Teknologier och tillämpningar av industriell Big Data

Jun 23, 2025 Lämna ett meddelande

Industriell big data hänvisar till alla typer av data och relaterade teknologier och applikationer som genereras inom det industriella området kring den typiska intelligenta tillverkningsmodellen, från kundefterfrågan till försäljning, beställningar, planering, forskning och utveckling, design, process, tillverkning, inköp, leverans, lager, leverans och leverans, efter-hela service, drift och underhåll av varje produkts återanvändning eller återvinningscykel. Industriell big data är kärnan i intelligent tillverkning, baserad på "big data + industrial Internet", cloud computing, big data, Internet of Things, artificiell intelligens och annan teknik för att leda förändringen av industriella produktionsmetoder, och driva den innovativa utvecklingen av den industriella ekonomin.


Detaljerad beskrivning av industriell big data-teknik och tillämpning


I. definitionen av industriell big data


Industriell stordata hänvisar till industriområdet, kring den typiska intelligenta tillverkningsmodellen, från kundefterfrågan till försäljning, beställningar, planering, forskning och utveckling, design, process, tillverkning, upphandling, leverans, lager, leverans och leverans, efter-service, drift och underhåll, skrotning eller återvinning och återtillverkning av hela produktlivscykeln för hela termen av produktlivscykeln och olika typer av relaterade teknologier och olika typer av relaterade, generella, tekniska och tekniska aspekter. applikationer. Den är centrerad på produktdata, vilket avsevärt utökar omfattningen av traditionell industriell data, och inkluderar även industriell big data-relaterade tekniker och applikationer. De huvudsakliga källorna till industriell big data är följande tre kategorier.


1. Affärsdata relaterade till produktion och drift


Produktions- och driftsrelaterade-affärsdata kommer huvudsakligen från omfattningen av traditionell företagsinformation och lagras i företagsinformationssystem, inklusive traditionell industriell design och tillverkningsprogramvara, företagsresursplanering (ERP), produktlivscykelhantering (PLM), hantering av försörjningskedjan (S CM), hantering av kundrelationer (CRM) och miljöledningssystem (EMS), etc. Dessa företagsinformationssystem har samlat på sig en stor mängd data. Dessa företagsinformationssystem har samlat en stor mängd produktutvecklingsdata, produktionsdata, driftdata, kundinformationsdata, logistik- och leveransdata samt miljödata. Denna typ av data är den traditionella datatillgången inom industriområdet och utökar gradvis sin räckvidd under miljön av nya tekniska applikationer som mobilt Internet.


2. Utrustning IoT-data


Utrustnings IoT-data avser huvudsakligen industriell produktionsutrustning och målprodukter i IoT-driftläget, real-generering och insamling av data som täcker drift och drift, arbetsförhållanden, miljöparametrar och annan data som återspeglar driftstatus för utrustning och produkter. Sådan data är den nya och snabbast växande källan till industriell big data. Smal industriell stordata hänvisar till denna typ av data, det vill säga en stor mängd data som genereras snabbt av industriell utrustning och produkter och förekomsten av tidsserieskillnader.


3. Externa data


Extern data avser industriföretags produktionsaktiviteter och produkter relaterade till företagets externa Internet-datakällor, till exempel utvärdering av företagets miljöprestanda för miljöbestämmelser, förutsägelse av produktmarknadens makro-socio-ekonomiska data och så vidare. Industriell stordatateknik är en serie tekniker och metoder som gör det möjligt att utvinna och visa värdet i industriell stordata, inklusive dataplanering, insamling, för-förbehandling, lagring, analys och gruvdrift, visualisering och intelligent kontroll. Industriell big data-applikation är processen att integrera och tillämpa en serie industriella big data-tekniker och metoder på en specifik industriell big data-uppsättning för att få värdefull information. Forskningen och genombrottet för industriell big data-teknologi är huvudsakligen inriktad på att upptäcka nya mönster och kunskap från komplexa datamängder, och utvinna värdefull ny information, för att främja produktinnovation av tillverkningsföretag, förbättra nivån på drift och produktionseffektivitet och utöka nya affärsmodeller.

 

II. Industriella big data-egenskaper


Förutom egenskaperna hos allmän big data (stor datamängd, variation, snabbhet och lågt värdedensitet), har industriell big data också egenskaperna för tidssekvens, stark korrelation, noggrannhet och sluten slinga.


