2018-12-15 11:11:05 cqacry2798 阅读数 437

2018 年12 月 6 -8日,由中国计算机学会主办,CCF大数据专家委员会承办的2018 中国大数据技术大会(BDTC),在北京隆重召开。超过140多位海内外技术专家及知名企业、高校、科研院所代表组成的实力讲师团、上千名技术开发者齐聚于此,聚焦大数据学习发展中的痛点及瓶颈,深入解析热门技术在行业中的实践和落地。昆仑数据首席数据科学家田春华博士受邀出席大会,并发表题为《工业大数据分析:挑战、机遇与方法》的主题演讲。

在这里我还是要推荐下我自己建的大数据学习交流qq裙: 957205962, 裙 里都是学大数据开发的,如果你正在学习大数据 ,小编欢迎你加入,大家都是软件开发党,不定期分享干货(只有大数据开发相关的),包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程,欢迎进阶中和进想深入大数据的小伙伴
 

 

田春华博士在演讲中谈到:在工业领域,企业希望最大程度地挖掘工业大数据的潜在价值并将其高效延伸至实际的细分场景,进而实现对工业业务理解的加深、降低实际决策所带来的不确定性。配合多个行业的生动案例,田博士向受众阐述了工业大数据的特质和挑战,介绍了工业大数据的应用场景与常见误区,并从实践方法、模型算法、分析软件、大数据平台等多个维度讨论其技术需求。

 

谈及工业AI的应用,田春华博士表示,在人工智能技术大热之前,工业大数据领域的分析人员就已经使用如深度学习、机器学习等新技术处理问题,并将其应用于一些数据量较大的工业应用。田博士介绍道:“在处理实际工业问题时,我们通常先用深度学习快速得到一个基准,然后再做一个白箱模型,因为工业界的一线操作人员还是希望模型具有可解释性。某种程度上,人工智能技术降低了加工特征的工作量和数据分析的门槛。”

在这里我还是要推荐下我自己建的大数据学习交流qq裙: 957205962, 裙 里都是学大数据开发的,如果你正在学习大数据 ,小编欢迎你加入,大家都是软件开发党,不定期分享干货(只有大数据开发相关的),包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程,欢迎进阶中和进想深入大数据的小伙伴

最后,田春华博士强调,工业大数据分析不是颠覆制造企业里传统的信息化,而是提供了一个基于数据的新视角,并不是有了大数据分析就能轻易地解决问题。工业大数据分析能否真正落地,依然取决于能否创造经济价值。价值的持续创造,必须与生产/管理流程和行业相结合,必须理解工业的特点、工业数据的特征和工业界的特殊要求。

 

 

中国大数据技术大会(BDTC)作为大数据领域极具影响力的行业盛会,已成功举办十一届,见证了大数据技术生态在中国的建立、发展和成熟。中国科学院院士、欧洲科学院外籍院士、北京理工大学常务副校长、CCF 大数据专家委员会主任梅宏教授, CCF 大数据专家委员会秘书长、中国科学院计算技术研究所副所长程学旗研究员,华东师范大学副校长、教授周傲英,美国罗格斯-新泽西州立大学正教授、百度商业智能实验室主任熊辉,阿里巴巴副总裁李飞飞等来自海内外的产学研各界精英专家领袖,分享大数据技术与产业现状及未来发展趋势。

2017-11-24 00:00:00 eNohtZvQiJxo00aTz3y8 阅读数 988


11月6日晚间下班时段,清数大数据产业联盟秘书处刘道全、范增伟和杨海变前往昆仑数据交流工业大数据行业的发展情况。巧遇昆仑数据CEO陆薇、副总秦磊和陈晨等正在休息区匆匆吃加班餐,而此次交流的对象CTO王晨还在接待前一拨客人,虽然已过下班点,仍有许多人在加班。

 


下面是基于此次与王晨交流讨论的部分内容,并结合我们对行业的观察理解,整理的关于工业大数据发展的一些看法,欢迎更多业界朋友一起深入交流,您的见解、问题和需求可以邮件发送到刘道全邮箱(daoquan.liu@tsingdata.com),我们将及时给予反馈。 

 

工业大数据是工业企业转型升级的主要技术支撑,目前是增量市场,前景广阔。但当下仍处于发展初期,需要进行更多的市场教育和宣传。要与工业客户共同完成工业大数据平台的搭建,引导工业客户发掘数据的价值,把工业大数据的行业驱动力展现出来,才能做大整体行业市场规模。当前工业大数据的发展存在一些挑战,同时也潜藏着相应的机遇。

 

1、中小工业企业数据基础薄弱,开展相关业务需要另辟蹊径。

 

相对而言,大型工业企业的数据基础较好,前期的自动化和信息化工作相对比较完备,对大数据技术应用的认识相对理性,并且对大数据项目具有较强的付费意愿和能力,同时对国际市场竞争更为敏感,成为目前尝试和应用工业大数据的主体。所以,各类工业大数据产品与服务的提供商首先瞄准的都是这类大型企业客户,昆仑数据也是如此,目前主要客户来自风电、电子制造、石油石化等领域的龙头企业。要服务好这类大型企业并不容易,需要工业大数据产品和服务提供商的技术等各方面的软硬实力都足够强大。

 

与此同时,中国大部分中小企业对工业大数据的理解参差不齐,总体上自动化和信息化水平相对较弱,开展工业大数据的基础条件并不完备,至少大部分中小型工业企业应用工业大数据往往需要前期完成一系列的设备和系统改造等工作,很难在短时间内看到并获取实际的成效。由此造成大部分中小型工业企业,一方面试图与行业趋势接轨,接触和认识工业大数据,其中部分企业也在积极尝试大数据升级改造;但另一方面短期内投入成本与收益并不成正比,更多的中小型企业对工业大数据仍然处于观望和犹豫之中。试图直接将适用于大型企业的工业大数据产品与服务卖给中小型工业企业的方法至少目前来看并不合适。

 

那针对中小型工业企业的大数据产品和服务是否完全没有市场呢?首先,从行业发展的总体趋势上看,这类市场未来发展空间巨大,特别在长三角和珠三角等工业集中区,大量中小型工业企业具有转型升级的需求;另外,从我们观察到的行业情况来看,针对中小企业的工业大数据产品或服务需要在商业模式上进行创新,而传统互联网的部分经验在一定程度上可以借鉴,政府等更多相关方也可以参与到整个服务链路中来,但目前并没有适合所有地方和所有工业行业的模式,所以需要从事相关业务的企业继续摸索与验证。

 

2、工业大数据领域资本的能动作用有限,需要真正解决工业客户的需求和问题。

 

在传统互联网消费领域,资本频频推动行业的爆炸增长和整合,比如曾经的打车领域以及如今的共享单车等领域。然而工业大数据领域与消费互联网领域的基本逻辑不同,工业大数据领域的准入门槛极高,不同行业不同客户对工业大数据的具体需求并不完全一致,并且工业企业客户对交付成果的要求较高,每个客户要求交付的成果也并非完全标准化的产品。如果没有核心技术、没有对工业客户需求的理解,投入再多的资本都是白搭。纯粹依靠资本推动某家或某几家工业大数据产品与服务提供商占领大部分市场几乎是不可能的。

 

在工业大数据领域如要立足,不仅需要工业领域的专业知识,去理解工业客户的业务问题和需求,还要综合运用数据分析的技术和方法,去解决生产、运维等环节的实际业务问题。由于工业产业链涉及的环节众多,工业大数据的应用将逐渐渗透各个环节,工业客户对大数据产品和服务的需求也将越来越精细化。这就要求工业大数据产品与服务提供商切入大型工业客户后,需要提升演进服务的能力以满足这些日益精细化的大数据需求,即便服务的工业客户数量不是很多,但只要把握机会伴随工业客户共同成长,就能逐渐形成一定的行业影响力,且保持较高水平的业务增长。

 

3、工业大数据产品与服务的标准化和规模化之路漫漫,苦修内功延伸客户价值。

 

