¿Para qué se utilizan las aplicaciones industriales de Internet y big data?
El entorno operativo de este tutorial: sistema Windows 7, computadora Dell G3.
Internet industrial y aplicaciones de big data se refieren a una red a gran escala que conecta varias máquinas, grupos de equipos, instalaciones y redes de sistemas en el mundo con sensores, controles y aplicaciones de software avanzados. Cosas como máquinas de resonancia magnética, motores de aviones, vehículos eléctricos e incluso plantas de energía se pueden conectar a la Internet industrial. Al combinar la interconexión de redes y el análisis de big data para tomar decisiones razonables, podemos liberar de manera más efectiva el potencial de cada máquina y mejorar la productividad. La característica más importante de Internet industrial es que puede maximizar la eficiencia de la producción, ahorrar costos, promover la actualización de la tecnología de los equipos y mejorar la eficiencia.
En pocas palabras, significa combinar la industria con Internet y luego con big data, porque big data es realmente muy conveniente ahora y se puede utilizar en diversas industrias. Con el fin de mejorar la eficiencia y aumentar los beneficios.
Análisis de escenarios de Internet industrial y aplicaciones de big data
1. Acelerar la innovación de productos
La interacción y el comportamiento de transacciones entre clientes y empresas industriales generarán una gran cantidad de datos, extraer y analizar estos datos dinámicos de los clientes puede 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 destacado en este sentido. Ha aplicado la tecnología de big data a la innovación y optimización de productos del automóvil eléctrico Ford Focus, convirtiendo este automóvil en un verdadero "auto eléctrico de big data". El Ford Focus EV de primera generación genera enormes cantidades de datos mientras conduce y estaciona. Mientras conduce, el conductor actualiza continuamente la información de aceleración, frenado, carga de la batería y ubicación del vehículo. Esto es útil 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. Transmite continuamente datos sobre la presión de los neumáticos y el sistema de batería del vehículo al teléfono inteligente más cercano, incluso cuando el vehículo está parado.
Este escenario de aplicación de big data centrado en el cliente tiene muchos beneficios, porque el big data permite valiosos métodos de colaboración e innovación de nuevos productos. 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 también pueden analizar millones de kilómetros de datos de conducción para decidir dónde construir nuevas estaciones de carga y cómo evitar que la frágil red se sobrecargue.
2. Diagnóstico y predicción de fallas del producto.
Esto puede usarse para el servicio posventa del producto y su mejora. La introducción de sensores ubicuos y tecnología de Internet ha hecho realidad el diagnóstico en tiempo real de fallas de productos, y las aplicaciones de big data, tecnologías de modelado y simulación han hecho posible predecir la 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 el sistema de aeronaves de Boeing como caso de estudio para ver cómo las aplicaciones de big data desempeñan un papel en el diagnóstico de fallas del producto. En un avión 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 se pueden analizar en un momento determinado en el futuro, sino que también promueven el control adaptativo en tiempo real, el uso de combustible, la predicción de fallas de piezas y la notificación al piloto, y pueden realizar de manera efectiva Diagnóstico y predicción de fallos. Tomemos otro ejemplo de General Electric (GE). El Centro de Diagnóstico y Monitoreo de Energía (M&D) de GE en Atlanta, EE. UU., recopila datos de miles de turbinas de gas de GE en más de 50 países de todo el mundo. Puede recopilar 10 G de datos. Al analizar el flujo constante de big data de las señales de temperatura y vibración del sensor dentro del sistema, estos análisis de big data brindarán soporte para el diagnóstico de fallas y la alerta temprana de las turbinas de gas de GE. El fabricante de turbinas eólicas Vestas también mejora el diseño de las turbinas eólicas mediante el análisis cruzado de datos meteorológicos con datos periódicos de instrumentación de las turbinas, aumentando así los niveles de producción de energía de las turbinas eólicas y extendiendo su vida útil.
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 se recopilan cada pocos segundos, se pueden lograr muchas formas de análisis utilizando estos datos, incluido el diagnóstico de equipos, análisis de consumo de energía, análisis de consumo de energía, análisis de accidentes de calidad (incluidas violaciones de las regulaciones 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 determinado proceso se desvía del proceso estándar, se generará una señal de alarma, los errores o cuellos de botella se podrán descubrir más rápidamente y el problema se podrá resolver más fácilmente. Con la tecnología de big data, también se puede construir un modelo virtual del proceso de producción de productos industriales, simular y optimizar el proceso de producción. Cuando todos los procesos y datos de rendimiento se puedan reconstruir en el sistema, esta transparencia ayudará a los fabricantes a mejorar sus procesos de producción. . Por otro ejemplo, en términos de análisis del consumo de energía, los sensores se utilizan para monitorear centralmente todos los procesos de producción durante el proceso de producción del equipo. Se pueden descubrir anomalías o picos en el consumo de energía, de modo que el consumo de energía se pueda optimizar durante el proceso de producción y todos los procesos. El análisis reducirá significativamente el consumo de energía.