Stor datamängd:storleken på uppgifterna avgör värdet och den potentiella informationen för de uppgifter som övervägs. Industriell datavolym är relativt stor, ett stort antal-högfrekventa data från maskiner och utrustning och internetdata fortsätter att strömma in, och datamängderna för stora industriföretag kommer att nå PB- eller till och med EB-nivån.


Variety (variety):hänvisar till mångfalden av datatyper och ett brett utbud av källor. Industriell data är vitt spridd i olika aspekter som maskiner och utrustning, industriprodukter, ledningssystem och Internet, och strukturen är komplex, med strukturerad och semi-strukturerad avkänningsdata såväl som ostrukturerad data.


Snabb (hastighet):hänvisar till hastigheten för att erhålla och bearbeta data. Industriella databehandlingshastighetsbehov är varierande, krav på produktionsplats-nivå för analystidsram till millisekundsnivå, hantering och{2}}beslutsfattande applikationer måste stödja interaktiv eller batchdataanalys.


Lågt värde densitet (värde):industriell big data lägger mer vikt vid användarvärdedrivet-och användbarheten av själva datan, inklusive: förbättring av innovationsförmågan och produktions- och drifteffektivitet och främjande av personlig anpassning, tjänstetransformation och andra nya sätt för intelligent tillverkningsförändring.


Sekvens:Industriell Big Data har en stark tidssekvens, såsom order, utrustningsstatusdata.


Stark-relevans:Å ena sidan har data i samma skede av produktens livscykel stark relevans, såsom sammansättningen av produktdelar, arbetsförhållanden, utrustningsstatus, underhåll och kompletterande inköp av delar; å andra sidan måste data i olika stadier av produktens livscykel, såsom FoU och design, produktion och service, associeras.


Noggrannhet:hänvisar främst till uppgifternas äkthet, fullständighet och tillförlitlighet, och ägnar mer uppmärksamhet åt uppgifternas kvalitet samt tillförlitligheten av bearbetnings- och analystekniker och metoder. Högre förtroendekrav för dataanalys, att endast förlita sig på statistisk korrelationsanalys är inte tillräckligt för att stödja feldiagnos, förutsägelse och tidig varning och andra industriella tillämpningar, behovet av att kombinera den fysiska modellen med datamodellen, gruvdrift orsak och verkan relation.


Sluten-slinga:inklusive stängning och associering av datakedjan i den horisontella processen under produktens hela livscykel, såväl som den vertikala datainsamlingen och bearbetningsprocessen för intelligent tillverkning, som behöver stödja dynamisk och kontinuerlig justering och optimering under de slutna -slingorna med tillståndsavkänning, analys, feedback och kontroll.


På grund av ovanstående egenskaper har industriell big data, som en applikationsindustri för big data, ett brett tillämpningsperspektiv samtidigt som det utgör en stor utmaning för den traditionella datahanteringsteknologin och dataanalystekniken.


III. Industriell Big Data-arkitektur


Industriell big data-arkitektur innehåller tre dimensioner: livscykel och värdeström, företags vertikala lager och IT-värdekedja.


I livscykel- och värdeströmsskiktet kan det, enligt tillämpningsområdena för industriell big data, delas in i tre områden: produktutveckling och design innan produktens produktionsfas startar, produktions- och försörjningskedjan före produktleverans samt drift och underhåll och servicehantering efter produktleverans.


I det vertikala lagret av företaget, enligt datainsamlingsmetoden och applikationsnivån, kan det delas in i fysiskt informationssystemlager, företagsledningsinformationssystemlager och plattformssammankopplingssystemlager.


I IT-värdekedjeskiktet kan det delas in i affärsarkitektur, informationssystemarkitektur och IT-teknikarkitektur på tre nivåer, varav informationssystemarkitektur kan delas in i applikationsarkitektur och informationsarkitektur.


1. Livscykel och värdeströmsdimension


Livscykel- och värdeströmsdimensionen i den industriella big data-arkitekturen täcker stadierna av hela produktens livscykel, dvs FoU och design, produktion, logistik, försäljning, drift och underhåll samt service. Bland dem kan produktion, logistik och försäljning ytterligare kategoriseras i produktions- och försörjningskedja, och livscykel- och värdeflödesdimensionen inkluderar tre områden: FoU och design, produktion och leveranskedja samt drift och underhåll och service. Applikationsscenarierna för varje domän visas i figur 2.


