WikiDer > Большие промышленные данные - Википедия

Industrial big data - Wikipedia

Промышленные большие данные относится к большому количеству разнообразных Временные ряды генерируется на высокой скорости промышленным оборудованием,[1] известный как Интернет вещей[2] Термин появился в 2012 году вместе с понятием "Индустрия 4.0”, И относится к большое количество данных», Популярный в информационные технологии маркетинг, поскольку данные, созданные промышленным оборудованием, могут иметь больший потенциал ценность бизнеса.[3] Промышленные большие данные используют преимущества промышленных Интернет технологии. Он использует необработанные данные для поддержки управления принимать решение, чтобы снизить затраты на обслуживание и улучшить обслуживание клиентов.[2] Посмотри пожалуйста интеллектуальная система обслуживания для получения дополнительной информации.

Определение

Большое количество данных относится к данным, генерируемым в большом объеме, с большим разнообразием и с высокой скоростью, которые требуют новых технологий обработки, позволяющих лучше принимать решение, открытие знаний и оптимизация процесса.[4] Иногда также добавляется признак правдивости, чтобы подчеркнуть качество и целостность данных.[5] Однако для промышленных больших данных должно быть еще две буквы "V". Один из них - наглядность, которая относится к обнаружению неожиданных представлений о существующих активах и / или процессах и, таким образом, превращает невидимые знания в видимую ценность. Другой «V» - это стоимость.

Фон
Общая аналитика «больших данных» часто фокусируется на добыча полезных ископаемых отношений и фиксации явлений. Тем не менее, аналитика «промышленных больших данных» больше заинтересована в обнаружении физической первопричины особенностей, извлеченных из явлений. Это означает, что для эффективной аналитики «больших промышленных данных» потребуется больше ноу-хау домена чем общая аналитика «больших данных».
Сломанный
По сравнению с аналитикой «больших данных», аналитика «больших данных в промышленности» отдает предпочтение «полноте» данных над «объемом» данных, что означает, что для построения точной аналитической системы, основанной на данных, необходимо подготовить данные из разных условий труда. Из-за проблем со связью и нескольких источников данные из системы могут быть дискретными и несинхронизированными. Вот почему предварительная обработка является важной процедурой перед фактическим анализом данных, чтобы убедиться, что данные полны, непрерывны и синхронизированы.
Плохое качество
В центре внимания аналитики «больших данных» - интеллектуальный анализ и обнаружение, а это означает, что объем данных может компенсировать низкое качество данных. Однако для «промышленных больших данных», поскольку переменные обычно имеют четкое физическое значение, целостность данных имеет жизненно важное значение для разработки аналитической системы. Низкокачественные данные или неправильные записи изменят соотношение между различными переменными и окажут катастрофическое влияние на точность оценки.

Технологии

Сбор, хранение и управление данными

Поскольку данные с автоматизированного промышленного оборудования генерируются с необычайной скоростью и в больших объемах, инфраструктура хранения и управления этими данными становится первой проблемой, с которой столкнется отрасль. В отличие от традиционной бизнес-аналитики, которая в основном фокусируется на внутренних структурированных данных и обрабатывает эту информацию в регулярных циклах,[6] Аналитическая система «Industrial Big Data» требует аналитики и визуализации результатов практически в реальном времени.

Первый шаг - собрать правильные данные.[7] Поскольку уровень автоматизации современного оборудования становится все выше, данные генерируются с растущего числа датчиков. Признание того, что параметры связаны с состоянием оборудования, важно для уменьшения объема данных, которые необходимо собрать, и повышения эффективности и действенности анализа данных.

Следующим шагом является создание системы управления данными, которая сможет обрабатывать большие объемы данных и выполнять аналитику практически в реальном времени. Чтобы обеспечить быстрое принятие решений, необходимо более интегрировать хранение, управление и обработку данных.[7] General Electric построила прототип инфраструктуры хранения данных для парка газовых турбин.[8] Доказано, что разработанная система на основе гридов данных в оперативной памяти (IMDG) способна обрабатывать сложные высокоскоростные и большие потоки данных при выполнении аналитики данных в режиме, близком к реальному времени. Они считают, что разработанная технология продемонстрировала жизнеспособный путь к реализации инфраструктуры пакетного управления «большими промышленными данными». По мере снижения цен на память такие системы станут центральными и фундаментальными для отрасли будущего.

