სამრეწველო დიდი მონაცემები არის ახალი კონცეფცია, სიტყვასიტყვით გაგებული, სამრეწველო დიდი მონაცემები ეხება სამრეწველო ინფორმაციის გამოყენებაში წარმოქმნილ დიდ მონაცემებს.
ინფორმატიზაციისა და ინდუსტრიალიზაციის სიღრმისეული ინტეგრაციით, ინფორმაციული ტექნოლოგიამ შეაღწია სამრეწველო საწარმოების სამრეწველო ქსელის ყველა კავშირს, როგორიცაა შტრიხკოდები, QR კოდები, RFID, სამრეწველო სენსორები, სამრეწველო ავტომატური კონტროლის სისტემები, საგნების სამრეწველო ინტერნეტი, ERP, CAD/CAE/CAI და სხვა ტექნოლოგიები.
განსაკუთრებით ახალი თაობის საინფორმაციო ტექნოლოგიების გამოყენებით, როგორიცაა ინტერნეტი, მობილური ინტერნეტი და ინტერნეტი სამრეწველო სფეროში, სამრეწველო საწარმოები ასევე შევიდნენ განვითარების ახალ ეტაპზე ინტერნეტ ინდუსტრიაში, ხოლო სამრეწველო საწარმოების მიერ ჩატარებული მონაცემები სულ უფრო უხვად გახდა.
სამრეწველო დიდი მონაცემების გამოყენება მოუტანს ინოვაციისა და ტრანსფორმაციის ახალ ეპოქას სამრეწველო საწარმოებში. დაბალი ფასის აღქმის, მაღალსიჩქარიანი მობილური კავშირის, განაწილებული გამოთვლებითა და მოწინავე ანალიზით, რომელიც გამოწვეულია ინტერნეტით და მობილური ინტერნეტით, ინფორმაციული ტექნოლოგია და გლობალური სამრეწველო სისტემები ღრმად ინტეგრირდება, გლობალურ ინდუსტრიებში ღრმა ცვლილებების შემოტანა, R&D და საწარმოების წარმოების ინოვაცია. , ოპერაცია, მარკეტინგის და მართვის მეთოდები. Hangao Tech (Seko Machinery) მიმართავს ინტერნეტ ტექნოლოგიას საკონტროლო სისტემაში ინტელექტუალური უჟანგავი ფოლადის სამრეწველო შედუღებული მილების დამზადების აპარატები , რათა ორივე მხარის ტექნიკურმა ჯგუფებმა შეძლონ წარმოების მონაცემების რეალურ დროში მონიტორინგი, ოპერაციის დროს ხარვეზების პოვნა და გამორთვა.
ამრიგად, სამრეწველო დიდი მონაცემთა პროგრამების პრობლემები და გამოწვევები არ არის ნაკლები ინტერნეტ ინდუსტრიის, და ზოგიერთ შემთხვევაში ისინი კიდევ უფრო რთულია.
ამ ინოვაციურმა ინდუსტრიულმა საწარმოებმა სხვადასხვა ინდუსტრიაში მოუტანა უფრო სწრაფი სიჩქარე, უფრო მაღალი ეფექტურობა და უფრო მაღალი შეხედულებისამებრ.
სამრეწველო დიდი მონაცემების ტიპიური პროგრამები მოიცავს პროდუქტის ინოვაციას, პროდუქტის ხარვეზების დიაგნოზს და პროგნოზს, სამრეწველო წარმოების ხაზის IoT ანალიზს, სამრეწველო საწარმოს მიწოდების ქსელის ოპტიმიზაციას და პროდუქტის ზუსტი მარკეტინგს. ეს სტატია დაასახელებს სამრეწველო დიდი მონაცემების განაცხადის სცენარებს საწარმოების საწარმოებში სათითაოდ.
1. დააჩქარეთ პროდუქტის ინოვაცია
მომხმარებლებსა და სამრეწველო საწარმოებს შორის ურთიერთქმედებისა და გარიგების ქცევა წარმოქმნის დიდ რაოდენობას. ამ მომხმარებლის დინამიური მონაცემების მოპოვება და ანალიზი შეიძლება დაეხმაროს მომხმარებლებს მონაწილეობა მიიღონ პროდუქტის მოთხოვნილების ანალიზში და პროდუქტის დიზაინის ინოვაციური საქმიანობაში და მიიღონ წვლილი პროდუქტის ინოვაციაში.
