Dinge, die getan werden können: 1. Kann Kunden dabei helfen, an Produktnachfrageanalysen und Produktdesign sowie anderen innovativen Aktivitäten teilzunehmen und zur Produktinnovation beizutragen. 2. Produktfehler diagnostizieren und vorhersagen, die für Produkt-After-Sales-Services genutzt werden können und Produkte Verbesserung; 3. Analysieren und optimieren Sie die industrielle Lieferkette, um eine deutliche Steigerung der Lager-, Vertriebs- und Vertriebseffizienz und eine deutliche Kostensenkung zu erreichen. 4. Nutzen Sie Big Data, um aktuelle Nachfrageänderungen und Kombinationsformen zu analysieren, um Produktverkäufe zu erzielen Prognose- und Nachfragemanagement; 5. Produktionsplanung und -planung; 6. Produktqualitätsmanagement und -analyse; 7. Industrielle Umweltverschmutzungs- und Umweltschutzprüfungen;
Die Betriebsumgebung dieses Tutorials: Windows 7-System, Dell G3-Computer.
Industrielles Internet und Big-Data-Anwendungen beziehen sich auf ein großes Netzwerk, das verschiedene Maschinen, Gerätegruppen, Einrichtungen und Systemnetzwerke auf der Welt mit fortschrittlichen Sensoren, Steuerungen und Softwareanwendungen verbindet. Dinge wie MRT-Geräte, Flugzeugmotoren, Elektrofahrzeuge und sogar Kraftwerke können alle mit dem industriellen Internet verbunden werden. Indem wir Netzwerkverbindungen und Big-Data-Analysen kombinieren, um vernünftige Entscheidungen zu treffen, können wir das Potenzial jeder Maschine effektiver ausschöpfen und die Produktivität verbessern. Das wichtigste Merkmal des industriellen Internets besteht darin, dass es die Produktionseffizienz maximieren, Kosten sparen, die Modernisierung der Gerätetechnologie fördern und die Effizienz verbessern kann.
Um es einfach auszudrücken: Es bedeutet, die Industrie mit dem Internet und dann mit Big Data zu kombinieren, denn Big Data ist heutzutage tatsächlich sehr praktisch und jede Branche hat ihre Verwendungsmöglichkeiten. Um die Effizienz zu verbessern und den Nutzen zu steigern.
Szenarioanalyse von industriellen Internet- und Big-Data-Anwendungen
1. Beschleunigen Sie Produktinnovationen. Die Interaktion und das Transaktionsverhalten zwischen Kunden und Industrieunternehmen werden eine große Menge an Daten generieren Mitmachen: Tragen Sie durch innovative Aktivitäten wie Produktnachfrageanalyse und Produktdesign zur Produktinnovation bei. Ford ist in dieser Hinsicht ein führendes Beispiel. Sie haben Big-Data-Technologie auf die Produktinnovation und -optimierung des Ford Focus-Elektrofahrzeugs angewendet und dieses Auto zu einem wahren „Big-Data-Elektrofahrzeug“ gemacht. Der Ford Focus EV der ersten Generation erzeugt beim Fahren und Parken riesige Datenmengen. Während der Fahrt aktualisiert der Fahrer kontinuierlich die Beschleunigungs-, Brems-, Batterieladungs- und Standortinformationen des Fahrzeugs. Dies ist für Fahrer nützlich, aber die Daten werden auch an die Ford-Ingenieure zurückgesendet, um die Fahrgewohnheiten der Kunden zu verstehen, einschließlich der Art und Weise, wann und wo sie laden. Es überträgt kontinuierlich Daten über den Reifendruck und das Batteriesystem des Fahrzeugs an das nächstgelegene Smartphone, auch wenn das Fahrzeug steht.
Dieses kundenzentrierte Big-Data-Anwendungsszenario hat viele Vorteile, denn Big Data ermöglicht wertvolle neue Produktinnovationen und Methoden der Zusammenarbeit. Fahrer erhalten nützliche, aktuelle Informationen, während Ingenieure in Detroit Informationen über das Fahrverhalten sammeln, um Kunden zu verstehen, Produktverbesserungen zu planen und neue Produktinnovationen umzusetzen. Und Energieversorger und andere Drittanbieter können Millionen Kilometer an Fahrdaten analysieren, um zu entscheiden, wo neue Ladestationen gebaut werden sollen und wie eine Überlastung fragiler Netze verhindert werden kann.
2. Produktfehlerdiagnose und -vorhersage
Dies kann für den Produkt-After-Sales-Service und die Produktverbesserung verwendet werden. Die Einführung allgegenwärtiger Sensoren und Internet-Technologie hat die Echtzeitdiagnose von Produktfehlern zur Realität gemacht, und Big-Data-Anwendungen sowie Modellierungs- und Simulationstechnologien haben es möglich gemacht, Dynamiken vorherzusagen. Bei der Suche nach der vermissten Malaysia Airlines MH370 spielten die von Boeing erhaltenen Triebwerksbetriebsdaten eine Schlüsselrolle bei der Bestimmung der fehlenden Route des Flugzeugs. Nehmen wir das Flugzeugsystem von Boeing als Fallstudie, um zu sehen, welche Rolle Big-Data-Anwendungen bei der Produktfehlerdiagnose spielen. In einem Boeing-Flugzeug bestimmen Hunderte von Variablen, darunter Triebwerke, Treibstoffsysteme, hydraulische und elektrische Systeme, den Flugstatus, und diese Daten werden in weniger als wenigen Mikrosekunden gemessen und übertragen. Am Beispiel der Boeing 737 kann das Triebwerk im Flug alle 30 Minuten 10 TB Daten erzeugen.
Bei diesen Daten handelt es sich nicht nur um technische Telemetriedaten, die zu einem bestimmten Zeitpunkt in der Zukunft analysiert werden können, sondern sie fördern auch die adaptive Echtzeitsteuerung, den Kraftstoffverbrauch, die Vorhersage von Teileausfällen und die Pilotbenachrichtigung und können Fehlerdiagnose und -vorhersage effektiv realisieren. Nehmen wir ein weiteres Beispiel von General Electric (GE). Das GE Energy Monitoring and Diagnostics (M&D) Center in Atlanta, USA, sammelt Daten von Tausenden von GE-Gasturbinen in mehr als 50 Ländern auf der ganzen Welt Diese Big-Data-Analysen analysieren täglich den ständigen Big-Data-Fluss aus Sensorvibrationen und Temperatursignalen innerhalb des Systems und unterstützen die Fehlerdiagnose und Frühwarnung von GE bei Gasturbinen. Der Windkraftanlagenhersteller Vestas hat außerdem Wetterdaten mit periodischen Daten der Turbineninstrumentierung abgeglichen, um die Auslegung von Windkraftanlagen zu verbessern und dadurch die Leistungsabgabe der Windkraftanlagen zu steigern und ihre Lebensdauer zu verlängern.
3. Big-Data-Anwendung in der industriellen IoT-Produktionslinie
Moderne Produktionslinien für die industrielle Fertigung sind mit Tausenden kleiner Sensoren ausgestattet, um Temperatur, Druck, Wärmeenergie, Vibration und Lärm zu erfassen. Da die Daten alle paar Sekunden erfasst werden, können mithilfe dieser Daten viele Formen der Analyse durchgeführt werden, darunter Gerätediagnose, Stromverbrauchsanalyse, Energieverbrauchsanalyse, Analyse von Qualitätsunfällen (einschließlich Verstößen gegen Produktionsvorschriften, Komponentenausfällen) usw. Im Hinblick auf die Verbesserung des Produktionsprozesses kann die Verwendung dieser Big Data während des Produktionsprozesses zunächst den gesamten Produktionsprozess analysieren und verstehen, wie jede Verbindung ausgeführt wird. Sobald ein bestimmter Prozess vom Standardprozess abweicht, wird ein Alarmsignal generiert, Fehler oder Engpässe können schneller entdeckt und das Problem einfacher gelöst werden. Mithilfe der Big-Data-Technologie können Sie außerdem ein virtuelles Modell des Produktionsprozesses von Industrieprodukten erstellen, den Produktionsprozess simulieren und optimieren. Wenn alle Prozesse und Leistungsdaten im System nachvollzogen werden können, hilft diese Transparenz den Herstellern, ihre Produktionsprozesse zu verbessern. . Ein weiteres Beispiel ist die Analyse des Energieverbrauchs, bei der mithilfe von Sensoren alle Produktionsprozesse während des Produktionsprozesses von Geräten zentral überwacht werden. Auffälligkeiten oder Spitzen im Energieverbrauch können erkannt werden, sodass der Energieverbrauch während des Produktionsprozesses und aller Prozesse optimiert werden kann Durch die Analyse kann der Energieverbrauch erheblich gesenkt werden.
4. Analyse und Optimierung der industriellen Lieferkette
Aktuell ist die Big-Data-Analyse für viele E-Commerce-Unternehmen zu einem wichtigen Mittel geworden, um die Wettbewerbsfähigkeit ihrer Lieferkette zu verbessern. Beispielsweise nutzt das E-Commerce-Unternehmen JD.com Big Data, um die Nachfrage nach Waren an verschiedenen Orten im Voraus zu analysieren und vorherzusagen, wodurch die Effizienz von Vertrieb und Lagerhaltung verbessert und das Kundenerlebnis sichergestellt wird, wenn die Waren am nächsten Tag ankommen. Elektronische Produktidentifikationstechnologien wie RFID, Internet-of-Things-Technologie und mobile Internet-Technologie können Industrieunternehmen dabei helfen, große Datenmengen über die gesamte Produktlieferkette zu erhalten. Die Verwendung dieser Daten zur Analyse wird zu erheblichen Verbesserungen der Lager-, Vertriebs- und Vertriebseffizienz führen Kosten.
Am Beispiel von Haier ist das Lieferkettensystem von Haier sehr umfassend. Es nutzt die Marktkette als Bindeglied und den Auftragsinformationsfluss als Zentrum, um die Bewegung der Logistik und des Kapitalflusses voranzutreiben und globale Lieferkettenressourcen und globale Benutzerressourcen zu integrieren . In allen Aspekten der Lieferkette von Haier werden Kundendaten, interne Unternehmensdaten und Lieferantendaten im Lieferkettensystem zusammengefasst. Durch die Erfassung und Analyse großer Datenmengen in der Lieferkette kann Haier die Lieferkette weiter verbessern und optimieren und so die Sicherheit von Haiers gewährleisten agile Reaktion auf Kunden. In den Vereinigten Staaten gibt es mehr als tausend größere OEM-Lieferanten, die mehr als 10.000 verschiedene Produkte an produzierende Unternehmen liefern. Jeder Hersteller verlässt sich auf Marktprognosen und andere unterschiedliche Variablen, wie Verkaufsdaten, Marktinformationen, Messen, Nachrichten, Wettbewerbsdaten. sogar Wettervorhersagen usw., um ihre Produkte zu verkaufen.
Anhand von Verkaufsdaten, Produktsensordaten und Daten aus Lieferantendatenbanken können industrielle Fertigungsunternehmen die Nachfrage in verschiedenen Regionen auf der ganzen Welt genau vorhersagen. Fertigungsunternehmen können eine Menge Kosten sparen, weil sie Lagerbestände und Verkaufspreise verfolgen und bei sinkenden Preisen einkaufen können. Wenn sie die von den Sensoren im Produkt generierten Daten wiederverwenden können, um zu wissen, was mit dem Produkt nicht stimmt und wo Teile benötigt werden, können sie auch vorhersagen, wo und wann Teile benötigt werden. Dadurch werden die Lagerbestände erheblich reduziert und die Lieferkette optimiert.
5. Produktverkaufsprognose und Nachfragemanagement
Nutzen Sie Big Data, um aktuelle Nachfrageänderungen und -kombinationen zu analysieren. Big Data ist ein gutes Instrument zur Verkaufsanalyse. Durch die mehrdimensionale Kombination historischer Daten können wir den Anteil und die Veränderungen der regionalen Nachfrage, die Marktpopularität von Produktkategorien, die häufigsten Kombinationsformen, das Verbraucherniveau usw. erkennen. Nutzen Sie dies, um die Produkt- und Vertriebsstrategie anzupassen. In einigen Analysen können wir feststellen, dass die Nachfrage nach Schreibwaren in Städten mit mehr Hochschulen und Universitäten während der Schulsaison viel höher sein wird. Auf diese Weise können wir die Werbeaktionen für Händler in diesen Städten erhöhen, um sie dazu zu bewegen, während der Schulzeit mehr zu bestellen Die Kapazitätsplanung beginnt ein bis zwei Monate im Voraus, um den Werbebedarf zu decken. Bei der Produktentwicklung werden Produktfunktionen und -leistung an die Anliegen der Verbrauchergruppe angepasst. Während vor ein paar Jahren noch jeder gerne Musiktelefone nutzte, nutzt man heute eher das Mobiltelefon, um im Internet zu surfen. Fotos machen und teilen usw. Die Verbesserung der Kamerafunktion von Mobiltelefonen ist ein Trend, auch 4G-Mobiltelefone nehmen einen größeren Marktanteil ein. Durch die Big-Data-Analyse einiger Marktdetails können weitere potenzielle Verkaufschancen gefunden werden.
