इंडस्ट्रियल बिग डेटा ही एक नवीन संकल्पना आहे, अक्षरशः समजली जाते, औद्योगिक मोठा डेटा औद्योगिक माहितीच्या वापरामध्ये व्युत्पन्न केलेल्या मोठ्या डेटाचा संदर्भ देते.
माहितीकरण आणि औद्योगिकीकरणाच्या सखोल समाकलनामुळे, माहिती तंत्रज्ञानाने औद्योगिक उपक्रमांच्या औद्योगिक साखळीच्या सर्व दुव्यांमध्ये प्रवेश केला आहे, जसे की बारकोड, क्यूआर कोड, आरएफआयडी, औद्योगिक सेन्सर्स, औद्योगिक स्वयंचलित नियंत्रण प्रणाली, औद्योगिक इंटरनेट ऑफ थिंग्ज, ईआरपी, सीएडी/सीएएम/सीएई/सीएआय आणि इतर तंत्रज्ञान औद्योगिक उपक्रमांमध्ये मोठ्या प्रमाणावर वापरले जातात.
विशेषत: औद्योगिक क्षेत्रात इंटरनेट, मोबाईल इंटरनेट आणि इंटरनेट ऑफ थिंग्ज सारख्या नवीन पिढीच्या माहिती तंत्रज्ञानाच्या वापरामुळे, औद्योगिक उपक्रमांनी इंटरनेट उद्योगात विकासाच्या एका नवीन टप्प्यात प्रवेश केला आहे आणि औद्योगिक उपक्रमांकडील डेटा अधिकाधिक विपुल होणे.
इंडस्ट्रियल बिग डेटाचा वापर औद्योगिक उपक्रमांमध्ये नाविन्यपूर्ण आणि परिवर्तनाचे एक नवीन युग आणेल.इंटरनेट आणि मोबाइल इंटरनेट ऑफ थिंग्सद्वारे कमी किमतीची समज, उच्च-गती मोबाइल कनेक्शन, वितरित संगणन आणि प्रगत विश्लेषणाद्वारे माहिती तंत्रज्ञान आणि जागतिक औद्योगिक प्रणाली खोलवर एकत्रित केल्या जात आहेत, जागतिक उद्योगांमध्ये गहन बदल घडवून आणत आहेत आणि नवनवीन संशोधन करत आहेत. R&D आणि उपक्रमांचे उत्पादन., ऑपरेशन, विपणन आणि व्यवस्थापन पद्धती. हंगाओ टेक (SEKO मशिनरी) च्या नियंत्रण प्रणालीवर इंटरनेट तंत्रज्ञान लागू करते इंटेलिजेंट स्टेनलेस स्टील इंडस्ट्रियल वेल्डेड पाईप मेकिंग मशिनरी , जेणेकरून दोन्ही पक्षांच्या तांत्रिक टीम्स रिअल टाइममध्ये उत्पादन डेटाचे निरीक्षण करू शकतील, ऑपरेशन दरम्यान दोष शोधू शकतील आणि शटडाउन टाळू शकतील.
त्यामुळे, औद्योगिक बिग डेटा ॲप्लिकेशन्सना भेडसावणाऱ्या समस्या आणि आव्हाने इंटरनेट उद्योगापेक्षा कमी नाहीत आणि काही बाबतीत ते आणखी गुंतागुंतीचे आहेत.
विविध उद्योगांमधील या नाविन्यपूर्ण औद्योगिक उपक्रमांनी वेगवान गती, उच्च कार्यक्षमता आणि उच्च अंतर्दृष्टी आणली आहे.
इंडस्ट्रियल बिग डेटाच्या ठराविक ऍप्लिकेशन्समध्ये उत्पादन नावीन्य, उत्पादन दोष निदान आणि अंदाज, औद्योगिक उत्पादन लाइन IoT विश्लेषण, औद्योगिक उपक्रम पुरवठा साखळी ऑप्टिमायझेशन आणि उत्पादन अचूक विपणन यांचा समावेश होतो.हा लेख मॅन्युफॅक्चरिंग एंटरप्राइजेसमधील औद्योगिक मोठ्या डेटाच्या अनुप्रयोग परिस्थितीची एक-एक क्रमवारी लावेल.
