工业大数据全景解读和应用案例

转载自知乎:https://zhuanlan.zhihu.com/p/71123406
(少量删节)
对于企业而言,了解工业大数据产生的背景,归纳工业企业大数据的分类和特点,从数据流推动工业价值创造的视角看待、重造工业价值流程,将具有很强的现实意义。

目录

    • 一、工业大数据产生的背景
    • 二、工业大数据的特点和分类
    • 三、工业大数据应用案例
    • 四、工业大数据的实践指导

一、工业大数据产生的背景

在工业生产中,无时不刻都在产生数据。生产机床的转速、能耗,食品加工的温湿度,火力发电机组的燃烧和燃煤消耗,汽车的装备数据,物流车队的位置和速度等,都是在生产过程中的数据。

任何数据的采集和使用都是有成本的,工业数据也不例外。但随着信息、电子和数学技术的发展,传感器、物联网等技术的发展,一批智能化、高精度、长续航、高性价比、微型传感器面世,以物联网为代表的新一代网络技术在移动数据通信的支持下,能做到任何时间、任何地点采集、传送数据。以云计算为代表的新型数据处理基础架构,大幅降低工业数据处理的技术门槛和成本支出。以工业领域的SCADA系统为例,传统模式下每个电网、化工企业都需要建立一套SCADA系统,成本在千万以上,如果采用云架构模式,成本将可以降低7成以上。

社会需求变革是最大拉动力。在商品过剩经济时代,以个性化为代表的消费文化,使得工业企业的产出物,要最大限度匹配个性需求。要响应个性化需求,有两种方式,以服装定制为例:
靠老师傅用尺子量,眼见手摸,凭借经验,确定服装的裁剪和版型,这种我们可以称之为模拟方式,效率和质量难以保证,耗时长,个性化定制的成本高;
还有一种是数字方式,就是通过制订一套数据采集手段,由前台的客户代表测量采集用户身形数据,然后将数据传回总部,将结合生产原材料数据,将需求分解为一项一项的生产工艺动作,最后也生产出达到定制化要求服装。工厂也会聘请资深的老师傅,他们的主要工作不是面对一个个客户的定制化需求,而是去研究更好的生产工艺,对数据和工艺分解进行把控。这种模式下,效率和质量得到保证,效率随着生产线的扩容线性提升,有一批专家队伍不断研究提升工艺能力,定制化生产的成本将得以显著摊薄。
从发展趋势看,后者这种数字模式的个性化生产将是未来选择

国策方针是重要影响力。完成了工业自动化过程的德国工业界,在自动化基础上,以工业数据为基础,引入云计算和人工智能技术,提升工业的智能化水平,以满足大批量个性化定制的社会生产需求;美国拥有强大的云计算、互联网及数据处理能力,基于此,提出工业互联网战略,将单个设备、单条生产线、单个工厂的数据联网,通过大数据处理后,在诊断、预测、后服务等方面挖掘工业服务的价值。

中国相对于德国、美国而言,在工业自动化、在云计算等领域都处于发展期,因此提出中国制造2025计划,通过工业化和信息化融合发展的方式,将工业化和信息化整体规划,并制定一系列的重点工程和推进计划。

二、工业大数据的特点和分类

不管是工业自动化、还是工业智能化(工业4.0)、或者是工业互联网概念,他们的基础是工业数据。随着行业发展,工业企业收集的数据维度不断扩大。主要体现在三个方面: **一是时间维度不断延长。**经过多年的生产经营,积累下来历年的产品数据、工业数据、原材料数据和生产设备数据;二是数据范围不断扩大。随着企业信息化建设的过程,一方面积累了企业的财务、供应商数据,也通过CRM系统积累了客户数据,通过CAD等积累了研发过程数据,通过摄像头积累了生产安全数据等,另一方面越来越多的外部数据也被收集回来,包括市场数据、社交网络数据、企业舆情数据等;三是数据粒度不断细化。从一款产品到多款、多系列产品使得产品数据不断细化,从单机机床到联网机床,使得数据交互频率大大增强;加工精度从1mm提升到0.2mm,从5分钟每次的统计到每5秒的全程监测,都使得采集到的数据精细度不断提升。

