Przemysłowe duże zbiory danych odnoszą się do wszelkiego rodzaju danych oraz powiązanych technologii i aplikacji generowanych w przemyśle wokół typowego inteligentnego modelu produkcji, od zapotrzebowania klientów po sprzedaż, zamówienia, planowanie, badania i rozwój, projektowanie, proces, produkcję, zaopatrzenie, dostawy, inwentaryzację, wysyłkę i dostawę,-obsługę posprzedażną, obsługę i konserwację, złomowanie lub recykling oraz regenerację całego cyklu życia produktu każdego ogniwa. Przemysłowe duże zbiory danych stanowią rdzeń inteligentnej produkcji, opartej na „dużych zbiorach danych + Internecie przemysłowym”, przetwarzaniu w chmurze, dużych zbiorach danych, Internecie rzeczy, sztucznej inteligencji i innych technologiach, które mają przewodzić zmianie metod produkcji przemysłowej i napędzać innowacyjny rozwój gospodarki przemysłowej.
Szczegółowy opis technologii i zastosowań przemysłowych dużych zbiorów danych
I. definicja przemysłowych big data
Przemysłowe duże zbiory danych odnoszą się do dziedziny przemysłu, wokół typowego inteligentnego modelu produkcji, od zapotrzebowania klientów po sprzedaż, zamówienia, planowanie, badania i rozwój, projektowanie, proces, produkcję, zaopatrzenie, dostawy, zapasy, wysyłkę i dostawę,-obsługę posprzedażową, obsługę i konserwację, złomowanie lub recykling i regenerację całego cyklu życia produktu różnych typów danych generowanych przez różne aspekty ogólnego terminu oraz powiązaną technologię i aplikacje. Koncentruje się na danych produktów, co znacznie rozszerza zakres tradycyjnych danych przemysłowych i obejmuje także technologie i aplikacje związane z przemysłowymi dużymi zbiorami danych-. Głównymi źródłami przemysłowych dużych zbiorów danych są trzy następujące kategorie.
1. Dane biznesowe związane z produkcją i eksploatacją
Dane biznesowe-związane z produkcją i eksploatacją pochodzą głównie z zakresu tradycyjnej informatyzacji przedsiębiorstwa i są przechowywane w systemach informatycznych przedsiębiorstwa, w tym w tradycyjnym oprogramowaniu do projektowania przemysłowego i produkcji, planowaniu zasobów przedsiębiorstwa (ERP), zarządzaniu cyklem życia produktu (PLM), zarządzaniu łańcuchem dostaw (S CM), zarządzaniu relacjami z klientami (CRM), systemie zarządzania środowiskowego (EMS) itp. Te systemy informacyjne przedsiębiorstwa zgromadziły dużą ilość danych. Te systemy informacyjne przedsiębiorstwa zgromadziły dużą ilość danych dotyczących rozwoju produktu, danych produkcyjnych, danych operacyjnych, danych dotyczących informacji o klientach, danych logistycznych i dostaw oraz danych środowiskowych. Tego rodzaju dane stanowią tradycyjny zasób danych w przemyśle i stopniowo rozszerzają swój zakres w środowisku zastosowań nowych technologii, takich jak mobilny Internet.
2. Dane IoT sprzętu
Dane dotyczące sprzętu IoT odnoszą się głównie do przemysłowego sprzętu produkcyjnego i produktów docelowych w trybie działania IoT,-generowania i gromadzenia danych w czasie rzeczywistym obejmujących działanie i działanie, warunki pracy, parametry środowiskowe i inne dane odzwierciedlające stan działania sprzętu i produktów. Takie dane są nowym i najszybciej rozwijającym się źródłem przemysłowych dużych zbiorów danych. Wąskie przemysłowe duże zbiory danych odnoszą się do tego typu danych, to znaczy dużej ilości danych generowanych szybko przez urządzenia i produkty przemysłowe oraz występowania-różnic w szeregach czasowych.
