„Industrial Big Data“ yra nauja koncepcija, pažodžiui suprantama, pramoniniai dideli duomenys reiškia didelius duomenis, sugeneruotus pritaikant pramoninę informaciją.
Išsamią informatizacijos ir industrializacijos integraciją, informacinės technologijos įsiskverbė į visas pramoninių įmonių pramoninės įmonių grandinės, tokios kaip brūkšniniai kodai, QR kodai, RFID, pramoniniai jutikliai, pramoninės automatinės valdymo sistemos, pramoninis daiktų internetas, ERP, CAD/CAM/CAE/CAI ir kitos technologijos, yra plačiai naudojamos pramoninėse įmonėse.
Ypač pritaikius naujos kartos informacines technologijas, tokias kaip internetas, mobilusis internetas ir daiktų internetas pramoninėje srityje, pramonės įmonės taip pat pateko į naują plėtros etapą interneto pramonėje, o pramonės įmonių turimi duomenys tapo vis gausiai.
Pramoninių didžiųjų duomenų taikymas suteiks naują inovacijų ir pertvarkymų erą pramoninėse įmonėse. Per pigų suvokimą, greitąjį mobilųjį ryšį, paskirstytą skaičiavimą ir patobulintą analizę, kurią pateikė internetas ir mobilus daiktų internetas, informacinės technologijos ir pasaulinės pramonės sistemos yra giliai integruojamos, sukeliančios didelius pokyčius pasaulinėms pramonės šakoms, naujovių tyrimų ir plėtrą ir įmonių gamybą. , Operacijos, rinkodaros ir valdymo metodai. „Hangao Tech“ („Seko Machinery“) naudoja interneto technologijas valdymo sistemai Intelektualios nerūdijančio plieno pramoninių suvirintų vamzdžių gamybos mašinos , kad abiejų šalių techninės komandos galėtų stebėti gamybos duomenis realiuoju laiku, rasti gedimus veikimo metu ir užkirsti kelią išjungimui.
Todėl problemos ir iššūkiai, su kuriais susiduria pramoninės didelės duomenų programos, yra ne mažesnės nei interneto pramonės, o kai kuriais atvejais jos yra dar sudėtingesnės.
Šios novatoriškos pramonės įmonės skirtingose pramonės šakose padidino greitesnį greitį, didesnį efektyvumą ir didesnę įžvalgą.
Tipiškos pramoninių didžiųjų duomenų pritaikymai apima produktų naujoves, produktų gedimų diagnozę ir prognozavimą, pramoninės gamybos linijos IoT analizę, pramoninės įmonės tiekimo grandinės optimizavimą ir produkto tikslumo rinkodarą. Šiame straipsnyje bus surūšiuoti pramoninių didžiųjų duomenų paraiškos scenarijai gamybos įmonėse po vieną.
1. Pagreitinkite produkto naujoves
Klientų ir pramoninių įmonių sąveikos ir operacijų elgsena sugeneruos daug duomenų. Šių klientų dinaminių duomenų gavyba ir analizė gali padėti klientams dalyvauti produktų paklausos analizėje ir produktų projektavimo inovacijų veikloje ir prisidėti prie produktų inovacijų.
„Ford“ yra pavyzdys šiuo atžvilgiu. Jie pritaikė „Big Data“ technologiją produkto naujovėms ir „Ford Focus“ elektromobilių optimizavimui. Šis automobilis tapo tikru „„ Big Data “elektromobiliu.“ Pirmosios kartos „Ford Focus“ elektrinės transporto priemonės sukūrė daug duomenų vairuodami ir stovėdami.
Važiuodamas vairuotojas nuolat atnaujina transporto priemonės pagreitį, stabdymą, akumuliatoriaus įkrovimą ir informaciją apie vietą. Tai naudinga vairuotojams, tačiau duomenys taip pat siunčiami „Ford“ inžinieriams suprasti kliento vairavimo įpročius, įskaitant tai, kaip, kada ir kur mokėti. Net jei transporto priemonė bus sustabdyta, ji toliau perduos duomenis apie transporto priemonės padangų slėgio ir akumuliatorių sistemą į artimiausią išmanųjį telefoną.
Šis į klientą orientuotas „Big Data“ taikymo scenarijus turi daug privalumų, nes „Big Data“ įgalina vertingus naujų produktų inovacijų ir bendradarbiavimo metodus. Vairuotojai gauna naudingą ir naujausią informaciją, o inžinieriai, turintys Detroite, suvestinė informacija apie vairavimo elgseną, kad suprastų klientus, parengtų produktų tobulinimo planus ir įgyvendintų naujas produktų naujoves.
Be to, maitinimo įmonės ir kiti trečiųjų šalių tiekėjai gali išanalizuoti milijonus mylių vairavimo duomenų, kad nustatytų, kur kurti naujas įkrovimo stotis ir kaip užkirsti kelią trapiam tinklui perkrauti.
2. Produkto gedimų diagnozė ir prognozė
Tai gali būti naudojama teikiant produktus po pardavimo paslaugų ir gaminių tobulinimo. Įvedus visur esančius jutiklius ir interneto technologijas, realiuoju laiku diagnozuota produktų gedimai realybe, o „Big Data“ programos, modeliavimo ir modeliavimo technologijos leido numatyti dinamiką.
Ieškant prarasto „Malaysia Airlines MH370“ ryšio, „Boeing“ gauti variklio veikimo duomenys vaidino pagrindinį vaidmenį nustatant prarasto orlaivio ryšio kelią. Paimkime „Boeing“ orlaivių sistemą kaip atvejį, kad pamatytume, kaip didelės duomenų programos vaidina vaidmenį diagnozuojant produktą.
„Boeing“ orlaivyje šimtai kintamųjų, tokių kaip varikliai, degalų sistemos, hidraulikos ir elektros sistemos, sudaro skrydžio būseną. Šie duomenys yra matuojami ir siunčiami mažiau nei keliais mikrosekundėmis. Paimdamas „Boeing 737“ kaip pavyzdį, variklis gali generuoti 10 terabaitų duomenų kas 30 minučių skrydžio metu.
Šie duomenys yra ne tik inžineriniai telemetrijos duomenys, kuriuos galima išanalizuoti tam tikru ateities momentu, bet ir skatinti adaptyviąją laiką realiuoju laiku, degalų naudojimą, komponentų gedimo prognozavimą ir bandomąjį pranešimą, kuris gali efektyviai pasiekti gedimų diagnozę ir prognozę.
Pažvelkime į „General Electric“ (GE) pavyzdį. GE energijos stebėjimo ir diagnostikos (M&D) centras Atlantoje, JAV, renka duomenis apie tūkstančius GE dujų turbinų daugiau nei 50 pasaulio šalių ir kiekvieną dieną gali surinkti 10 g duomenų klientams. Išanalizuokite pastovų didelių duomenų srautą iš jutiklio vibracijos ir temperatūros signalų sistemoje. Ši didelių duomenų analizė suteiks paramą GE dujų turbinos gedimų diagnozei ir ankstyvam įspėjimui.
Vėjo turbinų gamintojas „Vestas“ taip pat pagerino vėjo turbinų išdėstymą kryžminiais oro sąlygų duomenimis ir jo turbinų matuoklio duomenimis, taip padidindamas vėjo turbinų galios išėjimo lygį ir prailginant aptarnavimo tarnavimo laiką.
3. Didelių duomenų pritaikymas pramoninės IoT gamybos linijos
Šiuolaikinėse pramoninės gamybos gamybos linijose yra tūkstančiai mažų jutiklių, kad būtų galima nustatyti temperatūrą, slėgį, šilumą, vibraciją ir triukšmą.
Kadangi duomenys renkami kas kelias sekundes, įvairias analizės formas galima įgyvendinti naudojant šiuos duomenis, įskaitant įrangos diagnozę, energijos suvartojimo analizę, energijos suvartojimo analizę, kokybės avarijų analizę (įskaitant gamybos taisyklių pažeidimus, komponentų gedimus) ir kt.
Visų pirma, kalbant apie gamybos proceso tobulinimą, naudojant šiuos didelius duomenis gamybos procese, galima išanalizuoti visą gamybos procesą ir suprasti, kaip vykdoma kiekviena nuoroda. Kai tik tam tikras procesas nukrypsta nuo standartinio proceso, bus sugeneruotas aliarmo signalas, klaidos ar kliūtys bus galima rasti greičiau, o problemą galima lengviau išspręsti.
Naudojant „Big Data“ technologiją, taip pat įmanoma sukurti virtualius pramoninių produktų gamybos proceso modelius, modeliuoti ir optimizuoti gamybos procesą. Kai visi proceso ir našumo duomenys gali būti rekonstruoti sistemoje, šis skaidrumas padės gamintojams pagerinti jų gamybos procesus.
Kitame pavyzdyje, kalbant apie energijos suvartojimo analizę, jutiklių naudojimas centralizuotai stebėti visus gamybos procesus įrangos gamybos proceso metu gali nustatyti energijos suvartojimo anomalijas ar smailes, kad gamybos proceso metu būtų galima optimizuoti energijos suvartojimą ir visus procesus galima atlikti. Analizė labai sumažins energijos suvartojimą.
4. Pramoninės tiekimo grandinės analizė ir optimizavimas
Šiuo metu „Big Data“ analizė jau yra svarbi priemonė daugeliui elektroninės komercijos kompanijų, siekiant padidinti jų tiekimo grandinių konkurencingumą.
Pavyzdžiui, elektroninės komercijos įmonė „Jingdong Mall“ naudoja didelius duomenis, norėdama iš anksto analizuoti ir numatyti prekių paklausą įvairiose vietose, taip pagerindama platinimo ir sandėliavimo efektyvumą bei užtikrinant kitos dienos klientų patirtį.
RFID ir kita produktų elektroninė identifikavimo technologija, daiktų interneto technologija ir mobilioji interneto technologija gali padėti pramoninėms įmonėms gauti didelius duomenis apie visą produktų tiekimo grandinę. Naudojant šiuos duomenis analizei, žymiai padidės sandėliavimo, paskirstymo ir pardavimo efektyvumas bei didelės išlaidos. mažėti.
Jungtinėse Valstijose yra daugiau nei 1000 didelių OEM tiekėjų, kurie gamybos įmonėms tiekia daugiau nei 10 000 skirtingų produktų. Kiekvienas gamintojas remiasi rinkos prognozėmis ir kitais skirtingais kintamaisiais, tokiais kaip pardavimo duomenys, informacija rinkoje, parodos, naujienos ir konkurentų duomenys bei net orų prognozės, kad galėtų parduoti savo produktus.
Naudodamiesi pardavimo duomenimis, produktų jutiklių duomenimis ir tiekėjų duomenų bazių duomenimis, pramonės gamybos įmonės gali tiksliai numatyti paklausą skirtinguose pasaulio regionuose.
Kadangi atsargų ir pardavimo kainas galima sekti ir jas galima nusipirkti, kai kainos krinta, gamybos įmonės gali sutaupyti daug išlaidų.
Jei pakartotinai naudojate produkto jutiklių sugeneruotus duomenis, kad sužinotumėte, kas negerai su produktu ir kur reikia dalių, jie taip pat gali numatyti, kur ir kada reikia dalių. Tai labai sumažins inventorių ir optimizuos tiekimo grandinę.
