服务项目 |
工业企业生产,产品相关互联网,智能化工厂,企业升级改造 |
面向地区 |
|
生产经营相关业务数据制造业大数据特点和挑战
来自传统企业信息化范围,被收集存储在企业信息系统内部。此类数据是工业领域传统的数据资产,正在逐步扩大范围;
设备物联数据
生产设备和目标产品在物联网运行模式下,实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据,这是制造大数据新的、增长快的来源;
外部数据
与工业企业生产活动和产品相关的企业外部互联网来源数据;
智能化制造
以智能制造业机器人为典型代表的智能制造装备已经开始在多个领域得到应用。制造业大数据特点和挑战
制造业大数据区别其他行业大数据有自身的特点和挑战:
多源性获取,数据分散、非结构化数据比例大
制造业大数据来源广泛且分散,有来源于产品制造现场工控网监控数据,有来源于互联网的客户、供应商数据,有来源于企业内网的经营管理数据;
海量异构多源多类数据难以有效集成,语义描述困难,不能实现面向系统生命周期管理的数据协同管理。
数据关联性强,有关联也要有因果
制造业大数据的产生和应用都围绕产品全生命周期、企业主价值链等,数据间关联性强且分析准确性要求高;
不但要利用大数据给出决策也要用大数据给出决策依据;
制造业大数据预测精度低,准确性和可靠性不高,无法满足安全性要求。
持续采集、具有鲜明的动态时空特性
制造业大数据来源于工控网络和传感设备,具有实时性强、连续性、稳定性要求高等特点;
需要采用可靠的数据采集、存储、管理的工具进行管理;
另外涉及国计民生领域还要求整个平台安全可控。
与具体制造业领域紧密相关
制造业大数据产生依赖于CPS网络和智能产品,但目前面向信息物理融合系统的分析方法单一,无法实现闭环、多层次、多阶段、自比较等的综合分析;
面向智能设备和智能产品的故障检测能力不足,健康预测管理水平低,无法实现面向产品可靠性的深层次分析。
要准确率的前提下还要实时性
工业领域准确率起码要99%,轨道交通要更准确,只要生产线不停,就会源源不断的产生数据;
工业大数据还需要实时的达到分析和应用。制造业大数据分析的实时性要求高,动态控制困难,量化难度大。制造业大数据应用场景
物料品质监控
原物料品质不稳定其实有迹可循,然而传统SPC监控要等到发生问题时才会做出警示,此时不仅己经影响产品品质,更不容易找出原因,微构大数据则是主动分析趋势变化,发现潜在问题即早做出预警,以便能及早解决(更换物料)维持产品品质。
改善生产流程
使对机器的性能测量和可追踪性变成可能。通过在生产中心给所有的机器安装传感器,让生产经理得到每个部分及时可见的操作情况。通过深度分析还能帮助了解生产质量和培训每个机器和操作者的差异性。
查看全部介绍