3. Dane zewnętrzne
Dane zewnętrzne odnoszą się do działalności produkcyjnej przedsiębiorstw przemysłowych i produktów powiązanych z zewnętrznymi internetowymi źródłami danych przedsiębiorstwa, na przykład ocena efektywności środowiskowej przedsiębiorstwa na podstawie przepisów dotyczących ochrony środowiska, prognozowanie danych makro-społeczno-ekonomicznych rynku produktów i tak dalej. Technologia przemysłowych dużych zbiorów danych to szereg technologii i metod umożliwiających eksplorację i prezentację wartości zawartych w przemysłowych dużych zbiorach danych, w tym planowanie, pozyskiwanie, wstępne-przetwarzanie, przechowywanie, analizę i eksplorację, wizualizację i inteligentne sterowanie. Przemysłowe zastosowanie dużych zbiorów danych to proces integrowania i stosowania szeregu technologii i metod przemysłowych dużych zbiorów danych do określonego przemysłowego zbioru dużych zbiorów danych w celu uzyskania cennych informacji. Badania i przełom w technologii przemysłowych dużych zbiorów danych mają zasadniczo na celu odkrycie nowych wzorców i wiedzy ze złożonych zbiorów danych oraz wydobycie cennych nowych informacji w celu promowania innowacyjności produktów przedsiębiorstw produkcyjnych, poprawy poziomu działania i wydajności produkcji oraz rozwijania nowych modeli biznesowych.
II. Charakterystyka przemysłowych dużych zbiorów danych
Oprócz cech ogólnych dużych zbiorów danych (duża ilość danych, różnorodność, szybkość i niska gęstość wartości), przemysłowe duże zbiory danych mają również cechy sekwencji czasowej, silnej korelacji, dokładności i zamkniętej pętli.
Duża ilość danych:Rozmiar danych determinuje wartość i potencjalną informację o danych, które rozważamy. Ilość danych przemysłowych jest stosunkowo duża, nadal napływa duża liczba-danych o wysokiej częstotliwości z maszyn i urządzeń oraz danych internetowych, a zbiory danych dużych przedsiębiorstw przemysłowych osiągną poziom PB, a nawet EB.
Odmiana (odmiana):odnosi się do różnorodności typów danych i szerokiej gamy źródeł. Dane przemysłowe są szeroko rozpowszechnione w różnych aspektach, takich jak maszyny i sprzęt, produkty przemysłowe, systemy zarządzania i Internet, a ich struktura jest złożona i obejmuje ustrukturyzowane i pół-ustrukturyzowane dane z czujników, a także dane nieustrukturyzowane.
Szybko (prędkość):odnosi się do szybkości pozyskiwania i przetwarzania danych. Wymagania dotyczące szybkości przetwarzania danych przemysłowych są zróżnicowane, wymagania-na poziomie zakładu produkcyjnego w zakresie ram czasowych analizy sięgających co do milisekundy, a aplikacje do zarządzania i podejmowania-decyzji muszą obsługiwać interaktywną lub wsadową analizę danych.
Niska gęstość wartości (wartość):przemysłowe duże zbiory danych kładą większy nacisk na wartość-użytkownika i użyteczność samych danych, w tym na: poprawę zdolności innowacyjnych oraz wydajności produkcji i operacji, a także promowanie spersonalizowanego dostosowywania, transformacji usług i innych nowych sposobów inteligentnych zmian w produkcji.
Sekwencja:Przemysłowe Big Data ma silną sekwencję czasową, taką jak zamówienia, dane o stanie sprzętu.
Silna-trafność:Z jednej strony duże znaczenie mają dane na tym samym etapie cyklu życia produktu, takie jak skład części produktu, warunki pracy, stan sprzętu, konserwacja i dodatkowe zamówienia części; z drugiej strony należy powiązać dane na różnych etapach cyklu życia produktu, takich jak badania i rozwój oraz projektowanie, produkcja i serwis.
Dokładność:odnosi się głównie do autentyczności, kompletności i wiarygodności danych, a większą wagę przywiązuje do jakości danych oraz wiarygodności technik i metod przetwarzania i analizy. Wyższe wymagania dotyczące pewności w przypadku analizy danych, poleganie wyłącznie na statystycznej analizie korelacji nie wystarczą do wspierania diagnostyki usterek, przewidywania i wczesnego ostrzegania oraz innych zastosowań przemysłowych, konieczne jest połączenie modelu fizycznego z modelem danych, wydobycie związku przyczynowo-skutkowego.
Zamknięta pętla-:łącznie z zamknięciem i powiązaniem łańcucha danych w procesie horyzontalnym całego cyklu życia produktu, a także pionowym procesem gromadzenia i przetwarzania danych w ramach inteligentnej produkcji, która musi wspierać dynamiczne i ciągłe dostosowywanie i optymalizację w ramach scenariuszy-pętli zamkniętej obejmującej wykrywanie stanu, analizę, informację zwrotną i kontrolę.