1. उत्पादनाच्या नाविन्यपूर्णतेला गती द्या
ग्राहक आणि औद्योगिक उपक्रम यांच्यातील परस्परसंवाद आणि व्यवहार वर्तन मोठ्या प्रमाणात डेटा तयार करेल.या ग्राहक डायनॅमिक डेटाचे खनन आणि विश्लेषण केल्याने ग्राहकांना उत्पादन मागणी विश्लेषण आणि उत्पादन डिझाइन नावीन्यपूर्ण क्रियाकलापांमध्ये सहभागी होण्यास आणि उत्पादनाच्या नावीन्यतेमध्ये योगदान देण्यास मदत होऊ शकते.
याबाबतीत फोर्ड हे एक उदाहरण आहे.त्यांनी फोर्ड फोकस इलेक्ट्रिक कारच्या उत्पादनातील नावीन्य आणि ऑप्टिमायझेशनसाठी मोठे डेटा तंत्रज्ञान लागू केले.ही कार खरी 'बिग डेटा इलेक्ट्रिक कार' बनली आहे. फोर्ड फोकस इलेक्ट्रिक वाहनांच्या पहिल्या पिढीने वाहन चालवताना आणि पार्किंग करताना भरपूर डेटा व्युत्पन्न केला.
वाहन चालवताना, ड्रायव्हर वाहनाचा प्रवेग, ब्रेकिंग, बॅटरी चार्जिंग आणि स्थान माहिती सतत अपडेट करतो.हे ड्रायव्हर्ससाठी उपयुक्त आहे, परंतु कसे, केव्हा आणि कोठे शुल्क आकारायचे यासह ग्राहकाच्या ड्रायव्हिंगच्या सवयी समजून घेण्यासाठी डेटा फोर्ड अभियंत्यांना परत पाठविला जातो.वाहन थांबले असले तरी ते वाहनाच्या टायरचा दाब आणि बॅटरी सिस्टीमचा डेटा जवळच्या स्मार्ट फोनवर पाठवत राहील.
या ग्राहक-केंद्रित बिग डेटा ऍप्लिकेशन परिस्थितीचे अनेक फायदे आहेत, कारण मोठा डेटा मौल्यवान नवीन उत्पादन नवकल्पना आणि सहयोग पद्धती सक्षम करतो.ड्रायव्हर्सना उपयुक्त आणि अद्ययावत माहिती मिळते, तर डेट्रॉईटमधील अभियंते ग्राहकांना समजून घेण्यासाठी, उत्पादन सुधारणा योजना विकसित करण्यासाठी आणि नवीन उत्पादन नवकल्पना लागू करण्यासाठी ड्रायव्हिंगच्या वर्तनाबद्दल एकत्रित माहिती देतात.
शिवाय, नवीन चार्जिंग स्टेशन कुठे बांधायचे आणि नाजूक ग्रिडला ओव्हरलोडिंगपासून कसे रोखायचे हे निर्धारित करण्यासाठी वीज कंपन्या आणि इतर तृतीय-पक्ष पुरवठादार लाखो मैल ड्रायव्हिंग डेटाचे विश्लेषण करू शकतात.
2. उत्पादन दोष निदान आणि अंदाज
हे उत्पादन विक्रीनंतरची सेवा आणि उत्पादन सुधारण्यासाठी वापरले जाऊ शकते.सर्वव्यापी सेन्सर्स आणि इंटरनेट तंत्रज्ञानाच्या परिचयामुळे उत्पादनातील दोषांचे वास्तविक-वेळेचे निदान झाले आहे, तर मोठ्या डेटा अनुप्रयोग, मॉडेलिंग आणि सिम्युलेशन तंत्रज्ञानामुळे गतीशीलतेचा अंदाज लावणे शक्य झाले आहे.
मलेशिया एअरलाइन्स MH370 च्या हरवलेल्या कनेक्शनच्या शोधादरम्यान, बोइंगने मिळवलेल्या इंजिन ऑपरेटिंग डेटाने विमानाच्या हरवलेल्या कनेक्शनचा मार्ग निश्चित करण्यात महत्त्वाची भूमिका बजावली.मोठ्या डेटा ऍप्लिकेशन्स उत्पादन दोष निदानामध्ये कशी भूमिका बजावतात हे पाहण्यासाठी बोईंग विमान प्रणालीला एक केस म्हणून घेऊ या.