6. Produktionsplanung und -planung
Angesichts des Modells der Mehrsorten- und Kleinserienproduktion verzeichnete die Fertigungsindustrie aufgrund der Verfeinerung der Daten, der automatischen, zeitnahen und bequemen Erfassung (MES/DCS) und der damit verbundenen Variabilität einen dramatischen Anstieg Jahrelange informationsbasierte historische Daten, für Dies ist eine große Herausforderung für APS, die eine schnelle Reaktion erfordert. Big Data kann uns detailliertere Dateninformationen liefern, die Wahrscheinlichkeit einer Abweichung zwischen historischen Vorhersagen und der Realität ermitteln, Produktionskapazitätsbeschränkungen, Personalfähigkeitsbeschränkungen, Materialverfügbarkeitsbeschränkungen sowie Werkzeug- und Formenbeschränkungen berücksichtigen und intelligente Optimierungsalgorithmen verwenden, um eine vorgeplante Produktion zu formulieren Zeitpläne und Überwachung Bei Abweichungen zwischen Plan und tatsächlicher Situation vor Ort wird der Produktionsplan dynamisch angepasst. Helfen Sie uns, die Mängel von „Porträts“ zu vermeiden und Einzelpersonen direkt Gruppenmerkmale aufzuzwingen (Arbeitsplatzdaten werden direkt in spezifische Daten von Ausrüstung, Personal, Formen usw. umgewandelt). Indem wir Daten korrelieren und überwachen, können wir für die Zukunft planen. Obwohl Big Data einige Mängel aufweist, wird Big Data zu einer mächtigen Waffe für uns, solange es richtig eingesetzt wird. Damals fragte Ford, was die Kundenbedürfnisse von Big Data seien, und die Antwort war „ein schnelleres Pferd“ und nicht die Autos, die heute beliebt sind. Daher sind in der Welt von Big Data Kreativität, Intuition, Abenteuerlust und intellektueller Ehrgeiz besonders wichtig.
7. Produktqualitätsmanagement und -analyse
Die traditionelle Fertigungsindustrie sieht sich den Auswirkungen von Big Data in Bezug auf Produktforschung und -entwicklung, Prozessdesign, Qualitätsmanagement, Produktionsabläufe und andere Aspekte gespannt Geburt innovativer Methoden zur Bewältigung der Big-Data-Herausforderungen im industriellen Kontext. In der Halbleiterindustrie durchlaufen Chips beispielsweise während des Produktionsprozesses viele komplexe Prozesse wie Dotierung, Schichtung, Fotolithographie und Wärmebehandlung. Für die Verarbeitung des Produkts sind äußerst strenge Anforderungen an die physikalischen Eigenschaften erforderlich Gleichzeitig werden auch zahlreiche Erkennungsergebnisse gleichzeitig generiert. Sind diese massiven Daten eine Belastung für das Unternehmen oder eine Goldgrube für das Unternehmen? Wenn es Letzteres ist, wie können wir dann schnell durch die Wolken blicken und die Hauptgründe für die Schwankungen der Produktausbeute aus der „Goldmine“ genau ermitteln? ist ein technisches Problem, das Halbleiteringenieure seit vielen Jahren beschäftigt.
Nachdem die von einem Halbleitertechnologieunternehmen hergestellten Wafer den Testprozess durchlaufen haben, wird täglich ein Datensatz mit mehr als hundert Testobjekten und Millionen von Testaufzeichnungszeilen generiert. Gemäß den Grundanforderungen des Qualitätsmanagements besteht eine wesentliche Aufgabe darin, eine Prozessfähigkeitsanalyse für mehr als einhundert Prüflinge mit unterschiedlichen technischen Spezifikationen durchzuführen. Wenn wir dem traditionellen Arbeitsmodell folgen, müssen wir Schritt für Schritt mehr als hundert Prozessfähigkeitsindizes berechnen und jedes Qualitätsmerkmal einzeln bewerten. Trotz des enormen und umständlichen Arbeitsaufwands ist es schwierig, die Korrelation zwischen den mehr als 100 Prozessfähigkeitsindizes zu erkennen, selbst wenn jemand das Berechnungsproblem lösen kann, und noch schwieriger ist es, die Gesamtqualität des Produkts zu bewerten. Verfügen Sie über ein umfassendes Verständnis und eine Zusammenfassung der Leistung. Wenn wir jedoch die Big-Data-Qualitätsmanagement-Analyseplattform verwenden, können wir nicht nur schnell einen langen Prozessfähigkeitsanalysebericht mit herkömmlichen Einzelindikatoren erhalten, sondern auch viele neue Analysen aus demselben Big-Data-Ergebnis erhalten.