Ze względu na powyższe cechy, przemysłowe big data, jako branża zastosowań big data, ma szerokie perspektywy zastosowań, jednocześnie stanowiąc duże wyzwanie dla tradycyjnej technologii zarządzania danymi i technologii analizy danych.
III. Architektura przemysłowa Big Data
Architektura przemysłowa Big Data obejmuje trzy wymiary: cykl życia i strumień wartości, warstwę pionową przedsiębiorstwa oraz łańcuch wartości IT.
W warstwie cyklu życia i strumienia wartości, zgodnie z obszarami zastosowań przemysłowego big data, można go podzielić na trzy obszary: rozwój i projektowanie produktu przed rozpoczęciem fazy wytwarzania produktu, zarządzanie produkcją i łańcuchem dostaw przed dostawą produktu oraz zarządzanie obsługą i konserwacją oraz usługami po dostarczeniu produktu.
W warstwie pionowej przedsiębiorstwa, zgodnie z metodą gromadzenia danych i poziomem aplikacji, można je podzielić na warstwę fizycznego systemu informacyjnego, warstwę systemu informacyjnego zarządzania przedsiębiorstwem i warstwę systemu wzajemnych połączeń platform.
W warstwie łańcucha wartości IT można ją podzielić na architekturę biznesową, architekturę systemu informacyjnego i architekturę technologii IT na trzech poziomach, z czego architekturę systemu informacyjnego można podzielić na architekturę aplikacji i architekturę informacji.
1. Wymiar cyklu życia i strumienia wartości
Wymiar cyklu życia i strumienia wartości w przemysłowej architekturze big data obejmuje etapy całego cyklu życia produktu, tj. badania i rozwój oraz projektowanie, produkcję, logistykę, sprzedaż, eksploatację i konserwację oraz serwis. Wśród nich produkcję, logistykę i sprzedaż można dalej podzielić na produkcję i łańcuch dostaw, a wymiar cyklu życia i strumienia wartości obejmuje trzy obszary: badania i rozwój oraz projektowanie, produkcję i łańcuch dostaw oraz eksploatację, konserwację i serwis. Scenariusze zastosowań każdej domeny przedstawiono na rysunku 2.
01. Badania i rozwój oraz projektowanie
Dane badawczo-rozwojowe są gromadzone przez personel badawczo-rozwojowy w procesie badawczo-rozwojowym i projektowym i pochodzą ze wszystkich aspektów cyklu życia produktu, w tym: dużych zbiorów danych dotyczących zapotrzebowania użytkowników, dużych zbiorów wiedzy badawczo-rozwojowej, dużych zbiorów danych dotyczących ponownego wykorzystania produktów, dużych zbiorów danych opartych na współpracy badawczo-rozwojowej itp., obejmujących-produkty i-branże oraz szeroką gamę cech.
Przedsiębiorstwa zajmujące się projektowaniem spersonalizowanego dostosowywania produktów mogą gromadzić za pośrednictwem platformy internetowej spersonalizowane zapotrzebowanie użytkowników na produkty, interakcje z klientami i dane dotyczące transakcji. Wydobywanie i analizowanie dynamicznych danych klientów może pomóc im uczestniczyć w analizie popytu na produkty i działaniach związanych z projektowaniem produktów w celu uzyskania spersonalizowanego projektu, a następnie, opierając się na elastycznym procesie produkcyjnym, można wytwarzać produkty-szyte na miarę dla użytkowników.
Zrealizuj projekt symulacyjny oparty na tradycyjnych przedsiębiorstwach produkcyjnych Big Data w zakresie testowania i weryfikacji łącza, które musi zostać wyprodukowane w naturze, aby ocenić jego wydajność i inne wskaźniki, koszt wraz ze wzrostem liczby testów i wzrostem. Zastosowanie technologii wirtualnej symulacji pozwala osiągnąć oryginalny proces projektowania badawczo-rozwojowego obejmujący symulację, analizę, ocenę, weryfikację i optymalizację, zmniejszając w ten sposób ilość zmian inżynieryjnych, optymalizując proces produkcyjny, zmniejszając koszty i zużycie energii.