4. Análisis y optimización de la cadena de suministro industrial
Actualmente, 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 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 con los productos que llegan 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 grandes datos de toda la cadena de suministro del producto. El uso de estos datos para el análisis generará mejoras significativas en la eficiencia del almacenamiento, la distribución y las ventas. costo.
Tomemos como ejemplo a Haier. El sistema de cadena de suministro de Haier es muy completo. Utiliza la cadena de mercado como eslabón y el flujo de información de pedidos como centro para impulsar el movimiento de la logística y los flujos de capital, integrando la cadena de suministro global. recursos y recursos globales del usuario. En todos los aspectos de la cadena de suministro de Haier, los datos de los clientes, los datos corporativos 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 en la cadena de suministro, Haier puede continuar mejorando y optimizando la cadena de suministro, asegurando la calidad de Haier. respuesta ágil a los clientes. Hay más de mil proveedores OEM más grandes en los Estados Unidos, que ofrecen más de 10,000 productos diferentes a las empresas manufactureras. Cada fabricante se basa en pronósticos de mercado y otras variables diferentes, como datos de ventas, información de mercado, exhibiciones, noticias, datos de la competencia. incluso previsiones meteorológicas, etc. 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. Las empresas manufactureras pueden ahorrar muchos costos porque pueden realizar un seguimiento del inventario y los precios de venta y comprar cuando los precios bajan. Si pueden reutilizar 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 necesitarán piezas. Esto reducirá en gran medida 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 buena herramienta de análisis de ventas. A través de la combinación multidimensional de datos históricos, podemos ver la proporción y los cambios de la demanda regional, la popularidad de las categorías de productos en el mercado, las formas de combinación más comunes, el nivel de consumidores, etc. Utilice esto para ajustar la estrategia de producto y la estrategia de distribución. En algunos análisis, podemos encontrar que la demanda de artículos de papelería en ciudades con más colegios y universidades será mucho mayor durante la temporada de regreso a clases. De esta manera, podemos aumentar las promociones para los distribuidores en estas ciudades para atraerlos a realizar pedidos. más durante la temporada de regreso a clases la planificación de capacidad comienza con uno o dos meses de anticipación para satisfacer las necesidades de promoción. En términos de desarrollo de productos, las funciones y el rendimiento del producto se ajustan en función de las preocupaciones del grupo de consumidores. Por ejemplo, hace unos años a todos les gustaba usar teléfonos con música, pero ahora la gente está más inclinada a usar teléfonos móviles para navegar por Internet. tomar fotografías y compartirlas, etc. La mejora de la función de cámara de los teléfonos móviles es una tendencia, 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 encontrar más oportunidades de ventas potenciales.
6. Planificación y programación de la producción
La industria manufacturera se enfrenta al modelo de producción multivariedad y de lotes pequeños, al refinamiento de los datos, a la recogida automática, oportuna y cómoda (MES/DCS ) y variabilidad El resultado es un aumento dramático en los datos, junto con más de diez años de datos históricos basados en información, lo que es un gran desafío para APS que requiere una respuesta rápida. Big data puede brindarnos información de datos más detallada, descubrir la probabilidad de desviación entre las predicciones históricas y las reales, considerar las limitaciones de capacidad de producción, las limitaciones de habilidades del personal, las limitaciones de disponibilidad de materiales, las limitaciones de herramientas y moldes, y utilizar algoritmos de optimización inteligentes para formular una producción planificada previamente. cronogramas y monitoreo Si hay alguna desviación entre el plan y la situación real en el sitio, el cronograma de producción se ajustará dinámicamente. Ayúdenos 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 datos específicos de equipos, personal, moldes, etc.). Al correlacionar datos y monitorearlos, podemos planificar el futuro. Aunque el big data tiene algunos defectos, siempre que se aplique correctamente, el big data se convertirá en un arma poderosa para nosotros. En aquel entonces, Ford preguntó cuáles eran las necesidades de big data de los clientes y la respuesta fue "un caballo más rápido", no los autos que ahora son comunes. Por eso, en el mundo del big data, la creatividad, la intuición, el espíritu aventurero y la ambición intelectual cobran especial importancia.