按照国民经济分类标准,工业制造涉及30个大的门类,200余个细分行业,每个行业均有许多独特的行业知识和原理,每个行业对大数据的需求和应用不尽相同,基本上需要为每个行业定制一套满足行业需求的大数据解决方案。这就决定了任何一家工业大数据企业不可能做到所有行业通吃。每进入一个新行业,都需要经过大量的行业调研,理解行业的主要业务和关键环节,所以工业大数据产品与服务在行业间的标准化至少短期来看存在较大困难。


此外,同一行业间不同企业对工业大数据的需求不尽相同,需要针对工业客户的具体需求提供定制化的技术和数据服务也是现阶段行业的普遍现象,工业大数据规模化发展之路仍然存在较大挑战。

 

在探索标准化、规模化发展的漫漫长路上,工业大数据产品与服务提供商发展策略也需要适当调整以适应行业的不同发展阶段。类似昆仑数据等已经在工业大数据领域初步立足的企业,通常拥有几家、十几家或者几十家客户不等,现有客户大多数是行业龙头的大型企业,而成为该类型客户的长期合作伙伴后,以每年取得几百万到几千万不等的合同总额估算,如果能够长期为5~10家这类大型客户提供服务,即有可能实现亿元量级的年营收。当然这就要求工业大数据产品与服务提供商能够苦修内功,深入理解客户的业务,从而不断为工业客户创造价值。

 

作者:刘道全

校对:丁楠雅

为保证发文质量、树立口碑,数据派现设立“错别字基金”,鼓励读者积极纠错

若您在阅读文章过程中发现任何错误,请在文末留言,或到后台反馈,经小编确认后,数据派将向检举读者发8.8元红包

同一位读者指出同一篇文章多处错误,奖金不变。不同读者指出同一处错误,奖励第一位读者。

感谢一直以来您的关注和支持,希望您能够监督数据派产出更加高质的内容。

2019-02-22 15:05:25 D_Uni 阅读数 134

中国-北京[2018.10.31]

2018年10月31日,全球前沿数据保护与流通、数据管理方案提供商颉一软件已完成 由原颉一数据池化平台 到 颉一昆仑数据库池化系统的重大升级。颉一昆仑数据库池化系统是基于数据库虚拟化技术,对企业数据进行集约化全生命周期管理的数据池化系统。历时三年,经过与标杆用户的深度合作,通过大量市场实践与验证,颉一昆仑即将于近期面向市场,正式对外发布,敬请期待!

传统企业 | 需要一个数据全生命周期管理平台

近年来,随着市场热点迅速聚焦于数字经济,中国已成为全球数字经济的引领者之一,随着而来的问题:

  • 爆发式的数据增长体量
  • 企业面临的数据安全风险
  • 逐年上涨的IT投入成本
  • 数据管理的效率问题
  • 数据缺乏管控

以上种种严峻现实,时时处处考验着企业基础数据架构的安全、稳定、延展与可用等综合能力,加之传统企业正面临数字化转型的关键节点,在高质量与快速的测试交付能力等方面仍远落后于互联网企业。

因此,加快实现数据管理现代化与自动化成为传统企业刻不容缓的难题。对于核心数据颇具价值的传统企业而言,想解决这一难题,就需要一个数据全生命周期管理平台。

实践成果 | 颉一昆仑数据库池化系统

颉一软件凭借核心团队二十余年在全球数据挖掘、分析、架构与管理领域丰富且深厚的技术积淀,与对国内用户的深入洞察,在为国内大型银行与运营商等标杆用户量身定制建立原颉一数据池化平台的基础上,经过大量市场技术实践与验证,历时三年,最终完成技术产品化实践成果——颉一昆仑数据库池化系统。该系统打通了组织内部数据的流通,是组织业务创新和转型的基础。

颉一昆仑重新梳理并简化了原平台的诸多定制化功能,更聚焦于数据保护、副本管理、DevOps、自助分析四大场景,重点优化完善了:

  • 实时备份与快闪恢复

  • 快速数据环境准备

  • 时间线管理

  • 数据多版本管理与切换

  • 全新版可视化操作界面

致力于打造“找得到、用得活、靠得住、连得通、玩得转”的用户体验。

颉一昆仑-数据测试环境准备

价值与性能

该系统涵盖副本与测试数据资产的集中管理,时间线管理,按需任意时点的快速数据提供,以及数据的多版本管理和切换,来支撑各种不同类型不同场景不同环境中的软件测试、备份与恢复、数据迁移等业务。

该系统基于数据库虚拟化技术,通过池化企业结构化数据,赋能企业:

  • 集约化全生命周期管理

  • 轻量存储所有副本数据

  • 按需高效的数据环境供给

  • 实时数据库恢复/同步

  • 基于时间线的数据库版本管理

同时具备:

  • 传输和存储的透明压缩,无需解压
  • 对生产源端低扰动
  • 多重数据库保护机制,保障数据安全
  • 企业级服务质量,保障业务连续性

应用场景

数据保护

通过连续备份和快闪恢复等技术,实现数据库的高可用性,保证关键业务的连续性

副本管理

为企业内部的大量数据库副本提供统一、高效的数据池化管理,显著降本提效,提高数据安全保障

DevOps

为应用的开发/测试/准生产提供数据库池化管理,从而提供应用全栈DevOps解决方案

自助分析

按需为商业数据分析提供数据交付服务和数据全生命周期管理

用户评价

“D-Uni 颉一软件不只有产品,它更是一种赋能企业的原动力。”

——数据库运维总监, 中国某商业银行

“D-Uni 颉一软件的解决方案旨在填补该行业的一个关键缺口。在今天的数据时代,尤其是在混合云环境下,我们都想在云上一键式创建我们的系统和工具等内容,这些都是数据科学家和分析师所需要的。
但是想做到这一点,您首先需要实现数据的敏捷性,实现能够快速访问任何数据库平台和来自不同数据源的数据。这也正是颉一正在一步步实现的创举。”

——数据技术团队首席顾问, 某国际投资集团

颉一科技-数据敏捷层

长按识别二维码关注我们

颉一科技

D-UNI 颉一科技以全球领先的第四代数据库虚拟化技术为核心,为企业用户提供数据池化产品,升级企业核心数据服务能力,

为用户打造基于数据的创新能力平台,赋能企业实现核心数据的敏捷化、服务化和资产化,助力加速数字化转型进程。

微信公众号 : 数据敏捷层

官网:www.d-uni.com

2019-12-09 11:21:07 weixin_42966247 阅读数 207

昆仑通态触摸屏用串口与西门子200通讯,用网口做数据中转,把PLC数据转发给其他modbusTCP客户端

背景

有一个升级改造的项目,想要用上位机采集PLC的数据,存储到数据库中,然后再做其他处理。现有的设备是西门子200的PLC通过串口和昆仑通态的触摸屏通讯。有一下几个方案:

1、通过PLC的485串口,直接和上位机用PPI协议通讯。

分析:
串口通讯速度慢。如果上位机没有485口,需要增加一个USB转485的数据线。PPI协议不是通用的通讯协议,上位机软件处理起来比较费劲。

2、通过PLC的串口,用modbus RTU协议和上位机通讯。

分析:
串口通讯速度慢。如果上位机没有485口,需要增加一个USB转485的数据线。需要在PLC程序中配置一个modbus的从站,但是项目中是一个成套设备,没有源代码,所以这个不好加。

3、给PLC扩展一个CP243-1模块,使用S7协议和上位机通讯。

分析:
增加模块需要增加成本。这个模块不一定有空间加。S7协议不是通用的通讯协议,上位机软件处理起来比较费劲。

4、用昆仑通态的触摸屏做数据转发,通过触摸屏和上位机实现modbus TCP通讯。

分析:不用增加成本,在原来设备的基础上就可以实现。原来的画面不多,即使拿不到源代码,重新做一个昆仑通态的程序也不麻烦。
通过以上的分析,决定使用第4个方案。下面测试一下该方案的可行性。
测试包括下面3个部分:
1、配置昆仑通态触摸屏和西门子200的串口通讯。
2、配置昆仑通态触摸屏的modbus TCP数据转发。
3、用调试软件测试昆仑通态触摸屏转发的数据是否正常。