Realizuj spersonalizowaną automatyzację niestandardowego projektowania w oparciu o tradycyjne typy produktów dla przedsiębiorstw typu big data, stylów nie jest wiele, można ich używać do ręcznego projektowania modeli produktów, próbek produkcyjnych, a następnie w trybie produkcji masowej, ale w obliczu spersonalizowanych wymagań dotyczących produkcji małych partii, tradycyjny tryb doprowadzi do tego, że cykl produkcyjny produktu będzie zbyt długi, a koszt będzie zbyt wysoki. Gromadząc dużą ilość danych dotyczących modelu projektu produktu, analizując korelację między danymi projektowymi oraz przy pomocy technologii Big Data i innych pomocniczych narzędzi projektowych, można zrealizować automatyzację spersonalizowanego, dostosowanego do potrzeb projektu i generowania modeli.
Promowanie integracji i dzielenia się zasobami badawczo-rozwojowymi oraz przedsiębiorstwami zajmującymi się innowacjami i projektowaniem opartym na współpracy poprzez budowę i doskonalenie bazy wiedzy badawczo-rozwojowej i projektowej, promowanie rysunków cyfrowych, biblioteki części standardowych i innych danych projektowych w przedsiębiorstwie, a także przedsiębiorstw wyższego i niższego szczebla w łańcuchu dostaw w zakresie udostępniania zasobów oraz innowacji i współpracy, w celu usprawnienia między-regionalnych zasobów badawczo-rozwojowych przedsiębiorstwa, zintegrowanego zarządzania i możliwości współpracy w zakresie projektowania w łańcuchu branżowym. Zwiększanie zdolności przedsiębiorstw do zarządzania i wykorzystywania globalnych zasobów badawczo-rozwojowych, optymalizacji i reorganizacji procesów badawczo-rozwojowych oraz poprawy efektywności badań i rozwoju.
Kultywować nowe sposoby badań i rozwoju w oparciu o uspołecznione dzielenie się zasobami projektowymi i uczestnictwo w nich oraz umożliwiać przedsiębiorstwom prowadzenie nowych sposobów badań i rozwoju, takich jak crowdsourcing i crowdsourcing, w oparciu o ich własne potrzeby w zakresie badań i rozwoju, aby zwiększyć zdolność przedsiębiorstw do wykorzystania uspołecznionych innowacji i zasobów kapitałowych.
02.Produkcja i łańcuch dostaw
Big data dotyczące produkcji obejmują nie tylko informacje o produkcji produktu, informacje o zamówieniach, informacje o sprzęcie, informacje kontrolne, informacje o materiałach, planowanie pracy personelu, ale także wewnętrzny przepływ informacji zarządczych, przepływ kapitału, produkcję produktów dostawców wyższego i niższego szczebla oraz zarządzanie klientami i inne powiązane pomocnicze informacje dotyczące zarządzania produkcją. Gromadzenie danych produkcyjnych opiera się na istniejącym zarządzaniu zasobami przedsiębiorstwa, realizacji produkcji, zarządzaniu kontrolą przemysłową, zarządzaniu łańcuchem dostaw, zarządzaniu dostawcami, zarządzaniu klientami, zarządzaniu biznesem i innych systemach informatycznych.
Realizuje monitorowanie-w czasie rzeczywistym i zarządzanie procesem produkcyjnym oraz konserwację predykcyjną sprzętu produkcyjnego, poprawia poziom zarządzania procesem produkcyjnym i sprzętem, optymalizuje proces produkcyjny i poprawia jakość produktu. Nowoczesne linie produkcyjne do produkcji przemysłowej są wyposażone w tysiące małych czujników wykrywających stan pracy sprzętu produkcyjnego, taki jak temperatura, ciśnienie, ciepło, wibracje i hałas itp. Wykorzystanie tych danych może pomóc w monitorowaniu-procesu produkcyjnego w czasie rzeczywistym, diagnozowaniu i przewidywaniu awarii sprzętu, analizie zużycia energii i analizie wypadków związanych z jakością. Ponadto potrafi także integrować i agregować dane ze wszystkich aspektów produkcji, ustanawiać wirtualne modele procesu produkcyjnego, symulować i optymalizować proces produkcyjny.