ფორდი ამ მხრივ მაგალითია. მათ გამოიყენეს დიდი მონაცემთა ტექნოლოგია პროდუქტის ინოვაციისა და Ford Focus- ის ელექტრო მანქანის ოპტიმიზაციისთვის. ეს მანქანა გახდა ნამდვილი 'დიდი მონაცემთა ელექტრო მანქანა. ' Ford Focus Electric Vehicles- ის პირველმა თაობამ მრავალი მონაცემი შექმნა მართვისა და პარკირების დროს.
მართვის დროს, მძღოლი მუდმივად განაახლებს ავტომობილის აჩქარებას, დამუხრუჭებას, ბატარეის დატენვას და ადგილმდებარეობის შესახებ ინფორმაციას. ეს სასარგებლოა მძღოლებისთვის, მაგრამ მონაცემები ასევე იგზავნება Ford Engineers- ს, რომ გაიგონ მომხმარებლის მართვის ჩვევები, მათ შორის, თუ როგორ, როდის და სად უნდა დააკისროს. მაშინაც კი, თუ მანქანა გაჩერებულია, ის გააგრძელებს მონაცემების გადაცემას საბურავების წნევის და ბატარეის სისტემის შესახებ უახლოეს ჭკვიან ტელეფონზე.
ამ მომხმარებელზე ორიენტირებული დიდი მონაცემების განაცხადის სცენარს მრავალი სარგებელი აქვს, რადგან დიდი მონაცემები საშუალებას აძლევს მნიშვნელოვან ახალ პროდუქტს ინოვაციისა და თანამშრომლობის მეთოდებს. მძღოლები იღებენ სასარგებლო და თანამედროვე ინფორმაციას, ხოლო დეტროიტის ინჟინრებმა საერთო ინფორმაცია მართვის ქცევის შესახებ, მომხმარებლების გასაგებად, პროდუქციის გაუმჯობესების გეგმების შესამუშავებლად და ახალი პროდუქტის ინოვაციების განსახორციელებლად.
უფრო მეტიც, ელექტროენერგიის კომპანიებსა და მესამე მხარის სხვა მომწოდებლებს შეუძლიათ გაანალიზონ მილიონობით მილის მართვის მონაცემები, რათა დადგინდეს, თუ სად უნდა შექმნან ახალი დატენვის სადგურები და როგორ თავიდან აიცილონ მყიფე ქსელის გადატვირთვა.
2. პროდუქტის ხარვეზის დიაგნოზი და პროგნოზი
ეს შეიძლება გამოყენებულ იქნას პროდუქტის შემდგომი გაყიდვების სერვისისა და პროდუქტის გაუმჯობესებისთვის. ყოვლისმომცველი სენსორების და ინტერნეტ ტექნოლოგიის დანერგვამ რეალურ დროში დიაგნოზი მოახდინა პროდუქტის ხარვეზების რეალობად, ხოლო დიდი მონაცემების პროგრამებმა, მოდელირებამ და სიმულაციურმა ტექნოლოგიებმა შესაძლებელი გახადა დინამიკის პროგნოზირება.
მალაიზიის ავიახაზების MH370– ის დაკარგული კავშირის ძიების დროს, Boeing– ის მიერ მოპოვებულმა ძრავის ოპერაციულმა მონაცემებმა მნიშვნელოვანი როლი ითამაშა თვითმფრინავის დაკარგული კავშირის გზის განსაზღვრაში. მოდით, გავითვალისწინოთ Boeing თვითმფრინავების სისტემა, როგორც შემთხვევა, რომ ნახოთ, თუ როგორ თამაშობენ დიდი მონაცემების პროგრამები პროდუქტის ხარვეზების დიაგნოზში.
Boeing– ის თვითმფრინავებზე ასობით ცვლადი, როგორიცაა ძრავები, საწვავის სისტემები, ჰიდრავლიკა და ელექტრო სისტემები, ფრენის მდგომარეობას ქმნის. ეს მონაცემები იზომება და იგზავნება რამდენიმე მიკროწამზე ნაკლებ დროში. მაგალითად, Boeing 737- ს მაგალითს, ძრავას შეუძლია შექმნას 10 ტერაბაიტი მონაცემები ფრენის დროს ყოველ 30 წუთში.
ეს მონაცემები არის არა მხოლოდ საინჟინრო ტელემეტრიული მონაცემები, რომელთა ანალიზი შესაძლებელია მომავალში გარკვეულ მომენტში, არამედ ხელს უწყობს რეალურ დროში ადაპტირებულ კონტროლს, საწვავის გამოყენებას, კომპონენტის უკმარისობის პროგნოზირებას და საპილოტე შეტყობინებას, რომელსაც შეუძლია ეფექტურად მიაღწიოს შეცდომების დიაგნოზს და პროგნოზს.
მოდით გადავხედოთ General Electric (GE) მაგალითს. GE ენერგიის მონიტორინგისა და დიაგნოსტიკის (M&D) ცენტრი ატლანტაში, აშშ - ში, აგროვებს მონაცემებს ათასობით G GA ტურბინების შესახებ მსოფლიოს 50 -ზე მეტ ქვეყანაში და შეუძლია ყოველდღიურად შეაგროვოს 10G მონაცემები მომხმარებლებისთვის. გაანალიზეთ სენსორის ვიბრაციისა და ტემპერატურის სიგნალების მუდმივი მონაცემების ნაკადის მუდმივი ნაკადის სისტემაში. ამ დიდი მონაცემების ანალიზი უზრუნველყოფს GE- ს გაზის ტურბინის ხარვეზების დიაგნოზირებასა და ადრეულ გაფრთხილებას.
ქარის ტურბინების მწარმოებელმა Vestas- მა ასევე გააუმჯობესა ქარის ტურბინების განლაგება ამინდის მონაცემების ჯვარედინი ანალიზით და მისი ტურბინის მრიცხველის მონაცემებით, რითაც იზრდება ქარის ტურბინების ელექტროენერგიის გამომუშავების დონე და მომსახურების ხანგრძლივობა.
3. ინდუსტრიული IoT წარმოების ხაზის დიდი მონაცემები
თანამედროვე სამრეწველო წარმოების წარმოების ხაზები აღჭურვილია ათასობით მცირე სენსორით, რომ გამოავლინოს ტემპერატურა, წნევა, სითბო, ვიბრაცია და ხმაური.
იმის გამო, რომ მონაცემები გროვდება ყოველ რამდენიმე წამში, ანალიზის მრავალი ფორმა შეიძლება განხორციელდეს ამ მონაცემების გამოყენებით, მათ შორის აღჭურვილობის დიაგნოზით, ენერგიის მოხმარების ანალიზით, ენერგიის მოხმარების ანალიზით, ხარისხის ავარიების ანალიზით (წარმოების რეგულაციების დარღვევების, კომპონენტის ჩავარდნების დარღვევების ჩათვლით) და ა.შ.
უპირველეს ყოვლისა, წარმოების პროცესის გაუმჯობესების თვალსაზრისით, წარმოების პროცესში ამ დიდი მონაცემების გამოყენებამ შეიძლება გააანალიზოს წარმოების მთელი პროცესი და გააცნობიეროს, თუ როგორ შესრულებულია თითოეული ბმული. მას შემდეგ, რაც გარკვეული პროცესი გადახრა სტანდარტული პროცესისგან, წარმოიქმნება განგაშის სიგნალი, შეცდომები ან საყრდენები შეიძლება უფრო სწრაფად მოიძებნოს, და პრობლემა უფრო მარტივად შეიძლება მოგვარდეს.
დიდი მონაცემთა ტექნოლოგიის გამოყენებით, ასევე შესაძლებელია სამრეწველო პროდუქტების წარმოების პროცესის ვირტუალური მოდელების შექმნა, წარმოების პროცესის სიმულაცია და ოპტიმიზაცია. როდესაც სისტემაში ყველა პროცესისა და შესრულების მონაცემების რეკონსტრუქცია შესაძლებელია, ეს გამჭვირვალობა ხელს შეუწყობს მწარმოებლებს წარმოების პროცესების გაუმჯობესებაში.