7. Gestión y análisis de la calidad del producto
La industria manufacturera tradicional se enfrenta al impacto del big data y existen necesidades urgentes en investigación y desarrollo de productos, diseño de procesos, gestión de calidad, operaciones de producción y otros aspectos. Esperamos el nacimiento de métodos innovadores para abordar los desafíos de big data en el contexto industrial. Por ejemplo, en la industria de los semiconductores, los chips pasan por muchos procesos complejos, como dopaje, estratificación, fotolitografía y tratamiento térmico durante el proceso de producción. Cada paso debe cumplir requisitos de propiedades físicas extremadamente estrictos. Se requiere equipo altamente automatizado para procesar el producto. Al mismo tiempo, también se generan simultáneamente una gran cantidad de resultados de detección. ¿Son estos datos masivos una carga para la empresa o una mina de oro para la empresa? Si es lo último, ¿cómo podemos ver rápidamente a través de las nubes y descubrir con precisión las razones clave de las fluctuaciones en el rendimiento del producto de la "mina de oro"? 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 cien elementos de prueba y millones de líneas de registros de prueba. Según los requisitos básicos de la gestión de calidad, una tarea esencial es realizar un análisis de capacidad del proceso para más de cien elementos de prueba con diferentes especificaciones técnicas. Si seguimos el modelo de trabajo tradicional, necesitaremos calcular paso a paso más de cien índices de capacidad de proceso y evaluar cada característica de calidad una a una. Independientemente de la enorme y engorrosa carga de trabajo aquí, 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 evaluar la calidad general del producto. Tener una comprensión integral y un resumen del desempeño. Sin embargo, si utilizamos la plataforma de análisis de gestión de calidad de big data, además de obtener rápidamente un informe de análisis de capacidad de proceso largo con indicadores únicos tradicionales, también podemos obtener muchos análisis nuevos del mismo resultado de big data.
8. Contaminación industrial y pruebas medioambientales
Un aspecto impresionante de "Under the Dome" es que a través de informes visuales, el equipo de Chai Jing transmite a la audiencia la gravedad del problema de la neblina. Las causas del smog, etc.
Esto nos trae una revelación, y es que el big data tiene un gran valor para la protección del medio ambiente. ¿De dónde provienen los datos originales de los gráficos de "Under the Dome"? De hecho, no todos se obtienen a través de relaciones de alto nivel. Muchos de los datos están disponibles públicamente y se pueden encontrar en el sitio web del gobierno chino. En los sitios web de varios ministerios y comisiones, el sitio web oficial de PetroChina y Sinopec, el sitio web oficial de organizaciones de protección ambiental y algunas organizaciones especiales, se pueden consultar cada vez más datos de bienestar público y protección ambiental, incluidos datos atmosféricos, hidrológicos y de otro tipo a nivel nacional. datos meteorológicos, distribución en fábrica y datos de cumplimiento de emisiones contaminantes, etc. Es solo que estos datos están demasiado dispersos, son demasiado profesionales, carecen de análisis y no tienen visualización, por lo que la gente común no puede entenderlos. Si puedes entenderlo y seguir prestando atención, los big data se convertirán en un medio importante para que la sociedad supervise la protección del medio ambiente.
El reciente lanzamiento del "Mapa nacional de monitoreo de la contaminación" de Baidu es una buena manera de hacerlo. Combinado con big data abiertos de protección ambiental, Baidu Map ha agregado una capa de detección de contaminación. Cualquiera puede usarlo para ver todo el país, las provincias y las ciudades. Todo en la información de ubicación, el nombre de la organización, los tipos de fuentes de emisión y los últimos estándares de descarga de contaminantes anunciados por la Oficina de Protección Ambiental (incluidas varias plantas de energía térmica, empresas industriales controladas por el estado y plantas de tratamiento de aguas residuales). ) bajo la supervisión de la Oficina de Protección Ambiental. Puede verificar la fuente de contaminación más cercana a usted y aparecerá un recordatorio que le indicará qué elementos probados en el punto de monitoreo exceden el estándar y cuántas veces exceden el estándar. Esta información se puede compartir en plataformas de redes sociales en tiempo real para informar 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. Una es la cuestión de crear conciencia sobre los big data. En el pasado, existían grandes datos, pero debido a la falta de conocimiento de los grandes datos y a los 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. . Otro tema importante es el problema de las islas de datos. Los datos de muchas empresas industriales se distribuyen en varios silos en toda la empresa, especialmente dentro de las grandes empresas multinacionales, lo que dificulta la extracción de estos datos en toda la empresa. Por lo tanto, una cuestión importante en la aplicación de big data industrial es la aplicación integrada.