Промышленные большие данные - это новая концепция, буквально понятая, промышленные большие данные относится к большим данным, полученным при применении промышленной информации.
Благодаря углубленной интеграции информационной и индустриализации, информационные технологии проникли во все связи промышленной цепочки промышленных предприятий, таких как штрих-коды, QR, RFID, промышленные датчики, промышленные автоматические системы управления, промышленное Интернет вещей, ERP, CAD/CAE/CAE/CAI и другие технологии, широко используются в промышленных вводах.
Особенно с применением информационных технологий нового поколения, таких как Интернет, мобильный интернет и Интернет вещей в промышленной области, промышленные предприятия также вступили в новый этап развития в интернет-промышленности, и данные, содержащиеся промышленные предприятия, становятся все более распространенными.
Применение промышленных больших данных принесет новую эру инноваций и трансформации на промышленных предприятиях. Благодаря недорогим восприятию, высокоскоростное мобильное соединение, распределенные вычислительные и передовые анализ, вызванные Интернетом и мобильным Интернетом вещей, информационные технологии и глобальные промышленные системы глубоко интегрируются, внося глубокие изменения в глобальные отрасли и инновации в области НИОКР и производства предприятий. , Методы работы, маркетинг и управления. Hangao Tech (Seko Machinery) применяет интернет -технологии к системе управления Интеллектуальная промышленная сварная труба из нержавеющей стали , так что технические команды обеих сторон могут контролировать производственные данные в режиме реального времени, находить неисправности во время работы и предотвратить отключения.
Таким образом, проблемы и проблемы, с которыми сталкиваются приложения для больших данных промышленных данных, не меньше, чем проблемы интернет -промышленности, и в некоторых случаях они еще более сложны.
Эти инновационные промышленные предприятия в различных отраслях промышленности принесли более высокую скорость, более высокую эффективность и более высокую информацию.
Типичные применения больших данных промышленности включают инновации в продуктах, диагностику неисправностей продукта и прогнозирование, анализ промышленной производства IoT, оптимизацию цепочки поставок промышленных предприятий и маркетинг точного продукта. В этой статье будут разобраться сценарии применения промышленных больших данных на производственных предприятиях один за другим.
1. Ускорить инновации в продуктах
Взаимодействие и поведение транзакций между клиентами и промышленными предприятиями будут генерировать большой объем данных. Добыча и анализ этих динамических данных клиентов может помочь клиентам участвовать в анализе спроса на продукты и инновационных мероприятиях по проектированию продуктов, а также внести вклад в инновации в продуктах.
Форд является примером в этом отношении. Они применили технологию больших данных к инновациям продуктов и оптимизации электромобиля Ford Focus. Этот автомобиль стал настоящим электромобилем Big Data. »Первое поколение электромобилей Ford Focus генерировало много данных при вождении и парковке.
Во время вождения водитель непрерывно обновляет ускорение автомобиля, торможение, зарядку аккумулятора и информацию о местонахождении. Это полезно для драйверов, но данные также отправляются обратно инженерам Ford, чтобы понять привычки вождения клиента, включая то, как, когда и где взимать плату. Даже если транспортное средство находится на месте, он будет продолжать передавать данные о давлении в шинах и системе аккумулятора транспортного средства на ближайший смартфон.
Этот сценарий приложения с большими данными, ориентированным на клиента, имеет много преимуществ, потому что большие данные обеспечивают ценные новые инновации и совместные методы. Драйверы получают полезную и актуальную информацию, в то время как инженеры в Детройтской совокупной информации о поведении вождения для понимания клиентов, разработки планов улучшения продуктов и внедряют новые инновации продуктов.
Более того, энергетические компании и другие сторонние поставщики могут проанализировать миллионы миль данных о вождении, чтобы определить, где создать новые зарядные станции и как предотвратить перегрузку хрупкой сетки.
2. Диагностика разломов продукта и прогноз
Это может быть использовано для услуг после продажи продукта и улучшения продукта. Внедрение вездесущих датчиков и интернет-технологий сделало диагноз в реальном времени разломов продукта реальностью, в то время как приложения больших данных, технологии моделирования и моделирования позволили прогнозировать динамику.
Во время поиска потерянного соединения Malaysia Airlines MH370 данные эксплуатации, полученные Boeing, сыграли ключевую роль в определении пути потерянного соединения самолета. Давайте возьмем систему самолетов Boeing в качестве случая, чтобы увидеть, как приложения больших данных играют роль в диагностике неисправности продукта.