以上三个维度最终导致企业所积累的数据量以加速度的方式在增加,构成了工业大数据的集合。不管企业是否承认,这些数据都堆砌在工厂的各个角落,而且在不断增加。

再从企业经营的视角来看待这些工业数据。可以按照数据的用途分成三类:

第一类是经营性数据,比如财务、资产、人事、供应商基础信息等数据,这些数据在企业信息化建设过程中陆陆续续积累起来,表现了一个工业企业的经营要素和成果。第二类是生产性数据,这部分是围绕企业生产过程中积累的数据,包括原材料、研发、生产工艺、半成品、成品、售后服务等。随着数字机床、自动化生产线、SCADA系统的建设,这些数据也被企业大量记录下来。这些数据是工业生产过程中价值增值的体现,是决定企业差异性的核心所在。第三类是环境类数据,包括布置在机床的设备诊断系统,库房、车间的温湿度数据,以及能耗数据,废水废气的排放等数据。这些数据对工业生产过程中起到约束作用。

三、工业大数据应用案例

大数据在工业企业的应用主要体现在三方面:

一是基于数据的产品价值挖掘。通过对产品及相关数据进行二次挖掘,创造新价值。

  • 日本的科研人员日前设计出一种新型座椅,能够通过分析相关数据识别主人,以此确保汽车的安全。实验数据显示,这种车座的识别准确率高达98%。
  • 三一公司的挖掘机指数也是如此。通过在线跟踪销售出去的挖掘机的开工、负荷情况,就能了解全国各地基建情况,进而对于宏观经济判断、市场销售布局、金融服务提供调整依据。

二是提升服务型生产。提升服务型生产就是增加服务在生产(产品)的价值比重

主要体现在两个方向。一是前向延伸,就是在售前阶段,通过用户参与、个性化设计的方式,吸引、引导和锁定用户。比如红领西服的服装定制,通过精准的量体裁衣,在其他成衣服装规模关店的市场下,能保持每年150%的收入和利润增长,每件衣服的成本仅比成衣高10%。当然了,小米手机也属于这一类。二是后向延伸,通过销售的产品建立客户和厂家的互动,产生持续性价值。苹果手机的硬件配置是标准的,但每个苹果手机用户安装的软件是个性化的,这里面最大的功劳是APPStore。苹果通过销售苹果终端产品只是开始,通过APPStore建立用户和厂商的连接,满足用户个性化需求,提供差异性服务,年创造收入在百亿美金。

三是创新商业模式。商业模式创新主要体现在两个方面,一是基于工业大数据,工业企业对外能提供什么样的创新性商业服务;二是在工业大数据背景下,能接受什么样的新型的商业服务。最优的情况是,通过提供创新性商业模式能获得更多的客户,发掘更多的蓝海市场,赢取更多的利润;同时通过接受创新性的工业服务,降低了生产成本、经营风险。

国内外有一批企业提供云服务架构的工业大数据平台。包括海尔收购GE的白电业务的一揽子合作中,就包括GE的Predix工业大数据平台向海尔开放,接入海尔的工厂,提供工业大数据服务。

四、工业大数据的实践指导

工业大数据建设,首先是一种思维变革,改变以前以要素竞争为主的工业生产模式,进入到数据和创新竞争为主的新生产时代。其次,正如清华大学王建民教授所言“工业大数据不存在交钥匙工程”,因此,需要企业领导人、管理层、员工和相关人都投身其中,各司其职,才有所成。

工业大数据建设抓住两个跳板作为突破点。一个是最长的板,也就是梳理产品(工业)竞争力最强的因素在哪里,继续深挖下面的数据价值,围绕这一块的工业数据构建产品和服务能力;另一个是最短的板,就是影响工业企业发展的痛点在哪里,成本、市场、还是供应链,还是能耗?在数据化时代下,寻找机遇大数据的解决方案。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/480706.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

阿里P8架构师谈:分布式架构设计(文章合集)

