工业数字化怎么样?大数据助力工业数字化!
工业大数据分析实践将给工业企业带来工业数字化转型趋势,通过信息化技术和大数据技术,将工业数字化春风吹到全球工业,这些重新将给不同行业的工业企业带来更快的速度、更高的效率和更大的挑战。
工业大数据分析实践又有哪些特征?
数据容量大(volume):数据的大小决定所考虑的数据的价值和潜在的信息。工业数据体量比较大,大量机器设备的高频数据和互联网数据持续涌入,大型工业企业的数据集将达到PB级甚至EB级别。
多样(variety):指数据类型的多样性和来源广泛。工业数据分布广泛,分布于机器设备、工业产品、管理系统、互联网等各个环节,并且结构复杂,既有结构化和半结构化的传感数据,也有非结构化数据。
快速(velocity):指获得和处理数据的速度。工业数据处理速度需求多样,生产现场级要求分析时限达到毫秒级,管理与决策应用需要支持交互式或批量数据分析。
价值密度低(value):工业大数据更强调用户价值驱动和数据本身的可用性,包括:提升创新能力和生产经营效率及促进个性化定制、服务化转型等智能制造新模式变革。
时序性(sequence):工业大数据具有较强的时序性,如订单、设备状态数据等。
强关联性(strong-relevance):一方面,产品生命周期同一阶段的数据具有强关联性,如产品零部件组成、工况、设备状态、维修情况、零部件补充采购等;另一方面,产品生命周期的研发设计、生产、服务等不同环节的数据之间需要进行关联。
准确性(accuracy):主要指数据的真实性、完整性和可靠性,更加关注数据质量以及处理、分析技术和方法的可靠性。对数据分析的置信度要求较高,仅依靠统计相关性分析不足以支撑故障诊断、预测预警等工业应用,需要将物理模型与数据模型结合,挖掘因果关系。
闭环性(closed-loop):包括产品全生命周期横向过程中数据链条的封闭和关联以及智能制造纵向数据采集和处理过程中,需要支撑状态感知、分析、反馈、控制等闭环场景下的动态持续调整和优化。
工业大数据分析实践的工业数字化典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等诸多方面。
1.加速产品创新
客户与工业企业之间的交互和交易行为将产生大量数据,挖掘和分析这些客户动态数据,能够帮助客户参与到产品的需求分析和产品设计等创新活动中,为产品创新作出贡献。
2.产品故障诊断与预测
这可以被用于产品售后服务与产品改进。无所不在的传感器、互联网技术的引入使得产品故障实时诊断变为现实,工业数据分析、建模与仿真技术则使得预测动态性成为可能。
3.生产线的大数据应用
现代化工业制造生产线安装有数以千计的小型传感器,来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据,利用这些数据可以实现很多工业数据分析,包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。首先,在生产工艺改进方面,在生产过程中使用这些大数据,就能工业数据分析整个生产流程,了解每个环节是如何执行的。
4.工业供应链分析和优化
当前,大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据,利用工业数据分析,将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。
5.产品销售预测与需求管理
通过大数据来分析当前需求变化和组合形式。大数据是一个很好的销售分析工具,通过历史数据的多维度组合,可以看出区域性需求占比和变化、产品品类的市场受欢迎程度以及最常见的组合形式、消费者的层次等,以此来调整产品策略和铺货策略。
6.生产计划与排程
大数据可以给予我们更详细的数据信息,发现历史预测与实际的偏差概率,考虑产能约束、人员技能约束、物料可用约束、工装模具约束,通过智能的优化算法,制定预计划排产,并监控计划与现场实际的偏差,动态的调整计划排产。
利用工业大数据分析实践开展挖掘分析,支撑工业企业基于数据进行决策管控,提升企业决策管控的针对性、有效性。