01. FoU och design


FoU-data ackumuleras av FoU-personal under FoU- och designprocessen, som kommer från alla aspekter av produktens livscykel, inklusive: big data från användares efterfrågan, FoU-kunskap om big data, produktåteranvändning av big data, FoU-samverkande big data, etc., med tvär-produkter och tvär-bransch, och en mängd olika egenskaper.


Företag som designar personlig produktanpassning kan samla in användarnas personliga produktefterfrågan, produktkundinteraktion och transaktionsdata via internetplattformen. Att bryta och analysera dessa kunddynamiska data kan hjälpa kunder att delta i produktefterfrågeanalys och produktdesignaktiviteter för att uppnå skräddarsydd design, och sedan förlita sig på den flexibla produktionsprocessen kan du producera skräddarsydda-produkter för användarna.


Realisera simuleringsdesign baserad på stora data traditionella produktionsföretag i testning och verifiering av länken måste produceras i natura för att utvärdera dess prestanda och andra indikatorer, kostnaden med ökningen av antalet tester och stigande. Användningen av virtuell simuleringsteknik kan uppnå den ursprungliga FoU-designprocessen för simulering, analys, utvärdering, verifiering och optimering, och därigenom minska mängden tekniska förändringar, optimera produktionsprocessen, minska kostnader och energiförbrukning.


Förverkliga personlig anpassad designautomation baserad på stora data traditionella företagsprodukttyper, stilar är inte många, kan användas för att manuellt designa produktmodeller, produktionsprover och sedan massproduktionsproduktionsproduktionsläge, men inför personaliserade, små batchproduktionskrav kommer det traditionella läget att leda till att produktproduktionscykeln är för lång, kostnaden är för hög. Genom att ackumulera en stor mängd produktdesignmodelldata, analysera korrelationen mellan designdata och med hjälp av big data-teknologi och andra extra designverktyg kan automatiseringen av personlig anpassad design och modellgenerering realiseras.


Främja integrering och delning av FoU-resurser och innovations- och samarbetsdesignföretag genom att bygga och förbättra FoU- och designkunskapsbasen, för att främja de digitala ritningarna, standardkomponentbiblioteket och andra designdata inom företaget såväl som uppströms- och nedströmsföretag i försörjningskedjan för resursdelning och innovation och samarbete, för att förbättra företagets tvär-regionala förvaltnings- och utvecklingskedjor för företagsledningsresurser samarbetsdesignmöjligheter. Förbättra företagens förmåga att hantera och använda globala FoU-resurser, optimera och omorganisera FoU-processer och förbättra FoU-effektiviteten.


Odla nya sätt för FoU baserade på socialiserad delning och deltagande av designresurser, och gör det möjligt för företag att utföra nya FoU-sätt som crowdsourcing och crowdsourcing baserat på sina egna FoU-behov, för att öka företagens förmåga att utnyttja socialiserade innovations- och kapitalresurser.


02.Produktion och leveranskedja


Produktionsbigdata inkluderar inte bara produktproduktionsinformation, orderinformation, utrustningsinformation, kontrollinformation, materialinformation, personalens arbetsschemaläggning, utan inkluderar även internt ledningsinformationsflöde, kapitalflöde, produktproduktion av uppströms- och nedströmsleverantörer och kundhantering och annan relaterad produktionsledningsinformation, insamlingen av produktionsdata är beroende av företagets befintliga resurshantering, tillverkningsutförande, hantering av kundinformation, hantering av industriinformation, hantering av företag och annan information, hantering av leverantörer och annan information.


Den realiserar övervakning och hantering av produktionsprocessen i realtid- och förutsägande underhåll av produktionsutrustning, förbättrar ledningsnivån för produktionsprocessen och utrustningen, optimerar produktionsprocessen och förbättrar produktkvaliteten. Moderna produktionslinjer för industriell tillverkning är installerade med tusentals små sensorer för att upptäcka produktionsutrustningens arbetsstatus, såsom temperatur, tryck, värme, vibrationer och buller, etc. Användningen av dessa data kan realisera-realtidsövervakning av produktionsprocessen, diagnostik och förutsägelse av utrustningsfel, analys av energiförbrukning, analys av kvalitetsolyckor. Dessutom kan den också integrera och aggregera data från alla aspekter av tillverkningen, etablera virtuella modeller av produktionsprocessen, simulera och optimera produktionsprocessen.


