Индустријски велики подаци су нови концепт, буквално схваћен, индустријски велики подаци се односе на велике податке генерисане у примени индустријских информација.
Дубинском интеграцијом информатизације и индустријализације, информациона технологија је продрла у све карике индустријског ланца индустријских предузећа, као што су бар кодови, КР кодови, РФИД, индустријски сензори, индустријски системи аутоматског управљања, индустријски Интернет ствари, ЕРП, ЦАД/ЦАМ/ЦАЕ/ ЦАИ и друге технологије се широко користе у индустријским предузећима.
Нарочито применом информационих технологија нове генерације попут Интернета, мобилног Интернета и Интернета ствари у индустријској области, индустријска предузећа су такође ушла у нову фазу развоја интернет индустрије, а подаци којима располажу индустријска предузећа постају све обилније.
Примена индустријских великих података донеће нову еру иновација и трансформације у индустријским предузећима.Кроз перцепцију ниске цене, брзу мобилну везу, дистрибуирано рачунарство и напредну анализу коју доносе Интернет и мобилни интернет ствари, информационе технологије и глобални индустријски системи су дубоко интегрисани, доносећи дубоке промене у глобалне индустрије и иновирајући Истраживање и развој и производња предузећа., Методе рада, маркетинга и управљања. Хангао Тецх (СЕКО Мацхинери) примењује Интернет технологију на контролни систем интелигентне машине за израду индустријских заварених цеви од нерђајућег челика , тако да технички тимови обе стране могу да прате производне податке у реалном времену, пронађу грешке током рада и спрече гашења.
Стога, проблеми и изазови са којима се суочавају индустријске апликације великих података нису мањи од оних у Интернет индустрији, ау неким случајевима су чак и компликованији.
Ова иновативна индустријска предузећа у различитим индустријама донела су већу брзину, већу ефикасност и бољи увид.
Типичне примене индустријских великих података укључују иновације производа, дијагнозу и предвиђање грешака производа, анализу ИоТ линије индустријске производње, оптимизацију ланца снабдевања индустријских предузећа и маркетинг прецизности производа.Овај чланак ће разврстати сценарије примене индустријских великих података у производним предузећима један по један.
1. Убрзати иновацију производа
Интеракција и понашање трансакција између купаца и индустријских предузећа ће генерисати велику количину података.Експлоатација и анализа ових динамичких података купаца може помоћи клијентима да учествују у анализи потражње за производима и иновацијским активностима дизајна производа, и да дају допринос иновацијама производа.
Форд је пример у том погледу.Они су применили технологију великих података на иновацију производа и оптимизацију електричног аутомобила Форд Фоцус.Овај аутомобил је постао прави „електрични аутомобил за велике податке“. Прва генерација Форд Фоцус електричних возила генерисала је много података приликом вожње и паркирања.
Током вожње, возач континуирано ажурира информације о убрзању, кочењу, пуњењу батерије и локацији возила.Ово је корисно за возаче, али подаци се такође шаљу назад Фордовим инжењерима како би разумели возачке навике корисника, укључујући како, када и где да наплаћују.Чак и ако је возило у стању мировања, оно ће наставити да преноси податке о притиску у гумама и систему акумулатора возила до најближег паметног телефона.
Овај сценарио примене великих података усмерен на кориснике има многе предности, јер велики подаци омогућавају вредне иновације нових производа и методе сарадње.Возачи добијају корисне и ажурне информације, док инжењери у Детроиту прикупљају информације о понашању у вожњи како би разумели купце, развили планове за побољшање производа и применили нове иновације производа.
Штавише, електроенергетске компаније и други добављачи трећих страна могу да анализирају милионе миља података о вожњи како би утврдили где да направе нове станице за пуњење и како да спрече преоптерећење крхке мреже.
2. Дијагноза и предвиђање грешака на производу
Ово се може користити за постпродајну услугу производа и побољшање производа.Увођење свеприсутних сензора и Интернет технологије учинило је дијагнозу грешака производа у реалном времену стварношћу, док су апликације великих података, моделирање и симулационе технологије омогућиле предвиђање динамике.
Током потраге за изгубљеном везом Малаисиа Аирлинес МХ370, подаци о раду мотора до којих је дошао Боинг одиграли су кључну улогу у одређивању путање изгубљене везе авиона.Узмимо систем авиона Боеинг као случај да видимо како апликације великих података играју улогу у дијагностици квара производа.