Realizuj spersonalizowaną produkcję na niestandardową skalę i promuj tworzenie nowoczesnego systemu produkcyjnego. Dzięki automatyzacji przepływu danych w całym cyklu życia produktu oraz zautomatyzowanej i inteligentnej kontroli całego procesu produkcyjnego będzie promować wymianę informacji, integrację systemów i współpracę biznesową, poprawiać możliwości precyzyjnej produkcji,-zaawansowanej produkcji i elastycznej produkcji, realizować produkcję na spersonalizowaną skalę na zamówienie, przyspieszać tworzenie zmodernizowanych systemów produkcyjnych, takich jak inteligentne warsztaty i inteligentne fabryki, a także realizować inteligentną produkcję.
Zrealizuj produkcję połączoną w sieć i ekonomię współdzielenia produkcji. Poprzez „Internet +” integrację i optymalizację zasobów produkcyjnych w przedsiębiorstwach lub pomiędzy nimi oraz realizację pionowej produkcji kolaboracyjnej w przedsiębiorstwach lub poziomej produkcji kooperacyjnej pomiędzy przedsiębiorstwami. Za pośrednictwem Internetu + gospodarka współdzielenia, dzielenie się zasobami innowacyjnymi, mocami produkcyjnymi, zapasami i innymi zasobami produkcyjnymi w celu realizacji gospodarki współdzielenia produkcji.
Optymalizuj przemysłowy łańcuch dostaw. Technologie identyfikacji elektronicznej, takie jak identyfikacja radiowa (RFID), technologia Internetu Rzeczy (IoT) czy technologia mobilnego Internetu mogą pomóc przedsiębiorstwom przemysłowym w uzyskaniu dużych zbiorów danych na temat całego łańcucha dostaw produktów, a wykorzystanie takich danych do analizy przyniesie znaczący wzrost efektywności magazynowania, dystrybucji i sprzedaży oraz znaczną redukcję kosztów.
Zrealizuj prognozowanie popytu, aby lepiej zorganizować przychodzące towary i produkcję, a gdy popyt spadnie, wyśledź przyczynę problemu i rozwiąż go.
Realizuj profilowanie klientów oraz marketing precyzyjny i analizę zachowań klientów, co może poszerzyć źródła klientów, poprawić wskaźnik sukcesu marketingu oraz pierwotną satysfakcję i lojalność klientów.
03.Obsługa, konserwacja i serwis
Istnieje wiele źródeł danych w zakresie obsługi, konserwacji i serwisu, obejmujących głównie:-dane o stanie pracy w czasie rzeczywistym i dane o otaczającym środowisku, gromadzone przez czujniki wbudowane w produkty za zgodą klientów; dane dotyczące sprzedaży produktów uzyskane za pośrednictwem platformy biznesowej, dane klientów i odpowiednia ocena produktu lub informacja zwrotna o użytkowaniu; skargi klientów i odpowiednie zapisy dotyczące przetwarzania; zwroty produktów i odpowiednią dokumentację konserwacyjną.
Monitorując i analizując zbierane zdalnie dane o stanie działania produktów w czasie rzeczywistym,-można świadczyć usługi online o wartości dodanej, takie jak zdalne monitorowanie i zarządzanie, diagnostyka usterek i konserwacja predykcyjna, co może obniżyć koszty konserwacji i poprawić wykorzystanie produktu.
Analizując dane dotyczące użytkowania sprzętu przez klientów i dane dotyczące otaczającego go środowiska, można również świadczyć użytkownikom rozszerzone usługi, poszerzać przestrzeń wartości produktów i realizować transformację modelu biznesowego-zorientowanego na produkt w model „produkcja + serwis”.
Analizując oceny produktów lub opinie klientów dotyczące ich użytkowania, skargi klientów, włączając przydatne komentarze do projektowania i ulepszania produktów oraz kategoryzując skargi klientów, możemy poprawić jakość produktów i-jakość obsługi posprzedażowej, zmniejszyć liczbę skarg oraz zwiększyć zadowolenie i lojalność klientów.
Analizując przyczyny zwrotu lub naprawy produktu oraz podejmując terminowe i skuteczne działania, możemy poprawić jakość produktu oraz zmniejszyć odsetek zwrotów i napraw.