Förverkliga personlig anpassad produktion i skala och främja etableringen av ett modernt produktionssystem. Genom automatiseringen av dataflödet i produktens hela livscykel och den automatiserade och intelligenta kontrollen av hela tillverkningsprocessen kommer det att främja informationsdelning, systemintegration och affärssamarbete, förbättra förmågan till precisionstillverkning, hög-tillverkning och agil tillverkning, förverkliga personlig anpassad produktion i skala, påskynda etableringen av smarta, moderniserade produktionssystem och smarta verkstäder, intelligenta produktionssystem och smarta produktionssystem.


Förverkliga nätverkssamverkande tillverkning och tillverkningsdelningsekonomi. Genom "Internet +", integration och optimering av produktionsresurser inom eller mellan företag, och förverkligandet av vertikal kollaborativ tillverkning inom företag eller horisontell kollaborativ tillverkning mellan företag. Genom Internet + delningsekonomi, delning av innovationsresurser, produktionskapacitet, lager och andra produktionsresurser för att förverkliga tillverkningsekonomin.

 

Optimera den industriella leveranskedjan. Elektronisk identifieringsteknik som radiofrekvensidentifiering (RFID), Internet of Things (IoT)-teknik och mobil Internetteknik kan hjälpa industriföretag att skaffa stordata om hela produktförsörjningskedjan, och användningen av sådan data för analys kommer att medföra en avsevärd ökning av effektiviteten för lagerhållning, distribution och försäljning samt en betydande minskning av kostnaderna.


Förverkliga efterfrågeprognoser för att bättre ordna inkommande varor och produktion, och när efterfrågan sjunker, spåra orsaken till problemet och lös det.


Förverkliga kundprofilering och precisionsmarknadsföring och kundbeteendeanalys, vilket kan utöka kundkällor, förbättra framgångsgraden för marknadsföring och ursprungliga kundnöjdhet och lojalitet.


03. Drift och underhåll och servicefält


Det finns många datakällor inom området drift och underhåll och service, främst inklusive:-driftstatusdata i realtid och omgivande miljödata som samlats in av sensorerna som är inbäddade i produkterna med kundernas tillstånd; produktförsäljningsdata som erhålls via affärsplattformen, kunddata och motsvarande produktutvärdering eller användningsfeedback; kundklagomål och motsvarande behandlingsregister; produktreturer/returer och motsvarande underhållsprotokoll.


Genom att övervaka och analysera driftstatusdata i realtid för produkter som samlas in på distans kan mervärde-tjänster online som fjärrövervakning och hantering, feldiagnos och förutsägande underhåll realiseras, vilket kan minska underhållskostnaderna och förbättra produktanvändningen.


Genom att analysera kundanvändningsdata och omgivande miljödata för utrustningen kan den också tillhandahålla utökade tjänster för användarna, utöka värdeutrymmet för produkterna och förverkliga omvandlingen av den produktcentrerade affärsmodellen till modellen "tillverkning + service".


Genom att analysera kundproduktutvärdering eller användningsfeedback, kundklagomål, inkludera användbara kommentarer i produktdesign och produktförbättringar och kategorisera kundklagomål, kan vi förbättra produktkvaliteten och-efterförsäljningens servicekvalitet, minska antalet klagomål och öka kundnöjdheten och lojalitet.


Genom att analysera orsakerna till produktretur eller reparation, och vidta snabba och effektiva åtgärder, kan vi förbättra produktkvaliteten och minska returfrekvensen och reparationsgraden.

 

2. Enterprise vertikalt lager


Det vertikala företagets skikt av industriell big data-arkitektur är uppdelat i fem skikt ur den fysiska domänens perspektiv nerifrån och upp, vilka är utrustningsskikt, kontrollskikt, verkstadslager, företagslager och samverkanslager. I utrustningslagret, kontrollskiktet och verkstadslagret kan Internet of Things användas för att realisera smarta fabriker baserade på det fysiska informationssystemet; i företagslagret integrerar företaget olika interna informationsapplikationer, utför integration och transformation av interna affärsprocesser och förbättrar företagets operativa effektivitet; och i samarbetsskiktet används det industriella molnet och andra plattformstekniker för att förverkliga företagets externa samverkande tillverkning och innovativa affärsmodeller som den-tillverkningstjänstorienterade modellen. Företagets vertikala dimension kan delas in i tre delsystem: fysiskt informationssystem, informationssystem för företagsledning och sammankopplingsplattformssystem.


