաշխման և պահեստավորման արդյունավետությունը և ապահովելով հաճախորդների փորձը հաջորդ օրվա համար:

           
RFID և այլ արտադրանքի էլեկտրոնային նույնականացման տեխնոլոգիաները, իրերի ինտերնետ տեխնոլոգիաները և շարժական ինտերնետի տեխնոլոգիաները կարող են օգնել արդյունաբերական ձեռնարկություններին ստանալ արտադրանքի մատակարարման ամբողջական շղթայի մեծ տվյալներ:Վերլուծության համար այս տվյալների օգտագործումը կբերի պահեստավորման, բաշխման և վաճառքի արդյունավետության զգալի աճ և զգալի ծախսեր:անկում։

                 

ԱՄՆ-ում կան ավելի քան 1000 խոշոր OEM մատակարարներ, որոնք արտադրական ընկերություններին տրամադրում են ավելի քան 10000 տարբեր ապրանքներ:Յուրաքանչյուր արտադրող հիմնվում է շուկայի կանխատեսումների և այլ տարբեր փոփոխականների վրա, ինչպիսիք են վաճառքի տվյալները, շուկայի տեղեկատվությունը, ցուցահանդեսները, նորությունները և մրցակիցների տվյալները, և նույնիսկ եղանակի կանխատեսումները՝ իրենց արտադրանքը վաճառելու համար:

           

Օգտագործելով վաճառքի տվյալները, արտադրանքի սենսորային տվյալները և մատակարարների տվյալների բազաներից ստացված տվյալները՝ արդյունաբերական արտադրական ընկերությունները կարող են ճշգրիտ կանխատեսել պահանջարկը աշխարհի տարբեր տարածաշրջաններում:

      

Քանի որ գույքագրման և վաճառքի գները կարելի է հետևել և կարելի է գնել, երբ գները նվազում են, արտադրող ընկերությունները կարող են մեծ ծախսեր խնայել:

             
Եթե ​​դուք կրկին օգտագործում եք արտադրանքի սենսորների կողմից ստեղծված տվյալները՝ իմանալու, թե ինչն է սխալ արտադրանքի հետ և որտեղ են անհրաժեշտ մասերը, նրանք կարող են նաև կանխատեսել, թե որտեղ և երբ են անհրաժեշտ մասերը:Սա մեծապես կնվազեցնի գույքագրումը և օպտիմալացնի մատակարարման շղթան: