Rūpnieciskie lielie dati ir jauns jēdziens, burtiski saprotams, rūpnieciskie lielie dati attiecas uz lielajiem datiem, kas tiek ģenerēti, izmantojot rūpniecisko informāciju.
Ar padziļinātu informatizācijas un industrializācijas integrāciju informācijas tehnoloģijas ir iekļuvušas visos rūpniecības uzņēmumu industriālās ķēdes posmos, piemēram, svītrkodi, QR kodi, RFID, rūpnieciskie sensori, rūpnieciskās automātiskās vadības sistēmas, rūpnieciskais lietu internets, ERP, CAD/CAM/CAE/ CAI un citas tehnoloģijas tiek plaši izmantotas rūpniecības uzņēmumos.
Īpaši ar jaunās paaudzes informācijas tehnoloģiju, piemēram, interneta, mobilā interneta un lietu interneta pielietošanu industriālajā jomā, arī rūpniecības uzņēmumi ir iegājuši jaunā interneta nozares attīstības stadijā, un rūpniecības uzņēmumu rīcībā esošie dati kļūst arvien bagātīgāka.
Rūpniecisko lielo datu pielietošana ienesīs jaunu inovāciju un transformāciju laikmetu rūpniecības uzņēmumos.Pateicoties zemo izmaksu uztverei, ātrdarbīgam mobilajam savienojumam, izkliedētai skaitļošanai un uzlabotai analīzei, ko nodrošina internets un mobilais lietiskais internets, informācijas tehnoloģijas un globālās industriālās sistēmas tiek dziļi integrētas, ieviešot būtiskas izmaiņas globālajās nozarēs un radot jauninājumus R&D un uzņēmumu ražošana., Darbības, mārketinga un vadības metodes. Hangao Tech (SEKO Machinery) izmanto interneta tehnoloģiju uzņēmuma vadības sistēmā inteliģentas nerūsējošā tērauda rūpniecisko metināto cauruļu izgatavošanas iekārtas , lai abu pušu tehniskās komandas varētu reāllaikā uzraudzīt ražošanas datus, atrast darbības laikā darbības traucējumus un novērst izslēgšanu.
Tāpēc problēmas un izaicinājumi, ar kuriem saskaras rūpnieciskās lielo datu lietojumprogrammas, nav mazākas par interneta industrijas problēmām un izaicinājumiem, un dažos gadījumos tie ir pat sarežģītāki.
Šie inovatīvie rūpniecības uzņēmumi dažādās nozarēs ir nodrošinājuši lielāku ātrumu, lielāku efektivitāti un labāku ieskatu.
Tipiski rūpniecisko lielo datu lietojumi ietver produktu jauninājumus, produktu defektu diagnostiku un prognozēšanu, rūpnieciskās ražošanas līnijas IoT analīzi, rūpniecisko uzņēmumu piegādes ķēdes optimizāciju un produktu precizitātes mārketingu.Šajā rakstā pa vienam tiks sakārtoti rūpniecisko lielo datu pielietojuma scenāriji ražošanas uzņēmumos.
1. Paātrināt produktu inovāciju
Mijiedarbība un darījumu uzvedība starp klientiem un rūpniecības uzņēmumiem radīs lielu datu apjomu.Šo klientu dinamisko datu ieguve un analīze var palīdzēt klientiem piedalīties produktu pieprasījuma analīzē un produktu dizaina inovācijas darbībās, kā arī sniegt ieguldījumu produktu inovācijā.
Ford ir piemērs šajā ziņā.Viņi izmantoja lielo datu tehnoloģiju Ford Focus elektromobiļa produktu jauninājumiem un optimizēšanai.Šī automašīna ir kļuvusi par īstu 'lielo datu elektromobili'. Pirmā Ford Focus elektrisko transportlīdzekļu paaudze ģenerēja daudz datu, braucot un novietojot automašīnu stāvvietā.
Braukšanas laikā vadītājs nepārtraukti atjaunina transportlīdzekļa paātrinājuma, bremzēšanas, akumulatora uzlādes un atrašanās vietas informāciju.Tas ir noderīgi vadītājiem, taču dati tiek nosūtīti arī Ford inženieriem, lai tie izprastu klienta braukšanas paradumus, tostarp to, kā, kad un kur iekasēt maksu.Pat ja transportlīdzeklis stāv, tas turpinās pārsūtīt datus par riepu spiedienu un transportlīdzekļa akumulatora sistēmu uz tuvāko viedtālruni.
Šim uz klientu vērstajam lielo datu lietojumprogrammas scenārijam ir daudz priekšrocību, jo lielie dati nodrošina vērtīgas jaunas produktu inovācijas un sadarbības metodes.Autovadītāji iegūst noderīgu un aktuālu informāciju, savukārt Detroitas inženieri apkopo informāciju par braukšanas paradumiem, lai izprastu klientus, izstrādātu produktu uzlabošanas plānus un ieviestu jaunus produktu jauninājumus.
Turklāt elektroenerģijas uzņēmumi un citi trešo pušu piegādātāji var analizēt miljoniem jūdžu braukšanas datu, lai noteiktu, kur būvēt jaunas uzlādes stacijas un kā novērst trauslā tīkla pārslodzi.
2. Produkta defektu diagnostika un prognozēšana
To var izmantot produktu pēcpārdošanas apkalpošanai un produktu uzlabošanai.Visur esošo sensoru un interneta tehnoloģiju ieviešana ir padarījusi produktu defektu diagnostiku reāllaikā par realitāti, savukārt lielo datu lietojumprogrammas, modelēšanas un simulācijas tehnoloģijas ir ļāvušas prognozēt dinamiku.
Meklējot Malaysia Airlines MH370 zaudēto savienojumu, Boeing iegūtajiem dzinēja darbības datiem bija galvenā loma, nosakot lidmašīnas zaudētā savienojuma ceļu.Ņemsim par piemēru Boeing gaisa kuģu sistēmu, lai redzētu, kā lielo datu lietojumprogrammas spēlē produkta kļūdu diagnostiku.
Boeing lidmašīnās simtiem mainīgo lielumu, piemēram, dzinēji, degvielas sistēmas, hidraulika un elektriskās sistēmas, veido stāvokli lidojuma laikā.Šie dati tiek izmērīti un nosūtīti mazāk nekā dažās mikrosekundēs.Ņemot par piemēru Boeing 737, dzinējs var ģenerēt 10 terabaitus datu ik pēc 30 minūtēm lidojuma laikā.
Šie dati ir ne tikai inženiertehniskie telemetrijas dati, ko var analizēt noteiktā brīdī nākotnē, bet arī veicina reāllaika adaptīvo vadību, degvielas patēriņu, komponentu atteices prognozēšanu un pilota paziņojumu, kas var efektīvi nodrošināt kļūdu diagnostiku un prognozēšanu.
Apskatīsim General Electric (GE) piemēru.GE Energy Monitoring and Diagnostics (M&D) centrs Atlantā, ASV, apkopo datus par tūkstošiem GE gāzes turbīnu vairāk nekā 50 valstīs visā pasaulē un katru dienu var apkopot 10G datus klientiem.Analizējiet pastāvīgo lielo datu plūsmu no sensora vibrācijas un temperatūras signāliem sistēmā.Šī lielo datu analīze sniegs atbalstu GE gāzes turbīnas defektu diagnostikai un agrīnai brīdināšanai.
Vēja turbīnu ražotājs Vestas arī uzlaboja vēja turbīnu izkārtojumu, savstarpēji analizējot laikapstākļu datus un tā turbīnu skaitītāju datus, tādējādi palielinot vēja turbīnu jaudas līmeni un pagarinot kalpošanas laiku.
3. Rūpnieciskās IoT ražošanas līnijas lielo datu pielietojums
Mūsdienu rūpnieciskās ražošanas ražošanas līnijas ir aprīkotas ar tūkstošiem mazu sensoru, lai noteiktu temperatūru, spiedienu, siltumu, vibrāciju un troksni.