第一步配置西门子200。

系统块中通信端口配置如下:
系统块通讯端口配置
这个通信端口是和昆仑通态触摸屏做通信的。
选出几个地址,写入不同的值,等待测试用。
选出的地址用于测试

第二步,配置昆仑通态触摸屏,使触摸屏和PLC建立通信。

新建变量,直接用西门子地址表示
昆仑通态触摸屏实时数据库
在昆仑通态设备窗口中,添加通用串口父设备,然后在下面加西门子_S7200PPI驱动,如下图所示:
设备组态
配置通用串口父设备的参数
串口通讯参数
配置西门子S7200PPI驱动的参数,并新建和西门子PLC的通讯的通道,将变量和通道进行关联。
在设备组态中建立数据通讯通道
把通道和数据库内变量对应起来
组态画面,将新建变量显示出来,方便观察。
昆仑通态组态画面
将以上程序分别下到PLC和触摸屏中,根据触摸屏的硬件手册做一根通讯线
西门子200PLC和昆仑通态触摸屏通讯数据线制作方法
将通讯线连接PLC和触摸屏,然后观察通讯状态,触摸屏和PLC通讯正常。

第三步,配置数据转发参数。

在设备窗口中添加通用TCPIP父设备,然后在该父设备下面添加一个modbusTCPIP数据转发设备驱动。
modbus TCPIP设备驱动
配置通用TCPIP父设备参数
配置父设备参数
其中服务器/客户设置选择服务器,意思是触摸屏作为服务器。本地IP地址为触摸屏IP地址,本地端口可以随意设置,这个要和测试软件上的地址和端口一致。远程IP地址和远程端口号可以不设,测试没问题。
配置数据转发设备参数
数据转发设备参数
在内部属性中添加通道
添加通道
注意,这个通道是modbusTCP通讯的通道,用调试软件测试的时候,就是和这个通道通信的。
将新建的通道和触摸屏的变量对应起来,建立连接。
通道与变量建立连接
这样的话,上位机就可以通过读写触摸屏的40001这个地址来和PLC的VW100这个地址进行数据交互。下好程序,连好网线,打开modbusTCP调试软件进行测试。
modbus TCPIP调试软件
变量地址范围
从调试软件中可以看到,读取到的40001的数据和PLC中VW100的数据是一致的。40002中的数据和PLC中VW102的数据是一致的。下面的双字和浮点数,只是编码格式的问题。在调试软件中,给40001写入一个值从调试软件给PLC写数据
调试软件监控情况
PLC变量地址监控情况
可以看到写入成功了。
测试完成并通过,方案可行。

2018-01-08 00:00:00 dzJx2EOtaA24Adr 阅读数 643

“真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和智能决策,通过在两化融合的基础上构建的智能分析优化系统“工业大脑”,进行相应的智能决策。”


近年来,工业大数据逐渐从概念走向落地阶段,数据基础较好的一些细分工业领域,已经在利用新兴的大数据等技术创造价值。昆仑数据科技公司首席运营官陈晨阐述了大数据如何推动中国工业转型升级、产业变革,以及工业大数据的特点难点,行业中面临的挑战和实施路径。



图:12月26日,清数大数据产业联盟与清华校友总会AI大数据专委会(筹)共同主办的清数思享会系列活动首次在天津武清举办。陈晨在会上做了相关分享。


大数据文摘对本次分享的精彩内容进行了整理,在不改变原意的前提下有删改:

 

工业革命的关键技术要素是工业大数据。各个产业大国都面临着从传统制造业向制造服务业转型的压力。美国的应对方法是工业互联网革命,德国提出实施工业4.0战略,我们国家提出“中国制造2025”战略规划。美国的工业互联网侧重于用互联网激活传统工业带动产业变革,关键是通过大数据的分析能力实现智能决策。德国4.0的本质是基于“信息物理系统”实现“智能工厂”标准化,”中国制造2025”战略将工业互联网和智能制造两者进行有机的结合。