Киберфизические системы

Киберфизические системы это основная технология промышленных больших данных. Киберфизические системы - это системы, требующие бесшовной интеграции вычислительных моделей и физических компонентов.[9] В отличие от традиционной операционной технологии, «промышленные большие данные» требуют, чтобы решение принималось в более широком масштабе, центральной частью которого является состояние оборудования. T Улучшение процессов еще больше повысит производительность и снизит затраты. Это соответствует миссии «Промышленные большие данные», цель которых - выявить понимание большого объема необработанных данных и превратить эту информацию в ценность. Это объединяет мощь информационных технологий и операционных технологий для создания информационной прозрачной среды для поддержки решений для пользователей различных уровней.

Образцы репозиториев

Каждое устройство в промышленной системе ежесекундно генерирует огромное количество данных. Ежедневно каждая машина на производственной линии генерирует миллиарды образцов данных.[1] Например, Боинг 787 генерирует более половины терабайт данных за рейс.[10] Очевидно, что объем данных, генерируемых группой единиц в промышленной системе, намного превышает возможности традиционных методов, поэтому их обработка, управление и обработка будут сложной задачей.

В течение последних нескольких лет исследователи и компании активно участвовали в сборе, организации и анализе огромных промышленных массивов данных. Некоторые из этих наборов данных в настоящее время доступны для публичного использования в исследовательских целях.

НАСА хранилище данных[11] является одним из самых известных хранилищ данных для промышленных больших данных. Различные наборы данных, предоставленные этим репозиторием, могут использоваться для прогнозный анализ, обнаружение неисправности, прогноз, так далее.

Я БЫИмя репозиторияОписание данных
1Набор данных Algae Raceway3 эксперимента по небольшим каналам для биомассы водорослей
2Набор данных композитов CFRPЭксперимент безотказной работы с панелями из углепластика
3Набор данных фрезерованияОпыты на фрезерном станке для разных скоростей, подач и глубины резания. Регистрирует износ фрезерной пластины, VB. Набор данных был предоставлен лабораторией BEST в Калифорнийском университете в Беркли.[12]
4Набор данных подшипникаЭксперименты на подшипниках. Набор данных предоставлен Центром интеллектуальных систем обслуживания (IMS) Университета Цинциннати.[13]
5Набор данных батареиЭксперименты на Li-Ion батареях. Зарядка и разрядка при разных температурах. Записывает импеданс как критерий повреждения. Набор данных был предоставлен Prognostics CoE в NASA Ames.
6Набор данных моделирования деградации турбовентиляторного двигателяМоделирование деградации двигателя было выполнено с помощью C-MAPSS. Были смоделированы четыре различных набора при различных сочетаниях рабочих условий и режимов неисправности. Записывает несколько каналов датчиков для характеристики развития неисправности. Набор данных был предоставлен Prognostics CoE в NASA Ames.
7Набор IGBT Accelerated Aging Sata SetПредварительные данные по термическому перенапряжению и ускоренному старению с использованием системы старения и определения характеристик. Набор данных содержит данные об устаревании от 6 устройств, одно устройство, устаревшее со смещением затвора постоянного тока, а остальные - с возведенным в квадрат смещением затвора сигнала. Регистрируются несколько переменных, и в некоторых случаях доступны высокоскоростные измерения напряжения затвора, напряжения коллектор-эмиттер и тока коллектора. Набор данных предоставлен Prognostics CoE в NASA Ames.
8Набор данных TrebuchetТраектории различных типов шаров, выпущенных из требушета с разным противовесом. Полеты были сняты на видео, и процедуры извлечения рассчитали положение данных. Предоставляются как необработанные видеоданные, так и извлеченные траектории. Доступны геометрия и физические свойства требушета.
9Набор данных подшипников FEMTOЭксперименты по ускоренным испытаниям на ресурс подшипников, предоставленные институтом FEMTO-ST, Безансон, Франция.[14]
10Случайный набор данных об использовании батареиАккумуляторы непрерывно переключаются со случайно сгенерированными профилями тока. Эталонные циклы зарядки и разрядки также выполняются после фиксированного интервала случайного использования, чтобы обеспечить эталонные контрольные показатели состояния аккумулятора.
11Набор данных электрического напряжения конденсатораКонденсаторы подвергались электрическому напряжению при трех уровнях напряжения: 10 В, 12 В и 14 В. Набор данных содержит данные EIS, а также данные сигнала заряда / разряда.