बोईंगच्या विमानात, इंजिन, इंधन प्रणाली, हायड्रोलिक्स आणि इलेक्ट्रिकल सिस्टीम यासारखे शेकडो व्हेरिएबल्स, उड्डाणातील स्थिती बनवतात.हा डेटा मोजला जातो आणि काही मायक्रोसेकंदांपेक्षा कमी वेळात पाठवला जातो.बोईंग 737 चे उदाहरण घेता, इंजिन फ्लाइटमध्ये दर 30 मिनिटांनी 10 टेराबाइट डेटा तयार करू शकते.
हे डेटा केवळ अभियांत्रिकी टेलीमेट्री डेटा नाहीत ज्याचे भविष्यात एका विशिष्ट टप्प्यावर विश्लेषण केले जाऊ शकते, परंतु वास्तविक-वेळ अनुकूली नियंत्रण, इंधन वापर, घटक अपयश अंदाज आणि पायलट अधिसूचना देखील प्रोत्साहन देते, जे प्रभावीपणे दोष निदान आणि अंदाज साध्य करू शकतात.
जनरल इलेक्ट्रिक (GE) चे उदाहरण पाहू.अटलांटा, यूएसए मधील GE एनर्जी मॉनिटरिंग अँड डायग्नोस्टिक्स (M&D) केंद्र, जगभरातील 50 पेक्षा जास्त देशांमध्ये हजारो GE गॅस टर्बाइनचा डेटा संकलित करते आणि दररोज ग्राहकांसाठी 10G डेटा संकलित करू शकते.सिस्टीममधील सेन्सर कंपन आणि तापमान सिग्नलमधून सतत मोठ्या डेटा प्रवाहाचे विश्लेषण करा.हे मोठे डेटा विश्लेषण GE च्या गॅस टर्बाइन फॉल्ट निदान आणि लवकर चेतावणीसाठी समर्थन प्रदान करेल.
विंड टर्बाइन उत्पादक वेस्टासने हवामान डेटा आणि त्याच्या टर्बाइन मीटर डेटाचे क्रॉस-विश्लेषण करून पवन टर्बाइनच्या लेआउटमध्ये देखील सुधारणा केली, ज्यामुळे पवन टर्बाइनची उर्जा उत्पादन पातळी वाढली आणि सेवा आयुष्य वाढले.
3. औद्योगिक IoT उत्पादन लाइनचा मोठा डेटा अनुप्रयोग
आधुनिक औद्योगिक उत्पादन उत्पादन लाइन तापमान, दाब, उष्णता, कंपन आणि आवाज शोधण्यासाठी हजारो लहान सेन्सरसह सुसज्ज आहेत.
डेटा दर काही सेकंदांनी संकलित केल्यामुळे, या डेटाचा वापर करून विश्लेषणाचे अनेक प्रकार साकारले जाऊ शकतात, ज्यात उपकरणांचे निदान, वीज वापर विश्लेषण, ऊर्जा वापर विश्लेषण, गुणवत्ता अपघात विश्लेषण (उत्पादन नियमांचे उल्लंघन, घटक अपयशांसह) इ.
सर्व प्रथम, उत्पादन प्रक्रियेत सुधारणा करण्याच्या दृष्टीने, उत्पादन प्रक्रियेमध्ये या मोठ्या डेटाचा वापर केल्याने संपूर्ण उत्पादन प्रक्रियेचे विश्लेषण केले जाऊ शकते आणि प्रत्येक लिंक कशी कार्यान्वित केली जाते हे समजू शकते.एकदा ठराविक प्रक्रिया मानक प्रक्रियेपासून विचलित झाल्यानंतर, एक अलार्म सिग्नल व्युत्पन्न होईल, त्रुटी किंवा अडथळे अधिक द्रुतपणे शोधले जाऊ शकतात आणि समस्या अधिक सहजपणे सोडविली जाऊ शकते.