 

面对新一轮的工业革命,要以信息化和工业化的深度融合为基础进行智能化升级。真正的大数据不是有了数据,把这些数据接入之后存起来就可以了,真正要做的事情是智能分析和智能决策,通过在两化融合的基础上构建的智能分析优化系统“工业大脑”进行相应的智能决策。这些智能分析与决策离不开原有的信息化系统和自动化系统的支撑,更离不开产生这些数据的实体设备与装备。工业大数据的来源其中一部分是生产经营领域的数据,另外很大一部分则是生产设备和生产出来的高端产品与装备在运营过程中产生的机器数据。基于这些数据集成实体运行所在环境数据,在信息管理系统和自动化系统基础之上,构建具备智能分析优化能的大数据系统 ,达成提质、增效、降耗和控险的目的。

 

工业大数据可以分为三类,一部分是工业物联网数据,比如生产设备、智能产品、复杂装备24小时不断产生的数据。一部分企业信息化数据,同时还有很重要的一部分数据是外部跨产业链的数据,包括设备在运行过程中所处的环境数据,比如气象数据、地理数据、相应的环境数据,这三种数据合计才能称之为工业大数据。

 

工业大数据的挖掘就是把工业物联网数据与跨产业链数据以及企业信息化数据相结合,把分散在企业各个角落里的数据进行整合,挖掘这些数据融合所能产生的价值。

 

工业大数据的特点:多模态、高通量以及强关联


多模态。

在工业系统里数据种类、数据格式以及数据结构非常多,结构关系复杂。一个汽轮机里面会有上万个零部件,一个复杂装备的制造企业,它的数据种类多达三百余种,所以在工业领域里会存在数据多模态特征。

 

高通量。

即无论是生产设备还是智能装备有可能是24小时不间断产生数据的,我们以分、秒的频率采集数据,在很多应用场合甚至是毫秒级的数据。这些数据的数据量非常大,海量的设备与测点,数据采集频度高、数据吞吐总量大、数据的实时性要求高,呈现出工业大数据的“高通量”特征。

 

强关联。

真正做一个产品设计的时候,它涉及到学科与专业是非常多的,比如设计复杂装备的时候,不仅仅是涉及到结构分析,流体力学、声学、动力学、电磁辐射等等各个学科的数据都要进行关联。数据之间的“强关联”反映的就是工业的系统性及其复杂的动态关系。

 

基于工业大数据的特点,工业大数据的数据分析与消费互联网领域里的数据分析是有相当大的差别的。消费互联网大数据的分析对象更多的是以互联网为支撑的交互,工业大数据实际上是以物理实体和物理实体所处的环境为分析对象,物理实体就是我们的生产设备以及生产出来的智能装备及复杂装备。在商业数据里面关注数据的相关性关系,但是在工业领域里面一定要强调数据因果性,以及模型的可靠性,一定要提升分析结果的准确率才能把分析结果反馈到真正的工业控制过程中。

 

工业大数据面临的挑战


企业应用工业大数据面临的技术挑战。企业普遍面临数据基础薄弱的境况,企业收集的数据不够,甚至没有数据。企业真的要在数据转型有战略上的调整,它才会有较大的投入,如果它没有这种战略规划的时候,很难负担得起专业数据人才的成本。市场上也缺乏工业大数据所需的复合型人才。另外每个工业领域里都有独特的知识领域和机理形成的行业门槛,没有一个普适性的解决方案可以在工业领域里通用。行业解决方案,只会对某一个行业才能发挥相应的价值。

 

企业应用工业大数据面临的管理挑战。很多合作伙伴或者客户初期并不知道数据和业务问题之间怎么关联,怎么和业务结合都不清楚,不知道数据到底能不能解决业务问题。有的企业有应用工业大数据的愿景,但是业务与工业大数据的实施路径都没有统一。