01. Information fysiskt system


Informationsfysiska system samlar in och aggregerar maskindriftsdata och produktionsplatsdata genom sensorer och olika informationssystem för att realisera allestädes närvarande avkänning, och tillämpar dataintegration och bearbetningsteknik för att samla in och utbyta industriell data, tillverkningsåterkoppling och kontroll, för att uppnå kontroll och interaktion med utrustning och verkstäder, för att förverkliga sammankoppling och interoperabilitet mellan interna och externa fysiska system i fabriker för att sedan tillhandahålla en databas och tillhandahålla en databas, och för att tillhandahålla en databas, beslutsfattande-optimering av verkstads-/fabriksverksamheten. Det tillhandahåller även dataunderlag för industriell modellering/simulering och analys, vilket i sin tur ger stödtjänster för verkstads-/fabriksdriftsbeslutsoptimering. I det vertikala lagret av det industriella big data-arkitekturföretaget är det fysiska informationssystemet som används för informationsinsamling på det industriella utrustningsskiktet baserat på big data, nätverk och massberäkningar, och genom kärnan intelligent perception, analys, gruvdrift, utvärdering, förutsägelse, optimering, samarbete och andra tekniska medel, kan beräkningen, kommunikationen och kontrollen realisera den organiska sammansmältningen och för att uppnå djupgående samarbete för att- cyberrymden och fysiskt utrymme för industriell utrustning, miljöer och grupper. Djup integration. Kärnan i informationsfysiska system ligger i att ansluta fysisk utrustning till Internet, så att fysisk utrustning har fem huvudfunktioner: beräkning, kommunikation, exakt kontroll, fjärrkoordinering och autonomi.


02. Informationssystem för företagsledning


Företagsinformation är processen att tillämpa informationsteknologi och produkter i företag. Företagsinformation är processen för omfattande genomträngning av informationsteknologi från lokal till global, från taktisk nivå till strategisk nivå för företag, tillämpar den på processledning och stödjer företagsdrift och ledning. Företagsinformation omfattar huvudsakligen produktionsprocesskontroll, företagsledning, produktlivscykelhantering, optimering av försörjningskedjan och ledningsprocesser. Informatisering av produktionsprocessstyrning fokuserar på produktutveckling och design, produktionsprocessflöde, verkstadsledning, kvalitetsinspektion och andra design- och produktionslänkar. Företagsledningsinformation är den största andelen av företagsinformationskonstruktion, den svåraste, den mest använda inom ett område, som involverar företagsledningsverksamheten och alla nivåer. Informatiseringskonstruktionen av företagsledning är att samla in, bearbeta, organisera och integrera informationsresurser effektivt genom applikationssystemet för informationsintegration på grundval av standardisering av ledningens grundläggande arbete och optimering av affärsprocesser, förbättrad förvaltningseffektivitet och tillhandahållande av-dynamisk hanteringsinformation och-beslutsinformation i realtid. Informatiseringen av företagsförsörjningskedjan gör att företagets produktions- och ledningsaktiviteter sträcker sig framåt och bakåt. Företag från anskaffning av råvaror, komponenter, transport, lagring, bearbetning och tillverkning, försäljning, fram till den slutliga leveransen och servicen till kunderna, bildar en kedjestruktur bestående av uppströmsleverantörer, mellanproducenter och tredje-tjänsteleverantörer, nedströmsförsäljningskunder och företagens produktionsaktiviteter, ledningsprocesser är föremål för dessa begränsningar och påverkan av leveranskedjan.


03.Anslutet plattformssystem


För närvarande står den industriella utvecklingen i Kina och de flesta länder inför stora svårigheter och utmaningar, inklusive: allvarlig överkapacitet, bristen på personliga produkter, produkterna blir mer och mer komplexa, produktionsmedlen kan inte konfigureras effektivt, och marknaden för storskalig utrustning blir allt mer mättad, etc., och ett akut behov av att återvända till industrins strategiska och uppgraderande lösningar. "Internet +" mycket dynamiskt tänkande och innovativa affärsmodeller, för tillverkningsindustrins svåra behov av omvandling och uppgradering ger en ny riktning för transformation, genom reformering av produktionsmetoder och affärsmodeller och förbättrad produktionsteknik, för att uppnå kundanpassning av kundanpassade produkter, små partier, stor-produktion i stor skala, för att lösa problemet med storskalig{{5} industriproduktion. Genom att reformera produktionsmetoder och affärsmodeller och förbättra produktionstekniken kan vi realisera små-partier, stor-produktion av personliga produkter för att lösa problemet med stor-överkapacitet hos industriprodukter och oförmågan att möta kundernas personliga efterfrågan på produkter, för att tillgodose efterfrågan på kunders respekt och bekräftelse såväl som själv{10}}.


