Ocho principales escenarios de aplicación industrial de big data en la era del Internet de las cosas

El big data industrial es un concepto completamente nuevo. Literalmente, big data industrial se refiere a los big data generados por la aplicación de tecnologías de la información en el ámbito industrial.

Con la profunda integración de la informatización y la industrialización, la tecnología de la información ha penetrado en todos los eslabones de la cadena industrial. Código de barras, código QR, RFID, sensores industriales, sistemas de control automático industrial, Internet de las cosas industrial, ERP, CAD/CAM/CAE/CAI y otras tecnologías se han utilizado ampliamente en las empresas industriales, especialmente Internet, Internet móvil, Internet de las cosas. , etc. Aplicación de tecnologías de la información de nueva generación en ámbitos industriales. Las empresas industriales también han entrado en una nueva etapa de desarrollo de la industria de Internet. En las empresas industriales, las líneas de producción funcionan a alta velocidad y la cantidad de datos generados, recopilados y procesados ​​por equipos industriales es mucho mayor que la cantidad de datos generados por las computadoras y la mano de obra de la empresa. Desde la perspectiva del tipo de datos, también se trata de datos no estructurados. La operación de alta velocidad de la línea de producción requiere un mayor rendimiento de los datos en tiempo real. Por lo tanto, los problemas y desafíos que enfrentan las aplicaciones industriales de big data no son menores que los que enfrentan las aplicaciones de big data en la industria de Internet y, en algunos casos, son incluso más complejos.

La aplicación de big data industrial traerá una nueva era de innovación y transformación de las empresas industriales. A través de la percepción de bajo costo, la conexión móvil de alta velocidad, la computación distribuida y el análisis avanzado que aportan Internet y la IoT móvil, la tecnología de la información y el sistema industrial global están profundamente integrados, trayendo cambios profundos a la industria global e innovando en I+D, producción. y operación de empresas, métodos de comercialización y gestión. Estas empresas industriales innovadoras en todos los sectores aportan mayor velocidad, mayor eficiencia y mayor conocimiento. Las aplicaciones típicas del big data industrial incluyen innovación de productos, diagnóstico y predicción de fallas de productos, análisis de Internet de las cosas de líneas de producción industrial, optimización de la cadena de suministro de empresas industriales, marketing de precisión de productos, etc. Este artículo clasificará uno por uno los escenarios de aplicación de big data industrial en empresas manufactureras.

1. Acelerar la innovación de productos

Las interacciones y transacciones entre clientes y empresas industriales generarán una gran cantidad de datos. La extracción y el análisis de estos datos dinámicos de los clientes pueden ayudar a los clientes a participar en actividades innovadoras, como el análisis de la demanda de productos y el diseño de productos, y contribuir a la innovación de productos. Ford es un ejemplo de esto. Aplicaron tecnología de big data a la innovación y optimización de productos del vehículo eléctrico Ford Focus, convirtiéndose en un verdadero "vehículo eléctrico de big data". El Ford Focus EV de primera generación generó una gran cantidad de datos mientras conducía y estacionaba. Mientras conduce, el conductor recibe constantemente información actualizada sobre la aceleración, el frenado, la carga de la batería y la información de ubicación del vehículo. Esto es excelente para los conductores, pero los datos también se envían a los ingenieros de Ford para comprender los hábitos de conducción de los clientes, incluido cómo, cuándo y dónde cargan. Incluso cuando el vehículo está parado, continúa transmitiendo datos sobre la presión de los neumáticos y el sistema de batería al teléfono inteligente más cercano.

Este escenario de aplicación de big data centrado en el cliente tiene muchos beneficios, porque el big data permite innovación valiosa de nuevos productos y métodos colaborativos. Los conductores reciben información útil y actualizada, mientras que los ingenieros de Detroit agregan información sobre el comportamiento de conducción para comprender a los clientes, planificar mejoras de productos e implementar nuevas innovaciones de productos. Y las compañías eléctricas y otros proveedores externos pueden analizar millones de kilómetros de datos de conducción para decidir dónde construir nuevas estaciones de carga y cómo evitar la sobrecarga de la frágil red.

2. Diagnóstico y predicción de fallos del producto

Esto se puede utilizar para el servicio postventa y la mejora del producto. La introducción de sensores ubicuos y tecnología de Internet ha hecho realidad el diagnóstico en tiempo real de fallas de productos, mientras que la aplicación de tecnología de big data, modelado y simulación ha hecho posible la predicción dinámica. Durante la búsqueda del desaparecido MH370 de Malaysia Airlines, los datos de funcionamiento del motor obtenidos por Boeing desempeñaron un papel clave a la hora de determinar la trayectoria perdida del avión. Tomemos como ejemplo el sistema de aeronaves de Boeing para ver cómo las aplicaciones de big data desempeñan un papel en el diagnóstico de fallas del producto. En los aviones Boeing, cientos de variables, incluidos motores, sistemas de combustible, sistemas hidráulicos y eléctricos, conforman el estado en vuelo, y estos datos se miden y transmiten en menos de unos pocos microsegundos. Tomando como ejemplo el Boeing 737, el motor puede generar 10 TB de datos cada 30 minutos en vuelo.

Estos datos no son solo datos de telemetría de ingeniería que pueden analizarse en algún momento en el futuro, sino que también pueden facilitar el control adaptativo en tiempo real, el uso de combustible, la predicción de fallas de componentes y la notificación al piloto, lo que puede lograr de manera efectiva Diagnóstico y predicción de fallos.

Veamos otro ejemplo de General Electric (GE). Está ubicada en Atlanta (M&D), EE. UU., y recopila datos de miles de turbinas de gas de GE en más de 50 países de todo el mundo. Puede recopilar datos de 10G para los clientes todos los días. . Al analizar un flujo constante de datos masivos provenientes de señales de temperatura y vibración del sensor del sistema, estos análisis de datos masivos respaldarán el diagnóstico de fallas y la alerta temprana para las turbinas de gas de GE. El fabricante de turbinas eólicas Vestas también está mejorando el diseño de las turbinas eólicas mediante el análisis cruzado de datos meteorológicos y datos de instrumentación de las turbinas, aumentando así los niveles de producción de energía y extendiendo la vida útil de las turbinas eólicas.

3. Aplicación de big data en líneas de producción industriales de IoT

Las líneas de producción industriales modernas están equipadas con miles de pequeños sensores para detectar temperatura, presión, energía térmica, vibración y ruido. Debido a que los datos deben recopilarse cada pocos segundos, estos datos se pueden utilizar para lograr diversas formas de análisis, incluido el diagnóstico de equipos, el análisis del consumo de energía, el análisis del consumo de energía, el análisis de accidentes de calidad (incluidas violaciones de los procedimientos de producción, fallas de componentes), etc. En primer lugar, en términos de mejora del proceso de producción, el uso de estos big data durante el proceso de producción puede analizar todo el proceso de producción y comprender cómo se realiza cada enlace. Una vez que un proceso se desvía del proceso estándar, se generará una señal de alarma, los errores o cuellos de botella se podrán descubrir más rápidamente y los problemas se podrán resolver más fácilmente. Utilizando tecnología de big data, también podemos construir modelos virtuales de procesos de producción de productos industriales para simular y optimizar el proceso de producción. Esta transparencia ayudará a los fabricantes a mejorar sus procesos de producción cuando todos los datos de proceso y rendimiento puedan reconstruirse en el sistema. Por otro ejemplo, en términos de análisis del consumo de energía, se utilizan sensores para monitorear todos los procesos de producción durante la producción del equipo. Se pueden descubrir anomalías o picos en el consumo de energía, optimizando así el consumo de energía en el proceso de producción. consumo de energía.

4. Análisis y optimización de la cadena de suministro industrial

En la actualidad, el análisis de big data se ha convertido en un medio importante para que muchas empresas de comercio electrónico mejoren la competitividad de su cadena de suministro. Por ejemplo, la empresa de comercio electrónico JD.COM Mall utiliza big data para analizar y predecir de antemano la demanda de productos en varios lugares, mejorando así la eficiencia de la distribución y el almacenamiento y garantizando la experiencia del cliente en la llegada al día siguiente. La tecnología de identificación electrónica de productos, como RFID, la tecnología de Internet de las cosas y la tecnología de Internet móvil, pueden ayudar a las empresas industriales a obtener big data completos de la cadena de suministro de productos. El uso de estos datos para el análisis mejorará en gran medida la eficiencia del almacenamiento, la distribución y las ventas, y reducirá en gran medida los costos.

Tomemos a Haier como ejemplo. Utiliza la cadena de mercado como eslabón y el flujo de información de pedidos como centro para impulsar el movimiento de la logística y el flujo de capital, integrando los recursos de la cadena de suministro global y los recursos de los usuarios globales. En todos los aspectos de la cadena de suministro de Haier, los datos de los clientes, los datos internos y los datos de los proveedores se agregan al sistema de la cadena de suministro. A través de la recopilación y el análisis de big data de la cadena de suministro, Haier puede mejorar y optimizar continuamente la cadena de suministro para garantizar una respuesta ágil de Haier a los clientes. Hay más de 1000 proveedores OEM en los Estados Unidos, que brindan a las empresas manufactureras más de 65,438+0,000 productos diferentes. Cada fabricante se basa en previsiones de mercado y otras variables diferentes, como datos de ventas, información de mercado, exposiciones, noticias, datos de la competencia e incluso previsiones meteorológicas para vender sus productos.

Utilizando datos de ventas, datos de sensores de productos y datos de bases de datos de proveedores, las empresas de fabricación industrial pueden predecir con precisión la demanda en diferentes regiones del mundo. Debido a que los precios de inventario y de venta se pueden rastrear y comprar cuando los precios bajan, las empresas manufactureras pueden ahorrar muchos costos. Si reutilizamos los datos generados por los sensores del producto para saber qué está mal con el producto y dónde se necesitan piezas, también pueden predecir dónde y cuándo se necesitan piezas. Esto reducirá significativamente el inventario y optimizará la cadena de suministro.

5. Previsión de ventas de productos y gestión de la demanda

Utilice big data para analizar los cambios y combinaciones de la demanda actual. Big data es una gran herramienta de análisis de ventas. A través de la combinación multidimensional de datos históricos, podemos ver la proporción y los cambios en la demanda regional, la popularidad de mercado de las categorías de productos, las formas de combinación más comunes y el nivel de consumidores, para ajustar las estrategias de productos y las estrategias de distribución. En algunos análisis, podemos encontrar que las ciudades con más colegios y universidades tendrán una demanda mucho mayor de artículos de papelería durante la temporada escolar, por lo que podemos aumentar los esfuerzos de promoción de los distribuidores en estas ciudades para atraerlos a realizar más pedidos durante el año escolar. . Iniciar la planificación de la capacidad uno o dos meses antes de la temporada escolar para satisfacer las necesidades de promoción. En términos de desarrollo de productos, las funciones y el rendimiento del producto se ajustan a través de las preocupaciones del consumidor.

Por ejemplo, hace unos años a todo el mundo le gustaba utilizar teléfonos con música, pero ahora todo el mundo prefiere utilizar el teléfono móvil para navegar por Internet y compartir fotografías. Mejorar la función de la cámara de los teléfonos móviles es una tendencia, y los teléfonos móviles 4G también ocupan una mayor cuota de mercado. A través del análisis de big data de algunos detalles del mercado, se pueden descubrir más oportunidades de ventas potenciales.

6. Planificación y programación de la producción

La industria manufacturera se enfrenta a un modelo de producción multivariedad y de pequeños lotes. La meticulosa recopilación de datos automatizada y oportuna (MES/DCS) y la variabilidad conducen a un aumento espectacular de los datos. Sumado a más de diez años de datos históricos de informatización, es un gran desafío para APS que necesita una respuesta rápida. Big data puede brindarnos información de datos más detallada, descubrir la probabilidad de desviación entre las predicciones históricas y las condiciones reales, considerar limitaciones en la capacidad de producción, habilidades del personal, disponibilidad de materiales, herramientas, etc., y formular cronogramas de producción planificados previamente y planes de monitoreo a través de Algoritmos de optimización inteligentes. Si hay alguna desviación de la situación real, el programa de producción planificado se ajustará dinámicamente. Ayúdanos a evitar las deficiencias de los "retratos" e imponer directamente características grupales a los individuos (los datos del centro de trabajo se cambian directamente a los datos de un equipo, personal, molde, etc. específicos). Al analizar y monitorear los datos podemos planificar el futuro. Aunque los big data tienen algunos defectos, siempre que se utilicen correctamente, los big data se convertirán en un arma poderosa para nosotros. En ese momento, Ford preguntó cuáles eran las necesidades de big data de los clientes. La respuesta es "caballos más rápidos", no los coches que se han vuelto populares hoy en día. Por lo tanto, en el mundo del big data, la creatividad, la intuición, la asunción de riesgos y la ambición intelectual son particularmente importantes.

7. Gestión y análisis de la calidad del producto

La fabricación tradicional se enfrenta al impacto del big data. En aspectos como la investigación y el desarrollo de productos, el diseño de procesos, la gestión de la calidad y las operaciones de producción, se esperan con impaciencia métodos innovadores para afrontar los desafíos del big data en el contexto industrial. Por ejemplo, en la industria de los semiconductores, los chips se someterán a muchos procesos complejos, como dopaje, estratificación, fotolitografía y tratamiento térmico. Cada paso debe cumplir con propiedades físicas extremadamente exigentes. Mientras se procesan los productos, el equipo altamente automatizado también genera un gran volumen de resultados de pruebas. ¿Son estas enormes cantidades de datos una carga para las empresas o una mina de oro para ellas? Si es esto último, ¿cómo descubrir rápidamente las razones clave de las fluctuaciones en el rendimiento del producto de la "mina de oro"? Este es un problema técnico que ha preocupado a los ingenieros de semiconductores durante muchos años.

Después de que las obleas producidas por una empresa de tecnología de semiconductores pasan por el proceso de prueba, cada día se genera un conjunto de datos que contiene más de 100 elementos de prueba y millones de registros de prueba. De acuerdo con los requisitos básicos de la gestión de calidad, una tarea esencial es realizar análisis de capacidad del proceso en más de 100 elementos de prueba con diferentes especificaciones técnicas. Según el modelo de trabajo tradicional, necesitamos calcular paso a paso más de 100 índices de capacidad del proceso y evaluar cada característica de calidad una por una. Dejando de lado la enorme y tediosa carga de trabajo, incluso si alguien puede resolver el problema de cálculo, es difícil ver la correlación entre ellos a partir de los más de 100 índices de capacidad del proceso, y es aún más difícil tener una idea de la calidad general. y rendimiento del producto. Comprensión y resumen completos. Pero si utiliza una plataforma de análisis de gestión de calidad de big data, no solo puede obtener rápidamente un extenso informe de análisis de capacidad de proceso de índice único tradicional, sino que, lo que es más importante, también puede obtener muchos resultados de análisis nuevos del mismo conjunto de big data.

8. Contaminación industrial y pruebas ambientales

Lo impresionante de "Under the Dome" es que el equipo de Chai Jing transmitió la gravedad del problema de la neblina a la audiencia a través de informes visuales. causas del smog, etc.

Esto nos revela que los big data son de gran valor para la protección del medio ambiente. ¿De dónde proceden los datos brutos de Under the Dome? De hecho, no todos se obtienen a través de conexiones de alto nivel y muchos de los datos son públicos. Cada vez hay más datos ambientales públicos disponibles en los sitios web del gobierno chino, los sitios web de los ministerios, los sitios web oficiales de PetroChina y Sinopec, el sitio web oficial de una organización de protección ambiental y algunas agencias especializadas, incluidos datos atmosféricos e hidrológicos nacionales, datos meteorológicos y distribución de fábricas. y las normas sobre emisiones contaminantes esperan. Lo que pasa es que estos datos están demasiado dispersos, son demasiado profesionales, carecen de análisis y visualización y la gente corriente no los puede entender. Si puede comprender y prestar atención, los macrodatos se convertirán en un medio importante de supervisión social y protección ambiental. Baidu lanzó recientemente un mapa nacional de seguimiento de la contaminación, que es una buena solución. Combinado con big data abiertos de protección ambiental, Baidu Map ha agregado una capa de detección de contaminación a través de la cual cualquiera puede consultar la información de ubicación y los nombres de las organizaciones de todas las instituciones emisoras (incluidas varias plantas de energía térmica, empresas industriales controladas por el estado, plantas de tratamiento de aguas residuales, etc.). ), tipos de fuentes de emisión, normas de emisión más recientes, etc. ) está bajo la supervisión de las direcciones de protección ambiental nacional, provincial y municipal. Podrás consultar los focos de contaminación más cercanos a ti y se te recordará.

Los puntos de seguimiento detectan qué artículos superan los estándares y cuántas veces los superan. Esta información se puede compartir en plataformas de redes sociales en tiempo real para notificar a los amigos y recordarles a todos que presten atención a las fuentes de contaminación y a la seguridad y salud personal.

Resumen: El valor potencial de las aplicaciones industriales de big data es enorme. Sin embargo, todavía queda mucho trabajo por hacer para hacer realidad estos valores. Uno es el establecimiento de una conciencia sobre los big data. Existieron grandes datos en el pasado, pero debido a una comprensión insuficiente de los grandes datos y métodos de análisis de datos insuficientes, se descartaron o archivaron muchos datos en tiempo real y se enterró el valor potencial de una gran cantidad de datos. Otra cuestión importante es el problema de los silos de datos. Los datos de muchas empresas industriales, especialmente de las grandes empresas multinacionales, se encuentran distribuidos en islas aisladas. Extraer estos datos de toda la empresa es bastante difícil. Por lo tanto, un tema importante en la aplicación de big data industrial es la aplicación integrada.

Lo anterior es el contenido relevante compartido por el editor sobre los ocho principales escenarios de aplicación de big data industrial en la era de Internet de las cosas. Para obtener más información, preste atención a Global Ivy para compartir más información.