Примеры сценариев использования промышленной аналитики больших данных

Использование машинное обучение и прогнозная аналитика алгоритмов, большие промышленные данные могут помочь создать ценность в различных сценариях использования, таких как профилактическое обслуживание (прогнозирование и предотвращение отказов машин или компонентов, например машин для производства im, самолетов, автомобилей, поездов, ветряных турбин, нефтепроводов и т. д.), прогнозирование качества продукции на ранних этапах производственного процесса и оптимизация качества продукции (например, в сталелитейная промышленность), прогнозирование и предотвращение критических ситуаций в непрерывных производственных процессах (например, в химической промышленности), прогнозирование срока службы изделий (например, автомобильных двигателей, компонентов ветряных турбин, аккумуляторов и т. д.), прогнозирование планов сборки для новых трехмерных конструкций изделий ( например, для компонентов двигателей грузовиков, бытовой техники, таких как стиральные и сушильные машины и т. д.), прогнозирование спроса на энергию, прогнозирование спроса, прогнозирование цен и многие другие варианты использования (см., например, Конференция по промышленным данным (IDS 2017 и IDS 2019[15]).

Рекомендации

  1. ^ а б «Рост промышленных больших данных» (PDF). Интеллектуальные платформы GE. 2012 г.
  2. ^ а б Миллман, Ник (февраль 2015 г.). «Большие данные для извлечения выгоды из промышленного Интернета вещей». Computer Weekly. Получено 19 марта, 2017.
  3. ^ Келли, Джефф. «Промышленный Интернет и аналитика больших данных: возможности и проблемы». Викибон.
  4. ^ Лэйни, Дуглас. «Важность« больших данных »: определение». Gartner. Отсутствует или пусто | url = (помощь)
  5. ^ Виллановский университет. «Что такое большие данные?».
  6. ^ ABB. «Большие данные и принятие решений на промышленных предприятиях».
  7. ^ а б Кортни, Брайан. «Промышленная аналитика больших данных: настоящее и будущее». Журнал InTech.
  8. ^ Уильямс, Дженни Вайзенберг; Aggour, Kareem S .; Interrante, Джон; МакХью, Джастин; Пул, Эрик (2014). «Объединение высокоскоростных и больших промышленных данных с помощью распределенного хранилища в оперативной памяти и аналитики». Международная конференция IEEE 2014 по большим данным (Big Data). С. 932–941. Дои:10.1109 / BigData.2014.7004325. ISBN 978-1-4799-5666-1. S2CID 7801639.
  9. ^ Национальный фонд науки. «Запрос программ: киберфизические системы (CPS)».
  10. ^ Финнеган, Мэтью (6 марта 2013 г.). «Боинг-787 позволяет создавать полтерабайта данных за рейс, - заявляет Virgin Atlantic».. ComputerworldUK.
  11. ^ Центр передового опыта прогнозирования НАСА (PCoE). «Наборы данных PCoE». Национальное управление по аэронавтике и исследованию космического пространства. Архивировано из оригинал на 2014-02-27. Получено 2015-10-30.
  12. ^ "Лучшая лаборатория Калифорнийского университета в Беркли".
  13. ^ «NSF I / UCRC для интеллектуальных систем обслуживания (IMS)».
  14. ^ «Институт ФЭМТО-СТ».
  15. ^ Клинкенберг, Ральф. «Industrial Data Science - IDS 2017 - Обзор сценариев использования». Конференция по промышленным данным (IDS 2017), Дортмунд, Германия, 5 сентября 2017 г .; слайды презентации и видео на www.industrial-data-science.org/talks/.