मोठ्या डेटा तंत्रज्ञानाचा वापर करून, औद्योगिक उत्पादनांच्या उत्पादन प्रक्रियेचे आभासी मॉडेल स्थापित करणे, उत्पादन प्रक्रियेचे अनुकरण आणि अनुकूल करणे देखील शक्य आहे.जेव्हा सिस्टममध्ये सर्व प्रक्रिया आणि कार्यप्रदर्शन डेटाची पुनर्रचना केली जाऊ शकते, तेव्हा ही पारदर्शकता उत्पादकांना त्यांच्या उत्पादन प्रक्रिया सुधारण्यास मदत करेल.
दुसऱ्या उदाहरणासाठी, उर्जेच्या वापराच्या विश्लेषणाच्या दृष्टीने, उपकरणे उत्पादन प्रक्रियेदरम्यान सर्व उत्पादन प्रक्रियांचे केंद्रिय निरीक्षण करण्यासाठी सेन्सरचा वापर केल्याने उर्जेच्या वापरामध्ये असामान्यता किंवा शिखरे आढळू शकतात, जेणेकरून उत्पादन प्रक्रियेदरम्यान ऊर्जेचा वापर ऑप्टिमाइझ केला जाऊ शकतो आणि सर्व प्रक्रिया केले जावे.विश्लेषणामुळे ऊर्जेचा वापर मोठ्या प्रमाणात कमी होईल.
4. औद्योगिक पुरवठा साखळीचे विश्लेषण आणि ऑप्टिमायझेशन
सध्या, अनेक ई-कॉमर्स कंपन्यांसाठी त्यांच्या पुरवठा साखळींची स्पर्धात्मकता वाढवण्यासाठी बिग डेटा विश्लेषण हे आधीच महत्त्वाचे साधन आहे.
उदाहरणार्थ, ई-कॉमर्स कंपनी Jingdong Mall विविध ठिकाणी मालाच्या मागणीचे विश्लेषण आणि अंदाज करण्यासाठी मोठा डेटा वापरते, ज्यामुळे वितरण आणि गोदामांची कार्यक्षमता सुधारते आणि पुढील दिवसाचा ग्राहक अनुभव सुनिश्चित करते.
RFID आणि इतर उत्पादन इलेक्ट्रॉनिक ओळख तंत्रज्ञान, इंटरनेट ऑफ थिंग्ज तंत्रज्ञान आणि मोबाइल इंटरनेट तंत्रज्ञान औद्योगिक उपक्रमांना संपूर्ण उत्पादन पुरवठा साखळीचा मोठा डेटा मिळविण्यात मदत करू शकतात.विश्लेषणासाठी या डेटाचा वापर केल्याने गोदाम, वितरण आणि विक्री कार्यक्षमतेत लक्षणीय वाढ होईल आणि महत्त्वपूर्ण खर्च येईल.घट
युनायटेड स्टेट्समध्ये 1,000 पेक्षा जास्त मोठे OEM पुरवठादार आहेत, जे उत्पादन कंपन्यांना 10,000 पेक्षा जास्त भिन्न उत्पादने प्रदान करतात.प्रत्येक उत्पादक त्यांच्या उत्पादनांची विक्री करण्यासाठी बाजाराचा अंदाज आणि इतर भिन्न चलांवर अवलंबून असतो, जसे की विक्री डेटा, बाजार माहिती, प्रदर्शने, बातम्या आणि प्रतिस्पर्धी डेटा आणि अगदी हवामान अंदाज.
विक्री डेटा, उत्पादन सेन्सर डेटा आणि पुरवठादार डेटाबेसमधील डेटा वापरून, औद्योगिक उत्पादन कंपन्या जगातील विविध क्षेत्रांमध्ये मागणीचा अचूक अंदाज लावू शकतात.
इन्व्हेंटरी आणि विक्रीच्या किंमतींचा मागोवा घेतला जाऊ शकतो आणि किंमती कमी झाल्या की खरेदी केल्या जाऊ शकतात, उत्पादन कंपन्या खूप खर्च वाचवू शकतात.
उत्पादनामध्ये काय चूक आहे आणि कुठे भाग आवश्यक आहेत हे जाणून घेण्यासाठी तुम्ही उत्पादनातील सेन्सर्सद्वारे तयार केलेल्या डेटाचा पुनर्वापर केल्यास, ते भाग कुठे आणि केव्हा आवश्यक आहेत हे देखील सांगू शकतात.हे मोठ्या प्रमाणात यादी कमी करेल आणि पुरवठा साखळी अनुकूल करेल.