大数据不仅仅是物联网数据采集与存储,包括数据的管理、分析与反馈,需要在数据生命周期内构建一个闭环系统,构建这个闭环需要一个过程,不可能一蹴而就。同时,大数据的应用会涉及到企业内部管理流程和经营理念的变革,工业大数据是把工业领域内三类数据进行融合应用,真正发挥大数据的价值的场景不仅是智能制造,同时也包括产业互联网里业务模式创新,所以相应的经营理念和管理机制都要发生变革。这是企业在管理方面面临的最大的挑战。所以有时候大家会看到,工业企业的大数据应用甚至都不仅是一个企业的CIO所能牵引的,这需要整个企业在战略层面去推动,要有明确的数据驱动的业务战略规划。

 

工业大数据的业务落地


通常来讲,在与企业规划工业大数据业务落地可以从两个维度与企业一同进行思考。一方面是从业务驱动角度来看,要思考企业的整体业务目标是什么,为了实现这个业务目标要做什么样的转型以及哪方面的能力提升,具体的业务提升和转型方向是什么;为了实现业务目标,理想的业务流程是什么,如何让这个流程跟数据流进行相应的结合和映射。这是一个由上而下的思考过程,是企业的高层管理者、战略管理者进行思考并牵引,通过中间管理层完善与丰富,最后落地实施的过程。很多时候大数据应用确实可以解决业务问题,但也可能解决不了所有的业务问题。大数据应用真正帮助企业的不仅仅是在于具体业务问题的解决层面,它是要让企业构建对数据驾驭的能力,当企业具备了这种能力后,才能够真正让企业在内部的生产管理、对外的经营模式上产生变化,真正形成持续的创新与应用的能力。

 

如何利用数据进行驱动。第一是去看现在手里有什么样的数据,这些数据从哪儿来,如果没有这些数据要怎么收集,以及这些数据的特点到底是什么,是时序数据、时空数据、智能产品产生的数据、生产设备产生的数据,数据量到底有多大;第二是对这些数据有了了解以后,这些数据怎么保存、管理、使用,另一个比较重要的则是数据质量怎么保证。第三是用什么样的系统、什么样的工具保证数据存储、数据管理、数据处理?同时这些数据到底如何进行集成、关联,不仅仅要把设备产生的数据拿来进行分析管理,还要在分析过程中关联周边的环境数据、地理数据等跨界数据。

 

工业大数据价值实现的场景


工业大数据应用场景主要可以归纳为两个场景,一个是围绕制造全生命周期的业务创新即先进制造,通过大数据驱动的创新产品设计、智能制造、智能服务,实现“提质、增效、降耗、控险”,达到提升企业在行业内竞争力的目的;另一个是产业互联网新业务创新(制造+互联网):以智能联网的工业产品为载体承载服务产品周边生态系统的产业互联网业务,达到开创新兴市场和业务模式的目的。

 

工业大数据应用案例


工业大数据在工程机械领域应用案例。


工程机械设备大都在野外作业,作业环境恶劣,作业工况复杂。基于工程机械大数据解决方案实时监测设备状况,实现对设备的预防性维修及服务,在设备发送故障前,主动预警并触发维保方案, 基于设备运行状况大数据分析,为企业带来新的决策创新-助力企业准确判断市场热度、实现产品精准营销、产品改进和企业风险管控。


工业大数据在风电领域应用也体现出巨大的价值。基于工业大数据分析平台,从故障预警、运营优化等方面着手挖掘大数据价值,取得明显成效。风机的设计/仿真数据、运维档案、风机状态监测数据、测风塔观测数据、气象数据、地理信息等风电数据资源池统一整合到工业大数据分析平台,通过装备智能化、供应链协同、跨生态整合三条路径,逐步实践风电装备制造的数字化升级。在既有业务提质增效的基础上,进一步驱动产业互联新业务。

 

往期精彩文章

点击图片阅读

2017败北清单:人工智能在这些游戏中战胜了人类

没有更多推荐了,返回首页