На самолетах Боинг сотни переменных, такие как двигатели, топливные системы, гидравлика и электрические системы, составляют состояние в полете. Эти данные измеряются и отправляются менее чем за несколько микросекунд. В качестве примера, принимая Boeing 737, двигатель может генерировать 10 терабайт данных каждые 30 минут в полете.
Эти данные представляют собой не только инженерные данные телеметрии, которые могут быть проанализированы в определенную точку в будущем, но также способствуют адаптивному контролю в реальном времени, использовании топлива, прогнозировании разрушения компонентов и пилотном уведомлении, что может эффективно достичь диагностики и прогнозирования неисправностей.
Давайте посмотрим на пример General Electric (GE). Центр мониторинга и диагностики энергии GE (M & D) в Атланте, США, собирает данные о тысячах газовых турбин GE в более чем 50 странах мира и может собирать данные 10G для клиентов каждый день. Проанализируйте постоянный поток больших данных из сигналов вибрации датчика и температуры в системе. Этот анализ больших данных обеспечит поддержку диагностики разломов газовых турбин GE и раннего предупреждения.
Производитель ветряных турбин Vestas также улучшил расположение ветряных турбин путем перекрестного анализунга данных о погоде и данных о ее измерителях турбин, тем самым увеличивая уровень выходной мощности ветряных турбин и продлив срок службы.
3. Применение больших данных промышленной производственной линии IoT
Современные производственные производственные линии промышленного производства оснащены тысячами небольших датчиков для обнаружения температуры, давления, тепла, вибрации и шума.
Поскольку данные собираются каждые несколько секунд, многие формы анализа могут быть реализованы с использованием этих данных, включая диагноз оборудования, анализ энергопотребления, анализ потребления энергии, анализ качества несчастных случаев (включая нарушения производственных правил, сбои компонентов) и т. Д.
Прежде всего, с точки зрения улучшения производственного процесса, использование этих больших данных в производственном процессе может проанализировать весь производственный процесс и понять, как выполняется каждая ссылка. После того, как определенный процесс отклонится от стандартного процесса, будет сгенерирован сигнал тревоги, ошибки или узкие места можно найти быстрее, и проблему может быть решена легче.
Используя технологию больших данных, также возможно создать виртуальные модели производственного процесса промышленных продуктов, моделировать и оптимизировать производственный процесс. Когда все данные о процессе и производительности могут быть реконструированы в системе, эта прозрачность поможет производителям улучшить свои производственные процессы.
В другом примере, с точки зрения анализа потребления энергии, использование датчиков для центрального мониторинга всех производственных процессов в процессе производства оборудования может найти аномалии или пики в потреблении энергии, чтобы потребление энергии может быть оптимизировано в ходе производственного процесса, и все процессы могут быть выполнены. Анализ значительно снизит потребление энергии.
4. Анализ и оптимизация промышленной цепочки поставок
В настоящее время анализ больших данных уже является важным средством для многих компаний электронной коммерции для повышения конкурентоспособности цепочек поставок.
Например, компания электронной коммерции Jingdong Mall использует большие данные для анализа и прогнозирования спроса на товары в различных местах заранее, тем самым повышая эффективность распределения и склада и обеспечивая качество обслуживания клиентов на следующий день.
RFID и другие технологии электронной идентификации RFID и продукта, технология Internet of Things и технология мобильного интернета может помочь промышленным предприятиям получить большие данные о полной цепочке поставок продукта. Использование этих данных для анализа приведет к значительному увеличению склада, эффективности распределения и продаж и значительных затрат. отклонить.
В Соединенных Штатах в Соединенных Штатах насчитывается более 1000 крупных поставщиков OEM, предоставляющих более 10 000 различных продуктов для производственных компаний. Каждый производитель опирается на рыночные прогнозы и другие различные переменные, такие как данные о продажах, рыночная информация, выставки, новости и данные конкурентов, а также даже прогнозы погоды для продажи их продуктов.
Используя данные о продажах, данные датчика продукта и данные из баз данных поставщиков, компании промышленного производства могут точно предсказать спрос в разных регионах мира.
Поскольку инвентарь и цены на продажи могут быть отслежены и могут быть куплены, когда цены упадут, производственные компании могут сэкономить много затрат.
Если вы повторно используете данные, сгенерированные датчиками в продукте, чтобы узнать, что не так с продуктом и где необходимы детали, они также могут предсказать, где и когда необходимы детали. Это значительно уменьшит запасы и оптимизирует цепочку поставок.