Försök att lösa problemet med svag kärnteknologi och låg tillverkningskapacitet för avancerade-produkter genom samarbetstillverkning i nätverk, dvs med hjälp av internet eller industriell molnplattform, utveckla nya sätt för samverkande forskning och utveckling, crowdsourcingdesign, leveranskedjesamarbete och så vidare mellan företag, för att effektivt kunna bryta resurserna för att bryta resurserna, avsevärt minska kostnaderna för att anskaffa resurser. gränser och accelerera omvandlingen från "att slåss ensam" till "industriellt samarbete". "till industriell synergi, och främja branschens övergripande konkurrenskraft.


Försök att förbättra problemet med överkapacitet utan effektiv allokering av resurser och svag oberoende innovationsförmåga genom innovation och entreprenörskap, tillverkande delningsekonomi.


Med kärnprodukten som axel, genom insamling och analys av produktkundens användningsdata och omgivande miljödata, förse användarna med utökade tjänster, utökar produktens värdeutrymme, expanderar nya marknader och förverkligar transformationen av den produktcentrerade affärsmodellen till modellen "tillverkning + tjänst".


3. IT värdekedja


Värdet av big data realiseras genom aktiviteter som datainsamling, för-förbehandling, analys, visualisering och åtkomst.


I IT-värdekedjedimensionen realiseras värdet av big data genom tillhandahållande av nätverk, infrastruktur, plattformar, applikationsverktyg och andra tjänster som rymmer big data för big data-applikationer, vilket förbättrar operativ effektivitet och stödjer affärsinnovation. Företagsarkitekturen som stöds av big data-teknik kan delas in i tre nivåer: affärsarkitektur, informationssystemarkitektur och IT-teknikarkitektur med hänvisning till TOGAF-indelningsmetoden.


01. Affärsarkitektur


Affärsarkitektur definierar affärsstrategi, ledning, organisation och viktiga affärsprocesser, och är grunden för företagets omfattande informationsteknologistrategi och informationssystemarkitektur, såväl som bestämningsfaktorn för data-, applikations- och teknikarkitektur. Affärsarkitektur är kanalen som översätter en organisations affärsstrategi till daglig verksamhet, och affärsstrategi bestämmer affärsarkitekturen. Affärsarkitektur omvandlar affärsstrategier och mål på hög-nivå till operativa affärsmodeller. Affärsarkitektur är ett uttryck för den centrala affärsstrategin för företaget och för affärsfunktionerna och -processerna, vanligtvis en affärsdesign implementerad utifrån en affärsmodell, som beskriver affärsmodulerna och relationerna mellan dem, det vill säga verksamhetens huvudprocesser, ur olika perspektiv. Affärsarkitektur är en korrekt avgränsning av de huvudsakliga och delade processerna i verksamheten, och artikulationen och analysen av affärselementens livscykel. Värdet av industriell big data kan erhållas genom att strategiskt planera industriella big data-affärer och bygga företagsarkitektur.