Tā kā dati tiek vākti ik pēc dažām sekundēm, izmantojot šos datus, var veikt dažādas analīzes formas, tostarp iekārtu diagnostiku, elektroenerģijas patēriņa analīzi, enerģijas patēriņa analīzi, kvalitātes negadījumu analīzi (tostarp ražošanas noteikumu pārkāpumus, komponentu atteices) utt.
Pirmkārt, ražošanas procesa uzlabošanas ziņā, izmantojot šos lielos datus ražošanas procesā, var analizēt visu ražošanas procesu un saprast, kā tiek izpildīta katra saite.Tiklīdz noteikts process novirzās no standarta procesa, tiks ģenerēts trauksmes signāls, ātrāk tiks atrastas kļūdas vai vājās vietas, un problēmu var vieglāk atrisināt.
Izmantojot lielo datu tehnoloģiju, iespējams izveidot arī industriālo produktu ražošanas procesa virtuālos modeļus, simulēt un optimizēt ražošanas procesu.Kad sistēmā var rekonstruēt visus procesa un veiktspējas datus, šī caurskatāmība palīdzēs ražotājiem uzlabot ražošanas procesus.
Piemēram, enerģijas patēriņa analīzes ziņā sensoru izmantošana, lai centralizēti uzraudzītu visus ražošanas procesus iekārtu ražošanas procesa laikā, var konstatēt novirzes vai enerģijas patēriņa maksimumus, lai ražošanas procesa laikā varētu optimizēt enerģijas patēriņu un visus procesus. jāveic.Analīze ievērojami samazinās enerģijas patēriņu.
4. Rūpnieciskās piegādes ķēdes analīze un optimizācija
Patlaban lielo datu analīze daudziem e-komercijas uzņēmumiem jau ir svarīgs līdzeklis to piegādes ķēžu konkurētspējas uzlabošanai.
Piemēram, e-komercijas uzņēmums Jingdong Mall izmanto lielos datus, lai jau iepriekš analizētu un prognozētu preču pieprasījumu dažādās vietās, tādējādi uzlabojot izplatīšanas un noliktavas efektivitāti un nodrošinot klientu pieredzi nākamajā dienā.
RFID un citu produktu elektroniskās identifikācijas tehnoloģija, lietu interneta tehnoloģija un mobilā interneta tehnoloģija var palīdzēt rūpniecības uzņēmumiem iegūt lielus datus par visu produktu piegādes ķēdi.Izmantojot šos datus analīzei, ievērojami palielināsies noliktavas, izplatīšanas un pārdošanas efektivitāte un ievērojamas izmaksas.samazināšanās.
Amerikas Savienotajās Valstīs ir vairāk nekā 1000 lielu OEM piegādātāju, kas nodrošina vairāk nekā 10 000 dažādu produktu ražošanas uzņēmumiem.Katrs ražotājs paļaujas uz tirgus prognozēm un citiem dažādiem mainīgajiem lielumiem, piemēram, pārdošanas datiem, tirgus informāciju, izstādēm, ziņām un konkurentu datiem un pat laika prognozēm, lai pārdotu savus produktus.
Izmantojot pārdošanas datus, produktu sensoru datus un datus no piegādātāju datu bāzēm, rūpnieciskās ražošanas uzņēmumi var precīzi prognozēt pieprasījumu dažādos pasaules reģionos.
Tā kā krājumu un pārdošanas cenas var izsekot, un tās var iegādāties, kad cenas samazinās, ražošanas uzņēmumi var ietaupīt daudz izmaksu.
Ja atkārtoti izmantojat izstrādājumā esošo sensoru ģenerētos datus, lai uzzinātu, kas ar produktu ir nepareizi un kur nepieciešamas detaļas, tie var arī paredzēt, kur un kad detaļas ir vajadzīgas.Tas ievērojami samazinās krājumus un optimizēs piegādes ķēdi.