На Боинговим авионима стотине варијабли, као што су мотори, системи горива, хидраулика и електрични системи, чине стање у лету.Ови подаци се мере и шаљу за мање од неколико микросекунди.Узимајући Боеинг 737 као пример, мотор може да генерише 10 терабајта података сваких 30 минута у лету.
Ови подаци нису само инжењерски телеметријски подаци који се могу анализирати у одређеном тренутку у будућности, већ такође промовишу адаптивну контролу у реалном времену, потрошњу горива, предвиђање квара компоненти и обавештење пилота, што може ефикасно да постигне дијагнозу и предвиђање квара.
Погледајмо пример компаније Генерал Елецтриц (ГЕ).ГЕ Енерги Мониторинг анд Диагностицс (М&Д) центар у Атланти, САД, прикупља податке о хиљадама ГЕ гасних турбина у више од 50 земаља широм света и може да прикупља 10Г податке за купце сваког дана.Анализирајте константан велики ток података из вибрацијских и температурних сигнала сензора у систему.Ова анализа великих података ће пружити подршку за ГЕ-ову дијагнозу кварова на гасној турбини и рано упозорење.
Произвођач ветротурбина Вестас је такође побољшао распоред ветротурбина унакрсном анализом временских података и података својих турбинских мерача, чиме је повећао ниво излазне снаге ветротурбина и продужио радни век.
3. Примена великих података индустријске ИоТ производне линије
Модерне индустријске производне линије опремљене су хиљадама малих сензора за детекцију температуре, притиска, топлоте, вибрација и буке.
Пошто се подаци прикупљају сваких неколико секунди, многи облици анализе могу се реализовати коришћењем ових података, укључујући дијагнозу опреме, анализу потрошње енергије, анализу потрошње енергије, анализу удеса квалитета (укључујући кршење прописа о производњи, кварове компоненти) итд.
Пре свега, у смислу побољшања производног процеса, коришћење ових великих података у процесу производње може анализирати цео производни процес и разумети како се свака веза извршава.Када одређени процес одступи од стандардног процеса, генерише се алармни сигнал, брже се могу пронаћи грешке или уска грла, а проблем се може лакше решити.
Коришћењем технологије великих података могуће је успоставити виртуелне моделе процеса производње индустријских производа, симулирати и оптимизовати производни процес.Када се сви подаци о процесима и перформансама могу реконструисати у систему, ова транспарентност ће помоћи произвођачима да побољшају своје производне процесе.
На пример, у смислу анализе потрошње енергије, коришћење сензора за централно праћење свих производних процеса током процеса производње опреме може пронаћи абнормалности или врхове у потрошњи енергије, тако да се потрошња енергије може оптимизовати током процеса производње и сви процеси могу вршити.Анализа ће у великој мери смањити потрошњу енергије.
4. Анализа и оптимизација индустријског ланца снабдевања
Тренутно је анализа великих података већ важно средство за многе компаније за е-трговину да побољшају конкурентност својих ланаца снабдевања.
На пример, компанија за е-трговину Јингдонг Малл користи велике податке да унапред анализира и предвиди потражњу за робом на различитим местима, чиме се побољшава ефикасност дистрибуције и складиштења и обезбеђује корисничко искуство следећег дана.
РФИД и друга технологија електронске идентификације производа, технологија интернета ствари и технологија мобилног интернета могу помоћи индустријским предузећима да добију велике податке о комплетном ланцу набавке производа.Коришћење ових података за анализу ће довести до значајног повећања ефикасности складиштења, дистрибуције и продаје и значајних трошкова.одбити.
Постоји више од 1.000 великих ОЕМ добављача у Сједињеним Државама, који обезбеђују више од 10.000 различитих производа производним компанијама.Сваки произвођач се ослања на тржишне прогнозе и друге различите варијабле, као што су подаци о продаји, информације о тржишту, изложбе, вести и подаци о конкурентима, па чак и временске прогнозе да би продао своје производе.
Користећи податке о продаји, податке сензора производа и податке из база података добављача, индустријске производне компаније могу прецизно предвидети потражњу у различитим регионима света.
Пошто се залихе и продајне цене могу пратити и купити када цене падну, производне компаније могу уштедети много трошкова.
Ако поново користите податке које генеришу сензори у производу да бисте знали шта није у реду са производом и где су делови потребни, они такође могу предвидети где и када су делови потребни.Ово ће у великој мери смањити залихе и оптимизовати ланац снабдевања.