Docker容器 阿里P8架构师谈:Docker简介、组成架构、使用步骤、以及生态产品 阿里P8架构师谈:Docker容器的原理、特征、基本架构、与应用场景 消息中间件 阿里P8架构师谈:消息中间件介绍、典型使用场景、以及使用原则 阿里P8架构师谈:分布…

NLP史上最全预训练模型汇总

本文转载自公众号“夕小瑶的卖萌屋”,专业带逛互联网算法圈的神操作 -----》我是传送门 关注后,回复以下口令: 回复【789】 :领取深度学习全栈手册(含NLP、CV海量综述、必刷论文解读) 回复【入群】&…

R语言ggplot2绘图——柱状图

版权声明&#xff1a;本文为博主原创文章&#xff0c;未经博主允许不得转载。 https://blog.csdn.net/qq_34023608/article/details/51852211 </div><link rel"stylesheet" href"https://csdnimg.cn/release/phoenix/template/css/ck_…

论文浅尝 | 基于迭代的概率规则约束的知识图谱分布式表示

Citation:Shu Guo, Quan Wang, Lihong Wang, Bin Wang, Li Guo.Knowledge Graph Embeddingwith Iterative Guidance from Soft Rules. AAAI 2018. 动机知识图谱的分布式表示旨在将知识图谱中的实体和关系表示到连续的向量空间中&#xff0c;本文考虑的问题是如何将知识库的分布…

笔记:毫米波雷达传感器,优势、应用和产业规模

信息来源&#xff1a;https://www.sohu.com/a/314806539_465219 优势 非接触式传感&#xff0c;可检测物体的距离、速度和角度信息&#xff0c;唯一可以“全天候全天时”工作的传感器系统组件(比如天线)的尺寸可以做到很小穿透性&#xff1a;穿透塑料、墙板和衣服等特殊材料高…

文本分类实战技巧(tricks)汇总

目录 前言 关于分词器 关于中文字向量 如果数据集噪声很严重 baseline选用CNN还是RNN&#xff1f;路线沿着CNN还是RNN走&#xff1f; Dropout加在哪里 关于二分类 关于多标签分类 类别不均衡怎么办 别太纠结系列 还是不会用tricks但是就是想跑出个好结果怎么办 前言 …

「优知学院」淘宝架构的前世今生(下)

“ 淘宝技术架构前世今生就是一部架构活教材&#xff0c;今天仍然由陈睿mikechen为大家解读淘宝架构。 我稍微把前面淘宝架构的三个阶段简短总结&#xff1a; 淘宝1.0 采用LAMP mysql读写操作 淘宝2.0 把mysql替换为oracle,为了使用oracle的连接池&#xff0c;php采用代理连…

学习排序 Learning to Rank:从 pointwise 和 pairwise 到 listwise,经典模型与优缺点

Ranking 是信息检索领域的基本问题&#xff0c;也是搜索引擎背后的重要组成模块。本文将对结合机器学习的 ranking 技术——learning2rank——做个系统整理&#xff0c;包括 pointwise、pairwise、listwise 三大类型&#xff0c;它们的经典模型&#xff0c;解决了什么问题&…

论文浅尝 | 从 6 篇顶会论文看「知识图谱」领域最新研究进展 | 解读 代码

本文内容源自往期「论文浅尝」&#xff0c;由 PaperWeekly 精选并重新排版整理&#xff0c;感谢 PaperWeekly。ISWC 2018■ 链接 | http://www.paperweekly.site/papers/1912■ 源码 | https://github.com/quyingqi/kbqa-ar-smcnn■ 解读 | 吴桐桐&#xff0c;东南大学博士生&a…

互联网(IT)大厂面试技巧(面经)

目录 前言 面试的正确姿势 实战 最后的总结 前言 虽然资历尚浅&#xff0c;但是也面过不少试&#xff0c;有Google、微软等外企大佬&#xff0c;也有BAT等国内巨头&#xff0c;工作的这几年也有幸当过几次面试官&#xff0c;小鹿这里呢就结合自己的亲身经历&#xff0c;聊…

