Արդյունաբերական մեծ տվյալները նոր հայեցակարգ են, բառացիորեն հասկացված, արդյունաբերական մեծ տվյալները վերաբերում են արդյունաբերական տեղեկատվության կիրառման մեջ ստեղծված մեծ տվյալներին:
Տեղեկատվության եւ արդյունաբերականացման խորը ինտեգրվելով, տեղեկատվական տեխնոլոգիաները ներթափանցել են արդյունաբերական ձեռնարկությունների արդյունաբերական շղթայի բոլոր հղումները, ինչպիսիք են շտրիխոդները, QR կոդերը, RFID- ը, արդյունաբերական կառավարման համակարգերը, արդյունաբերական ձեռնարկություններում լայնորեն օգտագործվում են արդյունաբերական ձեռնարկություններում:
Հատկապես նոր սերնդի տեղեկատվական տեխնոլոգիաների կիրառմամբ, ինչպիսիք են ինտերնետը, բջջային ինտերնետը եւ արդյունաբերական դաշտում գտնվող իրերի ինտերնետը, արդյունաբերական ձեռնարկությունները նույնպես մտել են ինտերնետի արդյունաբերության զարգացման նոր փուլ, իսկ արդյունաբերական ձեռնարկությունների կողմից անցկացվող տվյալները ավելի ու ավելի են:
Արդյունաբերական մեծ տվյալների կիրառումը կբերի նորարարության եւ արդյունաբերական ձեռնարկություններում նորարարության եւ վերափոխման նոր դարաշրջան: Low ածր ծախսերի ընկալման, բարձր արագությամբ բջջային կապի, բաշխված հաշվարկային եւ առաջատար վերլուծության միջոցով, որոնք բերվել են իրերի եւ բջջային ինտերնետի միջոցով, տեղեկատվական տեխնոլոգիաների եւ գլոբալ արդյունաբերական համակարգերի կողմից խորապես ինտեգրված են, խորը փոփոխություններ բերելով գլոբալ արդյունաբերություններում եւ նորակարգում են R & D- ն: , Գործողություն, շուկայավարման եւ կառավարման մեթոդներ: Hangao Tech (Seko Machinery) տարածում է ինտերնետ տեխնոլոգիաները վերահսկող համակարգին Խելացի չժանգոտվող պողպատ Արդյունաբերական եռակցված խողովակների պատրաստման մեքենաներ , որպեսզի երկու կողմերի տեխնիկական թիմերը կարողանան իրական ժամանակում վերահսկել արտադրության տվյալները, գործողության ընթացքում սխալներ գտնել եւ կանխել անջատումները:
Հետեւաբար, արդյունաբերական մեծ տվյալների դիմումների առջեւ ծառացած խնդիրներն ու մարտահրավերները պակաս չէ, քան ինտերնետային արդյունաբերության, եւ որոշ դեպքերում դրանք ավելի բարդ են:
Տարբեր արդյունաբերություններում այս նորարարական արդյունաբերական ձեռնարկությունները բերել են ավելի արագ արագություն, ավելի բարձր արդյունավետություն եւ ավելի բարձր պատկերացում:
Արդյունաբերական մեծ տվյալների բնորոշ ծրագրերը ներառում են արտադրանքի նորարարություն, արտադրանքի անսխալ ախտորոշում եւ կանխատեսում, արդյունաբերական արտադրական գիծ IOT վերլուծություն, արդյունաբերական ձեռնարկությունների մատակարարման ցանցի օպտիմիզացում եւ արտադրանքի ճշգրիտ շուկայավարում: Այս հոդվածը մեկ առ մեկ դասավորելու է արդյունաբերական մեծ տվյալների կիրառման սցենարները:
1. Արագացրեք արտադրանքի նորամուծությունը
Հաճախորդների եւ արդյունաբերական ձեռնարկությունների միջեւ փոխգործակցությունն ու գործարքի պահվածքը մեծ քանակությամբ տվյալներ կստեղծեն: Հաճախորդների այս դինամիկ տվյալների հանքարդյունաբերությունը կարող է օգնել հաճախորդներին մասնակցել արտադրանքի պահանջարկի վերլուծության եւ արտադրանքի ձեւավորման նորարարական գործողություններին եւ ներդրումներ կատարել արտադրանքի նորամուծության մեջ:
Ֆորդը այս առումով օրինակ է: Նրանք կիրառեցին տվյալների մեծ տեխնոլոգիա արտադրանքի նորամուծությանը եւ Ford Focus էլեկտրական մեքենայի օպտիմալացմանը: Այս մեքենան դարձել է իսկական 'մեծ տվյալների էլեկտրական մեքենա:
Մեքենա վարելիս վարորդը շարունակաբար թարմացնում է մեքենայի արագացումը, արգելակումը, մարտկոցի լիցքավորումը եւ գտնվելու վայրի տեղեկատվությունը: Սա օգտակար է վարորդների համար, բայց տվյալները ուղարկվում են նաեւ Ford Engineers- ին `Հաճախորդի վարորդական սովորությունները հասկանալու համար, ներառյալ, թե ինչպես եւ որտեղից եւ որտեղ է գանձում: Նույնիսկ եթե տրանսպորտային միջոցը կանգնած է, այն կշարունակի տվյալներ փոխանցել տրանսպորտային միջոցների անվադողերի ճնշման եւ մարտկոցի համակարգի վրա մոտակա խելացի հեռախոս:
Հաճախորդների կենտրոնամետ մեծ տվյալների դիմումի սցենարը շատ օգուտներ ունի, քանի որ մեծ տվյալները հնարավորություն են տալիս արժեքավոր նոր արտադրանքի նորարարություն եւ համագործակցության մեթոդներ: Վարորդները ստանում են օգտակար եւ արդի տեղեկատվություն, մինչդեռ Դեթրոյթում ճարտարագետները համախմբում են հաճախորդներին հասկանալու վարորդական վարքի մասին տեղեկատվություն, արտադրանքի բարելավման ծրագրեր մշակում եւ իրականացնում են նոր արտադրանքի նորամուծություններ:
Ավելին, էներգետիկ ընկերությունները եւ երրորդ կողմի մատակարարները կարող են վերլուծել միլիոնավոր մղոններ վարորդական տվյալներ, որոշելու, թե որտեղ պետք է կառուցեն նոր լիցքավորման կայաններ եւ ինչպես կանխել փխրուն ցանցը գերբեռնվածությունից:
2-ը: Ապրանքի սխալի ախտորոշում եւ կանխատեսում
Սա կարող է օգտագործվել արտադրանքի հետագա վաճառքի ծառայության եւ արտադրանքի բարելավման համար: UbiQuitous Sensors- ի եւ Internet Technology- ի ներդրումը իրական ժամանակում ախտորոշում է արել իրականության իրականության իրականությունը, մինչդեռ տվյալների մեծ ծրագրերը, մոդելավորման եւ սիմուլյացիայի տեխնոլոգիաները հնարավորություն են տվել կանխատեսել դինամիկան:
Մալայզիայի ավիաուղիների կորած կապի որոնման ընթացքում Boeing- ի կողմից ձեռք բերված շարժիչի գործառնական տվյալները առանցքային դեր են խաղացել ինքնաթիռի կորցրած կապի ուղին որոշելու գործում: Եկեք վերցնենք Boeing ինքնաթիռի համակարգը, որպես դեպք տեսնելու, թե ինչպես են տվյալների մեծ դիմումները դեր խաղում արտադրանքի սխալի ախտորոշման մեջ:
Boeing- ի ինքնաթիռների վրա, հարյուրավոր փոփոխականներ, ինչպիսիք են շարժիչները, վառելիքի համակարգերը, հիդրավլիկները եւ էլեկտրական համակարգերը, կազմում են թռիչքի նահանգը: Այս տվյալները չափվում եւ ուղարկվում են մի քանի մանրադիտակի պակաս: Որպես օրինակ վերցնելով Boeing 737-ը, շարժիչը կարող է առաջ բերել 10 տեռաբիտ տվյալներ թռիչքի յուրաքանչյուր 30 րոպեի ընթացքում:
Այս տվյալները ոչ միայն հեռաչափիչ տվյալների չեն, որոնք ապագայում կարող են վերլուծվել որոշակի կետում, այլեւ նպաստել իրական ժամանակի հարմարվողական վերահսկմանը, վառելիքի օգտագործմանը, բաղադրիչի ձախողման կանխատեսումն ու փորձնական ծանուցումը:
Եկեք նայենք ընդհանուր էլեկտրական (GE) օրինակին: ԱՄՆ էներգետիկ մոնիտորինգի եւ ախտորոշման (M & D) կենտրոն Ատլանտա քաղաքում, հավաքում է տվյալներ աշխարհի ավելի քան 50 երկրներում, եւ ամեն օր կարող է հավաքել 10 գ տվյալներ հաճախորդների համար: Վերլուծեք համակարգի սենսորի թրթռումից եւ ջերմաստիճանի ազդանշաններից ստացված մշտական մեծ քանակությամբ տվյալների հոսքը: Այս մեծ տվյալների վերլուծությունը աջակցություն կցուցաբերի GE- ի գազի տուրբինի սխալի ախտորոշմանը եւ վաղ նախազգուշացմանը:
Քամու տուրբինների արտադրող Վեստաները նաեւ բարելավել են հողմային տուրբինների դասավորությունը `անցնելով եղանակային եղանակով վերլուծելով եղանակային տվյալների եւ դրա տուրբինային հաշվիչների տվյալներով, դրանով իսկ ավելացնելով հողմային տուրբինների էլեկտրաէներգիայի վերջնական մակարդակը:
3. Արդյունաբերական iot արտադրության գծի մեծ տվյալների կիրառումը
Ժամանակակից արդյունաբերական արտադրության արտադրության գծերը հագեցած են հազարավոր փոքր սենսորներով `ջերմաստիճանը, ճնշումը, ջերմությունը, թրթռումը եւ աղմուկը հայտնաբերելու համար:
Քանի որ տվյալները հավաքվում են ամեն մի քանի վայրկյան, վերլուծության շատ ձեւեր կարող են իրականացվել `օգտագործելով այս տվյալները, ներառյալ սարքավորումների ախտորոշումը, էներգիայի սպառման վերլուծությունը (ներառյալ արտադրության կանոնների խախտումները) եւ այլն:
Առաջին հերթին, արտադրության գործընթացի բարելավման առումով, արտադրության գործընթացում այս մեծ տվյալների օգտագործումը կարող է վերլուծել արտադրության ամբողջ գործընթացը եւ հասկանալ, թե ինչպես է կատարվում յուրաքանչյուր հղում: Ստանդարտ գործընթացից շեղվում է որոշակի գործընթաց, ազդանշանային ազդանշան կստեղծվի, սխալները կամ խոչընդոտները կարող են ավելի արագ գտնել, եւ խնդիրը կարող է ավելի հեշտությամբ լուծվել:
Օգտագործելով տվյալների մեծ տեխնոլոգիա, հնարավոր է նաեւ ստեղծել արդյունաբերական արտադրանքի արտադրության գործընթացի վիրտուալ մոդելներ, մոդելավորել եւ օպտիմիզացնել արտադրության գործընթացը: Երբ բոլոր գործընթացներն ու կատարողականի տվյալները կարող են վերակառուցվել համակարգում, այս թափանցիկությունը կօգնի արտադրողներին բարելավել իրենց արտադրական գործընթացները:
Մեկ այլ օրինակով, էներգիայի սպառման վերլուծության առումով սենսորների օգտագործումը կենտրոնականորեն վերահսկելու համար արտադրական գործընթացները արտադրական գործընթացում կարող են գտնել էներգիայի սպառման աննորմալություններ կամ գագաթներ, որպեսզի արտադրության ընթացքում կարող է օպտիմիզացնել էներգիայի սպառումը: Վերլուծությունը մեծապես կնվազեցնի էներգիայի սպառումը:
4. Արդյունաբերական մատակարարման ցանցի վերլուծություն եւ օպտիմիզացում
Ներկայումս տվյալների մեծ վերլուծությունն արդեն կարեւոր միջոց է էլեկտրոնային առեւտրի շատ ընկերությունների համար `բարելավելու իրենց մատակարարման շղթաների մրցունակությունը:
Օրինակ, E-Commerce Company Jingdong Mall- ը մեծ տվյալներ է օգտագործում նախապես տարբեր վայրերում ապրանքների պահանջարկը վերլուծելու եւ կանխատեսելու համար, դրանով իսկ բարելավելով բաշխման եւ պահեստավորման արդյունավետությունը եւ հաջորդ օրվա հաճախորդի փորձը ապահովելը:
RFID եւ այլ արտադրանքի էլեկտրոնային նույնականացման տեխնոլոգիա, իրերի տեխնոլոգիաների ինտերնետը եւ բջջային ինտերնետ տեխնոլոգիաները կարող են օգնել արդյունաբերական ձեռնարկություններին ստանալ ամբողջական արտադրանքի մատակարարման մեծ տվյալներ: Վերլուծության համար այս տվյալների օգտագործումը կբերի պահեստավորման, բաշխման եւ վաճառքի արդյունավետության զգալի աճի եւ էական արժեքի: անկում:
Միացյալ Նահանգներում կա ավելի քան 1000 խոշոր մատակարարներ, որոնք ապահովում են ավելի քան 10,000 տարբեր ապրանքներ արտադրող ընկերություններին: Յուրաքանչյուր արտադրող ապավինում է շուկայի կանխատեսումներին եւ այլ տարբեր փոփոխականներին, ինչպիսիք են վաճառքի տվյալները, շուկայի տեղեկատվությունը, ցուցահանդեսները, նորությունները եւ մրցակցային տվյալները, եւ նույնիսկ եղանակային կանխատեսումները `իրենց արտադրանքը վաճառելու համար:
Օգտագործելով վաճառքի տվյալները, արտադրանքի ցուցիչի տվյալները եւ մատակարարի տվյալների բազաներից տվյալները, արդյունաբերական արտադրող ընկերությունները կարող են ճշգրիտ կանխատեսել պահանջարկը աշխարհի տարբեր մարզերում:
Քանի որ գույքագրման եւ վաճառքի գները կարելի է հետեւել եւ կարելի է գնել, երբ գները ընկնում են, արտադրական ընկերությունները կարող են շատ ծախսեր խնայել:
Եթե վերօգտագործեք արտադրանքի սենսորների կողմից առաջացած տվյալները, իմանալու համար, թե ինչն է սխալ ապրանքի հետ, եւ որտեղ են անհրաժեշտ մասերը, նրանք կարող են նաեւ կանխատեսել, թե որտեղ եւ երբ անհրաժեշտ են մասեր: Սա մեծապես կնվազեցնի գույքագրումը եւ օպտիմիզացնելու մատակարարման ցանցը:
