Rūpnieciskie lielie dati ir jauns jēdziens, burtiski saprotams, rūpnieciskie lielie dati attiecas uz lielajiem datiem, kas iegūti rūpnieciskās informācijas piemērošanā.
Padziļināti integrējot informatizāciju un industrializāciju, informācijas tehnoloģija ir iekļuvusi visās rūpniecības uzņēmumu rūpnieciskās ķēdes saitēs, piemēram, svītrkodos, QR kodos, RFID, rūpnieciskos sensoros, rūpnieciskajās automātiskajās vadības sistēmās, rūpnieciskajā internetā, ERP, CAD/CAE/CAE/CAI un citas tehnoloģijas tiek plaši izmantotas rūpnieciskos darbos.
Īpaši, izmantojot jaunas paaudzes informācijas tehnoloģijas, piemēram, internetu, mobilo internetu un lietu internetu rūpniecības jomā, rūpniecības uzņēmumi ir arī ienākuši jaunā attīstības posmā interneta nozarē, un rūpniecības uzņēmumu turētie dati ir kļuvuši arvien bagātīgāki.
Rūpniecisko lielo datu piemērošana radīs jaunu inovāciju un pārveidošanas laikmetu rūpniecības uzņēmumos. Izmantojot zemu izmaksu uztveri, ātrgaitas mobilo savienojumu, izplatīto skaitļošanu un uzlaboto analīzi, ko ieviesa internets un mobilais internets, informācijas tehnoloģijas un globālās rūpniecības sistēmas tiek dziļi integrētas, iegūstot dziļas izmaiņas globālajā nozarē un ieviešot pētniecību un attīstību un uzņēmumu ražošanu. , Operācijas, mārketinga un pārvaldības metodes. Hangao Tech (SEKO Machinery) izmanto interneta tehnoloģiju vadības sistēmai Inteliģenta nerūsējošā tērauda rūpnieciski metināto cauruļu izgatavošanas tehnika , lai abu pušu tehniskās komandas reālā laikā varētu uzraudzīt ražošanas datus, atrast kļūdas darbības laikā un novērst izslēgšanu.
Tāpēc problēmas un problēmas, ar kurām saskaras rūpnieciskās lielo datu lietojumprogrammas, nav mazāk nekā interneta nozares nozares, un dažos gadījumos tās ir vēl sarežģītākas.
Šie novatoriskie rūpniecības uzņēmumi dažādās nozarēs ir devuši ātrāku ātrumu, lielāku efektivitāti un lielāku ieskatu.
Rūpniecisko lielo datu tipiski pielietojumi ietver produktu jauninājumus, produktu bojājumu diagnozi un prognozi, rūpnieciskās ražošanas līnijas IoT analīzi, rūpniecības uzņēmumu piegādes ķēdes optimizāciju un produktu precizitātes mārketingu. Šis raksts sakārtos rūpniecisko lielo datu lietojumprogrammu scenārijus ražošanas uzņēmumos pa vienam.
1. Paātrināt produktu jauninājumus
Mijiedarbība un darījumu izturēšanās starp klientiem un rūpniecības uzņēmumiem radīs lielu datu daudzumu. Šo klientu dinamisko datu ieguve un analīze var palīdzēt klientiem piedalīties produktu pieprasījuma analīzē un produktu dizaina inovāciju aktivitātēs un veikt ieguldījumu produktu jauninājumos.
Ford ir piemērs šajā sakarā. Viņi izmantoja lielo datu tehnoloģiju produktu jauninājumiem un Ford Focus elektriskās automašīnas optimizāciju. Šī automašīna ir kļuvusi par īstu 'lielo datu elektrisko automašīnu.
Braucot, vadītājs nepārtraukti atjaunina transportlīdzekļa paātrinājumu, bremzēšanu, akumulatora uzlādes un atrašanās vietas informāciju. Tas ir noderīgi autovadītājiem, bet dati tiek nosūtīti arī atpakaļ Ford inženieriem, lai saprastu klienta braukšanas paradumus, ieskaitot to, kā, kad un kur uzlādēt. Pat ja transportlīdzeklis ir apstājies, tas turpinās pārraidīt datus par transportlīdzekļa riepas spiedienu un akumulatora sistēmu uz tuvāko viedtālruni.
Šim klientam orientētajam lielo datu lietojumprogrammas scenārijam ir daudz priekšrocību, jo lielie dati ļauj vērtīgas jaunas produktu jauninājumus un sadarbības metodes. Autovadītāji iegūst noderīgu un atjauninātu informāciju, savukārt Detroitas inženieri ir apkopota informācija par braukšanas uzvedību, lai izprastu klientus, izstrādātu produktu uzlabošanas plānus un ieviestu jaunus jauninājumus.
Turklāt enerģijas uzņēmumi un citi trešo personu piegādātāji var analizēt miljoniem jūdžu braukšanas datus, lai noteiktu, kur izveidot jaunas uzlādes stacijas un kā novērst trauslo tīklu pārslodzi.
2. Produkta bojājuma diagnoze un prognozēšana
To var izmantot produktu pēcpārdošanas pakalpojumiem un produktu uzlabošanai. Visuresošo sensoru un interneta tehnoloģiju ieviešana ir padarījusi realitāti reāllaika diagnozi par realitāti, savukārt lielo datu lietojumprogrammas, modelēšanas un simulācijas tehnoloģijas ļāva paredzēt dinamiku.
Meklējot Malaysia Airlines MH370 zaudēto savienojumu, Boeing iegūtajiem motora darbības datiem bija galvenā loma, nosakot zaudētā gaisa kuģa savienojuma ceļu. Uzņemsim Boeing gaisa kuģu sistēmu kā gadījumu, lai redzētu, kā lielām datu lietojumprogrammām ir nozīme produktu kļūdu diagnostikā.
Boeing gaisa kuģī simtiem mainīgo, piemēram, motoru, degvielas sistēmas, hidraulika un elektriskās sistēmas, veido lidojuma stāvokli. Šie dati tiek izmērīti un nosūtīti mazāk nekā dažās mikrosekundēs. Izmantojot Boeing 737 kā piemēru, motors ik pēc 30 minūtēm lidojuma laikā var ģenerēt 10 terabaitus datu.
Šie dati ir ne tikai inženierijas telemetrijas dati, kurus var analizēt noteiktā nākotnē, bet arī veicina reālā laika adaptīvo kontroli, degvielas izmantošanu, komponentu mazspējas prognozēšanu un pilota paziņojumu, kas var efektīvi sasniegt kļūmes diagnozi un prognozēšanu.
Apskatīsim General Electric (GE) piemēru. GE enerģijas uzraudzības un diagnostikas (M&D) centrs Atlantā, ASV, apkopo datus par tūkstošiem GE gāzes turbīnu vairāk nekā 50 pasaules valstīs un katru dienu var savākt 10G datus klientiem. Analizējiet nemainīgo lielo datu plūsmu no sensora vibrācijas un temperatūras signāliem sistēmā. Šī lielo datu analīze sniegs atbalstu GE gāzes turbīnu bojājumu diagnozei un agrīnai brīdinājumam.
Vēja turbīnu ražotājs Vestas arī uzlaboja vēja turbīnu izkārtojumu, savstarpēji analizējot laika apstākļu datus un tā turbīnu skaitītāja datus, tādējādi palielinot vēja turbīnu jaudas līmeni un pagarinot kalpošanas laiku.
3. Rūpnieciskās IoT ražošanas līnijas lielas datu piemērošana
Mūsdienu rūpniecības ražošanas ražošanas līnijas ir aprīkotas ar tūkstošiem mazu sensoru, lai noteiktu temperatūru, spiedienu, siltumu, vibrāciju un troksni.
Tā kā dati tiek savākti ik pēc dažām sekundēm, daudzus analīzes veidus var realizēt, izmantojot šos datus, ieskaitot aprīkojuma diagnozi, enerģijas patēriņa analīzi, enerģijas patēriņa analīzi, kvalitātes negadījumu analīzi (ieskaitot ražošanas noteikumu pārkāpumus, komponentu kļūmes) utt.
Pirmkārt, ražošanas procesa uzlabošanas ziņā, izmantojot šos lielos datus ražošanas procesā, var analizēt visu ražošanas procesu un saprast, kā katra saite tiek izpildīta. Kad noteikts process novirzās no standarta procesa, tiks ģenerēts trauksmes signāls, ātrāk var atrast kļūdas vai sašaurinājumus, un problēmu var vieglāk atrisināt.
Izmantojot lielo datu tehnoloģiju, ir iespējams arī izveidot rūpniecisko produktu ražošanas procesa virtuālos modeļus, simulēt un optimizēt ražošanas procesu. Ja sistēmā var rekonstruēt visus procesa un veiktspējas datus, šī caurspīdīgums palīdzēs ražotājiem uzlabot ražošanas procesus.
Cits piemērs, attiecībā uz enerģijas patēriņa analīzi, sensoru izmantošana, lai centrāli uzraudzītu visus ražošanas procesus aprīkojuma ražošanas procesā, var atrast enerģijas patēriņa patoloģijas vai maksimumus, lai ražošanas procesā varētu optimizēt enerģijas patēriņu un visus procesus var veikt. Analīze ievērojami samazinās enerģijas patēriņu.
4. Rūpnieciskās piegādes ķēdes analīze un optimizācija
Pašlaik lielo datu analīze jau ir svarīgs līdzeklis daudziem e-komercijas uzņēmumiem, lai uzlabotu to piegādes ķēžu konkurētspēju.
Piemēram, e-komercijas uzņēmums Jingdong Mall izmanto lielus datus, lai iepriekš analizētu un prognozētu preču pieprasījumu dažādās vietās, tādējādi uzlabojot izplatīšanas un noliktavu efektivitāti un nodrošinot nākamās dienas klientu pieredzi.
RFID un citas produktu elektroniskās identifikācijas tehnoloģijas, lietu interneta tehnoloģija un mobilā interneta tehnoloģija var palīdzēt rūpnieciskajiem uzņēmumiem iegūt lielus datus par pilnīgu produktu piegādes ķēdi. Izmantojot šos datus analīzei, tas ievērojami palielinās noliktavu, izplatīšanas un pārdošanas efektivitātes pieaugumu un ievērojamas izmaksas. pagrimums.
Amerikas Savienotajās Valstīs ir vairāk nekā 1000 lielu OEM piegādātāju, kas ražošanas uzņēmumiem nodrošina vairāk nekā 10 000 dažādu produktu. Katrs ražotājs balstās uz tirgus prognozēm un citiem dažādiem mainīgajiem, piemēram, pārdošanas datiem, tirgus informāciju, izstādēm, jaunumiem un konkurentu datiem, kā arī pat laika prognozes, lai pārdotu savus produktus.
Izmantojot pārdošanas datus, produktu sensoru datus un piegādātāju datu bāzu datus, rūpniecības ražošanas uzņēmumi var precīzi paredzēt pieprasījumu dažādos pasaules reģionos.
Tā kā var izsekot krājumiem un pārdošanas cenām, un tos var iegādāties, kad cenas pazeminās, ražošanas uzņēmumi var ietaupīt daudz izmaksu.
Ja jūs atkārtoti izmantojat datus, ko rada produkta sensori, lai zinātu, kas ir nepareizi ar produktu un kur ir vajadzīgas detaļas, viņi var arī paredzēt, kur un kad ir vajadzīgas detaļas. Tas ievērojami samazinās inventāru un optimizēs piegādes ķēdi.
