Interpretación del contexto del big data industrial

El big data industrial es diferente del big data y tiene sus propias características únicas. Este artículo se centra en la definición y el alcance, las fuentes, las características, la tecnología y los campos de aplicación, y los problemas que enfrenta el big data industrial. Analiza exhaustivamente todos los aspectos del big data industrial, lo que le permite comprender el contexto del big data industrial en un solo artículo.

Big data industrial se refiere al típico modelo de fabricación inteligente, desde la demanda del cliente hasta las ventas, pasando por los pedidos, la planificación, la I+D, el diseño, la tecnología, la fabricación, la adquisición, el suministro, el inventario, la entrega y el envío, y la posventa. servicio, operación y mantenimiento, desguace o reciclaje y remanufactura, etc., datos diversos y tecnologías y aplicaciones relacionadas generadas en el ámbito industrial. Toma los datos del producto como núcleo y amplía enormemente el alcance de los datos industriales tradicionales.

-Fuente de Big Data Industrial-

Lo que llamamos big data industrial no es completamente equivalente a los datos que fluyen en el software de información empresarial. Desde una perspectiva de la industria, hay tres fuentes principales. La primera categoría son los datos comerciales relacionados con las operaciones empresariales, que provienen del campo de la información empresarial, incluida la planificación de recursos empresariales (ERP), la gestión del ciclo de vida del producto (PLM), la gestión de la cadena de suministro (SCM), la gestión de las relaciones con los clientes (CRM), y sistemas de gestión ambiental (SGA).

La segunda categoría son los datos interconectados de máquinas y equipos, que se refieren principalmente a los datos operativos de equipos, materiales y procesos de procesamiento de productos transmitidos en tiempo real a través del sistema MES, como las condiciones de trabajo, el medio ambiente. parámetros, etc En la actualidad, con la gran cantidad de aplicaciones de dispositivos inteligentes, la cantidad de dichos datos está creciendo más rápidamente.

La tercera categoría son los datos externos de la empresa, incluidos los datos de uso y operación de los productos de la empresa industrial después de su venta, así como una gran cantidad de datos sobre el estado de clientes, proveedores, Internet y otros.

——Características del big data industrial——

El autor ha entrevistado a reconocidos expertos en el campo del big data industrial y de Estados Unidos sobre temas como las características del big data industrial. big data y creación de valor industrial basada en datos, profesor Li Jie, director del Centro de Sistemas de Mantenimiento Inteligentes (IMS) de la Fundación Nacional de Ciencias (NSF). Dijo: La mayor diferencia entre big data industrial y big data de Internet es que el big data industrial tiene un propósito, mientras que el big data de Internet es más una minería relacionada y un análisis más divergente.

Además, también existen diferencias en las características de los datos y los problemas entre ambos. A diferencia del big data de Internet, el núcleo de la tecnología de análisis de big data industrial debe resolver el problema "3B":

1) Debajo de la superficie, es decir, oculto, necesitamos saber el significado detrás de él.

La diferencia más importante entre big data en un entorno industrial y big data de Internet reside en la extracción de características de los datos. Los big data industriales se centran en el significado físico detrás de las características y el mecanismo lógico de las asociaciones entre características, mientras que los big data de Internet tienden a depender únicamente de herramientas estadísticas para extraer asociaciones entre atributos.

2) Fragmentación-fragmentación, es decir, es necesario evitar la discontinuidad y prestar atención a la puntualidad.

En comparación con la cantidad de big data en Internet, el big data industrial presta más atención a la integridad de los datos, lo que requiere el uso de muestras orientadas a aplicaciones de la manera más completa posible para cubrir varios cambios en el proceso industrial, y Garantizar la exhaustividad de la información que se puede extraer de los datos para reflejar el verdadero estado del objeto. Por lo tanto, por un lado, el big data industrial debe superar las dificultades causadas por la fragmentación de datos en los métodos de análisis de back-end y transformar estos datos en información útil mediante la extracción de características. Por otro lado, es necesario comenzar desde el diseño inicial de la recopilación de datos, formular estándares de datos basados ​​en requisitos de valor y luego construir un entorno de datos unificado en una plataforma de circulación de datos e información.

3) Mala calidad: la baja calidad significa que es necesario mejorar la calidad de los datos para cumplir con la baja tolerancia a fallas.

Por otro lado, la fuente de defectos de fragmentación de datos también muestra preocupaciones sobre la calidad de los datos, es decir, la cantidad de datos no puede garantizar la calidad de los datos, lo que puede conducir a una baja disponibilidad de datos, porque Los datos de baja calidad pueden afectar directamente el proceso de análisis y hacer que los resultados sean inutilizables, pero los big data de Internet son diferentes. Solo puede extraer y correlacionar los datos en sí, sin considerar el significado de los datos en sí, es decir, qué resultados se extraen. Lo más típico es que después de extraer datos sobre los hábitos de compra en los supermercados, los estantes de cerveza se puedan colocar frente a los estantes de pañales, independientemente de la relación lógica entre ambos;

En otras palabras, en comparación con el big data de Internet. Por lo general, no es la precisión que se requieren los resultados enviados. La tasa de tolerancia a fallas de los big data industriales para los resultados de predicción y análisis es mucho menor que la de los big data de Internet. Cuando los big data de Internet hacen predicciones y decisiones, solo consideran si la correlación entre dos atributos es estadísticamente significativa. Cuando el tamaño de la muestra es lo suficientemente grande, el ruido y las diferencias entre los individuos se pueden ignorar, por lo que la precisión de los resultados de la predicción será grande. comprometido. Por ejemplo, cuando creo que tiene un 70% de sentido recomendar una película de tipo A a un usuario, incluso si al usuario no le gusta mucho este tipo de película, no causará consecuencias demasiado graves. Pero en un entorno industrial, si los resultados del análisis se dan únicamente en términos de significancia estadística, incluso un solo error puede tener consecuencias graves.

——Tecnología Big Data Industrial: Algoritmos y Modelos——

La acumulación masiva de datos industriales no significa intereses comerciales directos, pero hay un canal muy crítico en el medio—— —Tecnología de big data industrial. En los últimos años, muchos expertos en big data y expertos de la industria también han estado debatiendo si la cantidad de datos es más importante o el algoritmo de big data es más importante. Ambas partes tienen opiniones diferentes. Por ejemplo, Google cree que la cantidad de datos es muy importante, e incluso dijo sin rodeos: más datos no es tan bueno como el algoritmo.

Esta visión es similar a "cuanta más información, más cerca de la verdad" en nuestra cognición consciente.

Por ejemplo, en "Signal and Noise" (Señal y ruido, autor Nate Silver), una de las opiniones de este libro es que "más datos significa más ruido. La señal es la verdad, pero la El ruido hace que nos alejemos cada vez más de la verdad “Por lo tanto, la gente necesita construir algoritmos y modelos efectivos para identificar e identificar cuál es la verdad.

No discutiremos aquí si la cantidad de datos es más importante o el modelo de algoritmo es más importante, pero el uso efectivo de big data industrial es definitivamente inseparable de la tecnología de análisis de big data industrial.

——Campo de aplicación de big data industrial (escenario)—

1 Diseño de I+D: se utiliza principalmente para mejorar la capacidad de innovación de I+D, la eficiencia de I+D y la calidad del personal de I+D, y apoyar la colaboración. diseño, reflejado específicamente en: (1) diseño de I+D basado en modelos y simulaciones (2) diseño basado en el ciclo de vida del producto (3) diseño que integra los comentarios de los consumidores;

2. Aplicación en optimización de procesos de producción complejos: (1), línea de producción de Internet industrial de las cosas (2), control de calidad de la producción (3), planificación y programación de la producción;

>3. Aplicación en la previsión de la demanda de productos

4. Aplicación en la optimización de la cadena de suministro industrial

——Principales cuestiones en el desarrollo de la aplicación de big data industrial——

El "Libro blanco de Big Data industrial Edición 2017" señala que en la investigación y aplicación de big data industrial, el big data del producto es el núcleo, el big data material es el medio de implementación y la integración es la base (modelo de negocio, modelo de negocio). y generador de valor, extracción de claves y aplicaciones). Sin embargo, en la operación real, existen dificultades en los tres aspectos en diversos grados.

Portada del Libro Blanco sobre Big Data Industrial Edición 2017

1. Big Data de Producto: Big Data de Producto es la raíz y el núcleo del big data industrial, pero el campo de fabricación industrial cubre una amplia gama. de industrias y números de productos, muchos, y siguen creciendo. Cómo estandarizar el método de definición y clasificación de big data de productos y establecer big data de productos estandarizados, identificables, rastreables y posicionables será el requisito previo para la aplicación fluida de big data industrial.

2. Equipos de acceso a IoT: los datos de IoT son un medio necesario para lograr el flujo fluido de big data industrial. Sin embargo, en las aplicaciones industriales reales, el software industrial y los equipos IoT de alta gama no tienen control independiente, y los equipos de acceso IoT de alta gama no están abiertos para lectura y escritura, lo que forma una isla de información de equipos y una mala circulación de datos. Superar esta limitación es la clave para hacer realidad el big data industrial.

3. Integración de la información: la dificultad de la integración está impulsada por el negocio, abriendo puntos y enlaces clave, controlando las fuentes de productos y equipos, y optimizando continuamente.