02.Informationssystemarkitektur


För att ge full spel åt värdet av industriell stordata och undvika bildandet av "informationsöar" är det nödvändigt att bygga en enhetlig informationssystemarkitektur för att förverkliga användaråtkomst och interoperabilitet mellan olika applikationssystem och data. Informationssystemarkitekturen baserad på den industriella big data-affärsstrategin är en arkitektur som återspeglar förhållandet mellan de olika komponenterna i ett tillverkande företags informationssystem, såväl som förhållandet mellan informationssystemet och den relaterade verksamheten, och mellan informationssystemet och den relaterade teknologin. Informationssystemarkitektur inkluderar applikationsarkitektur och dataarkitektur. Bland dem beskriver applikationsarkitektur ritningen av det applikationssystem som krävs för att stödja företagets drift, inklusive applikationsnivåer, funktioner, realiseringsmetoder och konstruktionsstandarder, etc. Den studerar främst interaktionen mellan applikationssystem och överensstämmelsen mellan applikationer och kärnverksamhet, och är fokus för forskningen om företagets övergripande ramverk, som kan sägas vara bryggan mellan affärsarkitekturen och den tekniska arkitekturen. Industriell big data-applikationsarkitektur innehåller både applikationssystem som motsvarar de olika nivåerna av företagets vertikala lager i industriell big data-arkitektur och applikationssystem baserade på big data-teknologi. Dataarkitekturen, å andra sidan, är en beskrivning av strukturen och interaktionen mellan de viktigaste datatyperna och källorna, logiska datatillgångar, fysiska datatillgångar och datahanteringsresurser i en komplex organisationskropp.


03.Informationsteknikarkitektur


Med uppgången av vågen av Industry 4.0, integreras och penetrerar informationstekniker som Internet of Things (IoT), Cloud Computing, Big Data, Artificiell Intelligens, Augmented Reality/Virtual Reality och andra informationsteknologier kontinuerligt det industriella området, vilket lägger en solid teknisk grund för implementering av industriella big data-applikationer. Bland dem gör IoT-tekniken allestädes närvarande slututrustning och faciliteter, som kan anslutas till Internet enligt överenskomna protokoll genom informationsavkänningsanordningar såsom radiofrekvensidentifiering, infraröda sensorer, globala positioneringssystem, etc., för informationsutbyte och kommunikation, vilket gör föremålen och deras status synliga, för att realisera intelligent identifiering, lokalisering och hantering, övervakning, övervakning; cloud computing-teknik tillhandahåller en slags dynamisk och skalbar datortjänst som kan realiseras via nätverket på -begäran. Cloud computing-teknik tillhandahåller on-demand, dynamiskt skalbara och billiga datortjänster via nätverket; stordatateknik och AI-teknik gör det möjligt att analysera och bryta det potentiella värdet av massiv data på en acceptabel tid, samt att realisera trendförutsägelse och gruppintelligensläge; AR/VR-teknik kan realisera simulering och förbättring av upplevelsen av fabriksmiljön, industriell utrustning och så vidare. Tillverkningsföretag genererar en stor mängd data varje dag eller till och med varje ögonblick, med en stor variation, som täcker hela livscykeln för industriprodukter, inklusive designdata, produktionsdata, värdekedjedata och relaterad extern data. Dessa data kommer antingen från sensorer, eller från datainsamling och övervakningskontrollsystem för intelligent utrustning, eller från företagets designmodell och informationssystem.


Förverkligandet av industriella big data-applikationer kräver datainsamling och för-bearbetning, lagring, analys och gruvdrift, applikation för specifik verksamhet och slutligen visa resultaten, följaktligen är den industriella big data-informationsteknikarkitekturen uppdelad i sex lager: datalager, datainsamlingslager, lagringslager, datorlager, applikationslager och visningslager. Om företagen bygger varje lager för sig blir byggtröskeln relativt hög. En serie teknologikomponenter med öppen-källkod relaterade till industriella molntjänster och (industriell) big data-behandling har utvecklats och färdigställts hemma och utomlands, och artificiell intelligens-teknologi har gjort stora framsteg, vilket ger valfria lösningar för den intelligenta transformationen av industriområdet, och även minskar tröskeln för konstruktion och implementering av industriella big data-applikationer. Företag behöver inte realisera varje komponent i den tekniska arkitekturen på egen hand om det inte behövs, och kan välja att använda motsvarande open source-komponenter för att bygga industriella big data-applikationer efter sina behov, samt olika typer och nivåer av industriella molntjänster efter sina behov, och implementera industriella big data-applikationer på denna basis, för att fokusera mer på de affärsområden och tekniska områden som företagen är bra på.


Industriell big data-analysteknik, som en av kärnteknikerna för industriell big data, kan göra det möjligt för industriella big data-produkter att ha förmågan att bryta massiv data, integrera multi-källdata, modellera multi-kunskaper, analysera multi-affärsscenarier och upptäcka multi-domänkunskap, etc., som spelar en viktig roll för att driva affärsinnovationer omvandling och uppgradering av företag.

Skicka förfrågan

whatsapp

Telefon

E-post

Förfrågning