8. Erkennung von Industrieverschmutzung und Umweltschutz
Das Beeindruckendste an „Under the Dome“ ist, dass Chai Jings Team dem Publikum durch visuelle Berichte die Schwere des Dunstproblems, die Ursachen des Dunstes usw. vermittelt.
Dies bringt uns eine Offenbarung: Big Data ist für den Umweltschutz von großem Wert. Woher stammen die Rohdaten für die Diagramme in „Under the Dome“? Tatsächlich sind nicht alle von ihnen über hochrangige Beziehungen erhältlich. Viele der Daten sind öffentlich verfügbar und können auf der Website der chinesischen Regierung gefunden werden Auf den Websites verschiedener Ministerien und Kommissionen, auf der offiziellen Website von PetroChina und Sinopec, auf der offiziellen Website von Umweltschutzorganisationen und einigen Sonderorganisationen können immer mehr öffentliche Wohlfahrts- und Umweltschutzdaten abgefragt werden, darunter nationale Luft-, hydrologische und andere Daten. meteorologische Daten, Fabrikverteilung und Daten zur Einhaltung von Schadstoffemissionen usw. Es ist nur so, dass diese Daten zu verstreut und zu professionell sind, es ihnen an Analyse mangelt und sie nicht visualisiert werden können, sodass normale Menschen sie nicht verstehen können. Wenn Sie es verstehen und aufmerksam bleiben, werden Big Data für die Gesellschaft zu einem wichtigen Mittel zur Überwachung des Umweltschutzes. Die kürzliche Einführung von Baidus „National Pollution Monitoring Map“ ist eine gute Möglichkeit, dies zu tun. In Kombination mit offenen Umweltschutz-Big Data hat Baidu Map eine Ebene zur Verschmutzungserkennung hinzugefügt, mit der sich das gesamte Land sowie die Provinzen und Städte anzeigen lassen in ihrer eigenen Region. Die Standortinformationen, der Name der Organisation, die Arten von Emissionsquellen und die neuesten vom Environmental Protection Bureau bekannt gegebenen Schadstoffeinleitungsnormen (einschließlich verschiedener Wärmekraftwerke, staatlich kontrollierter Industrieunternehmen und Kläranlagen). ) unter der Aufsicht des Environmental Protection Bureau. Sie können die Verschmutzungsquelle in Ihrer Nähe überprüfen und es erscheint eine Erinnerung, die Ihnen mitteilt, welche am Überwachungspunkt getesteten Gegenstände den Standard überschreiten und wie oft sie den Standard überschreiten. Diese Informationen können in Echtzeit auf Social-Media-Plattformen geteilt werden, um Freunde zu informieren und alle daran zu erinnern, auf Verschmutzungsquellen sowie persönliche Sicherheit und Gesundheit zu achten.
Zusammenfassung: Das Wertpotenzial industrieller Big-Data-Anwendungen ist riesig. Es bleibt jedoch noch viel zu tun, um diese Werte zu verwirklichen. Zum einen geht es darum, das Bewusstsein für Big Data zu schärfen. In der Vergangenheit gab es solche großen Datenmengen, aber aufgrund des mangelnden Bewusstseins für große Datenmengen und unzureichender Datenanalysemethoden wurden viele Echtzeitdaten verworfen oder zurückgestellt und der potenzielle Wert einer großen Datenmenge wurde vergraben . Ein weiteres wichtiges Thema ist das Problem der Dateninseln. Die Daten vieler Industrieunternehmen sind in verschiedenen Silos im gesamten Unternehmen verteilt, insbesondere bei großen multinationalen Unternehmen, was es schwierig macht, diese Daten im gesamten Unternehmen zu extrahieren. Daher ist die integrierte Anwendung ein wichtiges Thema bei industriellen Big-Data-Anwendungen.
Weitere Informationen zu diesem Thema finden Sie in der Spalte „FAQ“!
Das obige ist der detaillierte Inhalt vonWofür werden industrielle Internet- und Big-Data-Anwendungen genutzt?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!