中国电气传动网

第一电气传动平台



总访问量:337095

关键词搜索:

  • 工业机器人
  • 人工智能
  • 智能制造
  • 智能化
  • 互联网
  • 自动化
  • 大数据
  • 工业4.0
  • 中国电气传动
  • 物联网

扫一扫

了解更多

【独家】潮流or洪水,如何构建高效的工业制造大数据体系?

   日期:2019-09-27     浏览:28    评论:0    
核心提示:随着技术的发展,工业大数据开始成为智能制造的新潮流,但显然很多人并不懂得该如何利用工业大数据。工业制造大数据究竟有什么用?就像洪水一样,大量工业数据正在不断生成,而且它需要存放在某个地方。下面就来具体说说,该如何将工业大数据有效地运用在制造生产中。那么一套简单好用的工业制造大数据体系,该如何发挥最大功效呢?根据IBM商业价值研究院的说法,大数据的性能可以简单归结为四个V

近几年,随着技术的发展,工业大数据开始成为智能制造的新潮流,但显然很多人并不懂得该如何利用工业大数据。工业制造大数据究竟有什么用?就像洪水一样,大量工业数据正在不断生成,而且它需要存放在某个地方。下面就来具体说说,该如何将工业大数据有效地运用在制造生产中。

没有正确的基础架构就无法对数据进行有效管理,尤其是在面临海量数据的时候。况且,工业大数据存在的意义,就是要通过大数据提前为未来的风险做好准备。这里的风险包括那些正常操作流程内任何形式的破坏,这将可能导致客户和收入的损失。尽管大多数时候我们无法预知这些意料之外的事情,但仍可以将风险级别降低到可以容忍的水平。

从广义上讲,事故指的就是在一系列风险管理失败时导致的罕见事件。但是,事后调查通常表明,早在事故发生之前,实际上就已经发生了几起未遂的事故。尽管很多工业设备的故障难以用肉眼观察到,但是可以通过严格的数据收集和分析来检测到。

那么,“大数据”到底是什么?由于这个流行语已在各个行业中广泛使用,因此很多时候,人们在定义时都会赋予大数据以大量的主观期望,而这些期望却总是超出了大数据的实际功能。

那么一套简单好用的工业制造大数据体系,该如何发挥最大功效呢?根据IBM商业价值研究院的说法,大数据的性能可以简单归结为四个V:Volume、Variety、Velocity和Veracity。

体积(Volume)

毫不奇怪,大数据的特征之一就是大。顾名思义,大数据依赖于海量的数据收集,通常存储的数据量往往会达到PB和ZB级别。需要注意的是,这些大型数据并不如想象的那样难以收集。

新技术正在不断的改变制造设备,大量的传感器、设施和过程生成的数据源源不断的产生,并且正在以指数级的速度增长,同时也为制造企业带来了新的挑战。工厂内的数据越来越多,制造车间内的每台机器都在不停的产生着数据。但这些数据尽管数据量很丰富,但是信息却非常贫乏。

举个例子,工厂内的技术经理想要提取电动机的状况数据,但是,这些电动机数据需要在已经积累了大量的数据和案例的前提下,才会显得有价值,否则面对海量的独立数据,很难使其真正发挥作用。这些数据能为你提供什么解决方案?于是,就需要与之相配套的数据管理系统来使您的数据收集更流畅,这样在洞悉自己关心的数据同时,也能根据管理计划来正确使用它们。

速度(Variety)

大数据洪流中的第二个“V”是速度。速度是指数据生成时的加速度,以及数据生成时和可访问决策时之间的延迟时间。更快的分析可以让响应的速度更快。但很显然,如今的数据创建速度已经远远超出了许多现有系统处理的能力。

以电动机状态监测为例,管理者可以每秒跟踪500个振动数据点以检查其性能,但是如果振动分析系统每秒最多只能分析处理200个数据点,那就遇到了问题。最终,制造企业仍需要一个能够快速处理此数据的整个大数据基础架构。

多样性(Velocity)

随着越来越多的技术设备开始生成数据,这些信息也变得越来越多样化。

从振动分析和状态监视到企业系统的数据,例如市场趋势和产品生命周期管理(PLM),将这些数据汇总后发现需要集成来自各个系列系统的日益复杂的数据类型。

这通常需要将几个不同系统的垂直集成。使用这种更为复杂的集成模型,状态监视数据可以识别工业零件何时出现故障迹象,然后自动对库存数据进行交叉检查,以查看是否有备用零件库存。如果没有备用零件,那么该系统可以使用ERP系统自动重新购买零件,从而做出更明智的决策。但是,这只是其中的应用例子。

工厂经理可能会发现自己想要收集所有数据的类型,甚至包括对他们无用的数据,并将其存储在存档中以进行历史分析。企业需要将减轻风险的目标始终放在数据收集的最前沿,而不能为了数据收集而收集。

准确性(Veracity)

最后的“V”是指准确性,也可以理解为特定数据类型的可靠性。这里的关键问题是前面提到的大数据的其他维度:体积、速度和多样性,这对许多现有系统的容量提出了挑战。

例如当机器零件需要替换时,尽管大数据提供的解决方案看起来很理想,但这些数据属于第三方,如果需要更换零件,就要系统的将监控数据的旧数据与零件供应的可用性数据集成在一起。也许你有了新的零件供应商,也许新的技术让零件功能更加多样,但为了实现真正的准确性,数据基础结构就需要与各种各样的零件供应商建立关系,以便于在做出决策和采取行动时不会碰壁。


 
点赞
 
更多>同类新闻资讯
0相关评论



版权与免责声明:

① 凡本网注明"来源:中国电气传动网"的所有作品,均由本网编辑搜集整理,并加入大量个人点评、观点、配图等内容,版权均属于中国电气传动,未经本网许可,禁止转载,违反者本网将追究相关法律责任。

② 本网转载并注明自其它来源的作品,目的在于传递更多信息,并不代表本网赞同其观点或证实其内容的真实性,不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时,必须保留本网注明的作品来源,并自负版权等法律责任。

③ 如涉及作品内容、版权等问题,请在作品发表之日起一周内与本网联系,我们将在您联系我们之后24小时内予以删除,否则视为放弃相关权利。

推荐图文
推荐新闻资讯
点击排行