კიდევ ერთი მაგალითისთვის, ენერგიის მოხმარების ანალიზის თვალსაზრისით, სენსორების გამოყენებამ, რომ ცენტრალურად აკონტროლონ ყველა წარმოების პროცესი აღჭურვილობის წარმოების პროცესში, შეიძლება იპოვოთ პათოლოგიები ან მწვერვალები ენერგიის მოხმარებაში, ასე რომ, ენერგიის მოხმარება შეიძლება ოპტიმიზირდეს წარმოების პროცესის დროს და ყველა პროცესის ჩატარება. ანალიზი მნიშვნელოვნად შეამცირებს ენერგიის მოხმარებას.
4. სამრეწველო მიწოდების ქსელის ანალიზი და ოპტიმიზაცია
ამჟამად, დიდი მონაცემების ანალიზი უკვე მნიშვნელოვანი საშუალებაა ელექტრონული კომერციის მრავალი კომპანიისთვის, რომ გაზარდონ თავიანთი მიწოდების ქსელების კონკურენტუნარიანობა.
მაგალითად, ელექტრონული კომერციის კომპანია Jingddong Mall იყენებს დიდ მონაცემებს წინასწარ, სხვადასხვა ადგილებში საქონლის მოთხოვნის ანალიზისა და პროგნოზირების მიზნით, რითაც აუმჯობესებს განაწილებისა და საწყობის ეფექტურობას და უზრუნველყოფს მომდევნო დღის მომხმარებელთა გამოცდილებას.
RFID და სხვა პროდუქტის ელექტრონული საიდენტიფიკაციო ტექნოლოგია, Things Things Things Things ტექნოლოგიისა და მობილური ინტერნეტ ტექნოლოგიის საშუალებით შესაძლებელია სამრეწველო საწარმოების მიღება პროდუქტის მიწოდების სრული ქსელის დიდი მონაცემების მიღებაში. ამ მონაცემების ანალიზისთვის გამოყენებას მოუტანს საწყობის, განაწილებისა და გაყიდვების ეფექტურობის მნიშვნელოვან ზრდას და მნიშვნელოვან ფასს. უარი.
შეერთებულ შტატებში 1000 -ზე მეტი დიდი OEM მომწოდებელია, რაც საწარმოო კომპანიებს 10,000 -ზე მეტ სხვადასხვა პროდუქტს უზრუნველყოფს. თითოეული მწარმოებელი ეყრდნობა ბაზრის პროგნოზებს და სხვა სხვადასხვა ცვლადებს, როგორიცაა გაყიდვების მონაცემები, ბაზრის ინფორმაცია, გამოფენები, სიახლეები და კონკურენტის მონაცემები და ამინდის პროგნოზებიც კი, რომ გაყიდონ თავიანთი პროდუქტი.
გაყიდვების მონაცემების, პროდუქტის სენსორის მონაცემებისა და მომწოდებლის მონაცემთა ბაზების მონაცემების გამოყენებით, სამრეწველო წარმოების კომპანიებს შეუძლიათ ზუსტად წინასწარ განსაზღვრონ მოთხოვნა მსოფლიოს სხვადასხვა რეგიონში.
იმის გამო, რომ ინვენტარიზაციისა და გაყიდვების ფასების თვალყურის დევნება შესაძლებელია და ფასების დაცემისას შეგიძლიათ შეიძინოთ, მწარმოებელ კომპანიებს შეუძლიათ დაზოგონ ბევრი ხარჯები.
თუ თქვენ გამოიყენებთ პროდუქტში არსებულ სენსორების მიერ წარმოქმნილ მონაცემებს, რომ იცოდეთ რა არის ცუდი პროდუქტთან და სად არის საჭირო ნაწილები, მათ ასევე შეუძლიათ წინასწარ განსაზღვრონ სად და როდის არის საჭირო ნაწილები. ეს მნიშვნელოვნად შეამცირებს ინვენტარს და ოპტიმიზაციას უწევს მიწოდების ქსელს.