「优知学院」淘宝技术架构的前世今生(上)

“ 淘宝技术架构经历从最初的LAMP架构&#xff0c;到IOE架构&#xff0c;再到分布式架构&#xff0c;再到去IOE&#xff0c;最后到现在的云计算平台架构这一变化过程在不断解决上面的技术问题&#xff0c;可以说淘宝技术架构的演变就是活生生的一本架构教科书。 这次为大家带…

十大双跨平台整体发展情况盘点

在2019年国家级双跨平台发布一年之际和新一轮遴选开场之前&#xff0c;相关媒体“从战略演进、平台发展、资源汇聚及行业应用四个维度九个细分指标”&#xff0c;对十大双跨平台整体发展情况通过“一张图”的形式做了一次盘点&#xff08;图略&#xff09;。 我们通过对图中指…

论文浅尝 | 知识图谱问答中的层次类型约束主题实体识别

Citation:Qiu, Y., Li, M., Wang, Y., Jia, Y., & Jin, X.(2018). Hierarchical Type Constrained Topic Entity Detection for Knowledge Base Question Answering. Companion of the Web Conference (pp.35-36).动机对于 KBQA 任务&#xff0c;有两个最为重要的部分&…

机器学习中的范数规则化之(一)L0、L1与L2范数

机器学习中的范数规则化之&#xff08;一&#xff09;L0、L1与L2范数 zouxy09qq.com http://blog.csdn.net/zouxy09今天我们聊聊机器学习中出现的非常频繁的问题&#xff1a;过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问…

模型训练慢和显存不够怎么办?GPU加速混合精度训练

目录 混合精度训练 理论原理 三大深度学习框架的打开方式 Pytorch Tensorflow PaddlePaddle 混合精度训练 一切还要从2018年ICLR的一篇论文说起。。。 《MIXED PRECISION TRAINING》 这篇论文是百度&Nvidia研究院一起发表的&#xff0c;结合N卡底层计算优化&#x…

陈睿:架构设计之数据库拆分六大原则

架构设计之数据库拆分原则 数据拆分前其实是要首先做准备工作的&#xff0c;然后才是开始数据拆分&#xff0c;我先讲拆分前需要做的事情&#xff1a; 第一步&#xff1a;采用分布式缓存redis、memcached等降低对数据库的读操作。 第二步&#xff1a;如果缓存使用过后&#xf…

(摘要)新基建风口下,今年工业互联网平台将呈现十大新特征

目录一是提升核心能力成为平台发展的主攻方向二是垂直行业和产业集聚区应用爆发式增长四是数据驱动的制造范式正在形成五是平台加速推动大中小企业融通发展六是平台 “双创”生态体系初步形成七是平台采用知识图谱提升核心能力八是CPS和数字孪生崭露头角九是区块链支撑平台构建…

论文浅尝 | 基于知识图谱的子图匹配回答自然语言问题

本文转载自公众号&#xff1a;珞珈大数据。本次论文讲解的是胡森 邹磊 于旭 王海勋 赵东岩等作者写的论文-Answering Natural Language Questions by Subgraph Matching over Knowledge Graphs&#xff0c;主要是分享一些阅读论文的收获&#xff0c;希望能对正在学习自然语…

模式识别之特征提取算法

说明&#xff1a;此处暂时简单介绍下各种特征提取算法&#xff0c;后续完善。 前言&#xff1a;模式识别中进行匹配识别或者分类器分类识别时&#xff0c;判断的依据就是图像特征。用提取的特征表示整幅图像内容&#xff0c;根据特征匹配或者分类图像目标。常见的特征提取算法…

ACL2020 | 对话数据集Mutual:论对话逻辑,BERT还差的很远

一只小狐狸带你解锁 炼丹术&NLP 秘籍本文为MuTual论文作者的特别约稿编辑&#xff1a;rumor酱、夕小瑶前言自然语言处理是人工智能领域的掌上明珠&#xff0c;而人机对话则是自然语言处理领域的最终极一环。以BERT为代表的预训练模型为自然语言处理领域带来了新的春天&…