2. Warstwa pionowa przedsiębiorstwa
Pionowa warstwa przedsiębiorstwa przemysłowej architektury dużych zbiorów danych jest podzielona na pięć warstw z punktu widzenia domeny fizycznej od dołu do góry, którymi są warstwa sprzętu, warstwa kontroli, warstwa warsztatu, warstwa przedsiębiorstwa i warstwa współpracy. W warstwie sprzętowej, kontrolnej i warsztatowej Internet Rzeczy może zostać wykorzystany do realizacji inteligentnych fabryk opartych na fizycznym systemie informacyjnym; w warstwie przedsiębiorstwa przedsiębiorstwo integruje różne wewnętrzne aplikacje informatyzacyjne, dokonuje integracji i transformacji wewnętrznych procesów biznesowych oraz poprawia efektywność operacyjną przedsiębiorstwa; natomiast w warstwie współpracy chmura przemysłowa i inne technologie platformowe są wykorzystywane do realizacji zewnętrznej produkcji przedsiębiorstwa opartej na współpracy oraz innowacyjnych modeli biznesowych, takich jak model zorientowany na usługi produkcyjne.- Wymiar pionowy przedsiębiorstwa można podzielić na trzy podsystemy: fizyczny system informacyjny, system informacyjny zarządzania przedsiębiorstwem i system platform połączeń wzajemnych.
01.Informacyjny system fizyczny
Fizyczny system informacyjny gromadzi i agreguje dane dotyczące działania maszyn i danych z miejsca produkcji za pośrednictwem czujników i różnych systemów informatycznych w celu realizacji wszechobecnego wykrywania oraz stosuje technologię integracji i przetwarzania danych do gromadzenia i wymiany danych przemysłowych, informacji zwrotnych i kontroli produkcji, w celu uzyskania kontroli i interakcji ze sprzętem i warsztatami, w celu zapewnienia wzajemnych połączeń i interoperacyjności wewnętrznych i zewnętrznych systemów fizycznych fabryk oraz w celu zapewnienia podstawy danych do modelowania/symulacji i analiz przemysłowych, a następnie zapewnia wsparcie dla podejmowanie decyzji-optymalizacja operacji warsztatu/fabryki. Zapewnia również bazę danych do modelowania/symulacji i analiz przemysłowych, co z kolei zapewnia usługi wsparcia w zakresie optymalizacji decyzji dotyczących działania warsztatu/fabryki. W warstwie pionowej przedsiębiorstwa architektury dużych zbiorów danych fizyczny system informacyjny używany do gromadzenia informacji w warstwie sprzętu przemysłowego opiera się na dużych zbiorach danych, obliczeniach sieciowych i masowych, a poprzez inteligentną percepcję, analizę, eksplorację, ocenę, przewidywanie, optymalizację, współpracę i inne środki techniczne obliczenia, komunikacja i kontrola mogą realizować organiczną fuzję i-głęboką współpracę, aby osiągnąć głęboką fuzję cyberprzestrzeń i przestrzeń fizyczna urządzeń przemysłowych, środowisk i grup. Głęboka integracja. Istota fizycznego systemu informacyjnego polega na podłączeniu sprzętu fizycznego do Internetu, tak aby sprzęt fizyczny spełniał pięć głównych funkcji: obliczenia, komunikację, precyzyjne sterowanie, zdalną koordynację i autonomię.
02.System Informacji Zarządzania Przedsiębiorstwem
Informatyzacja przedsiębiorstw to proces stosowania technologii i produktów informatycznych w przedsiębiorstwach. Informatyzacja przedsiębiorstwa to proces wszechstronnego przenikania technologii informatycznych z poziomu lokalnego do globalnego, z poziomu taktycznego do strategicznego do przedsiębiorstw, poprzez zastosowanie jej do zarządzania procesowego oraz wspomagania funkcjonowania i zarządzania przedsiębiorstwem. Informatyzacja przedsiębiorstw obejmuje głównie kontrolę procesów produkcyjnych, zarządzanie przedsiębiorstwem, zarządzanie cyklem życia produktów, optymalizację łańcucha dostaw oraz procesy zarządzania. Informatyzacja kontroli procesu produkcyjnego koncentruje się na rozwoju i projektowaniu produktów, przepływie procesu produkcyjnego, zarządzaniu warsztatem, kontroli jakości i innych powiązaniach projektowych i produkcyjnych. Informatyzacja zarządzania przedsiębiorstwem to największa część konstrukcji informacji w przedsiębiorstwie, najtrudniejsza, najczęściej stosowana w dziedzinie, obejmującej działalność zarządzania przedsiębiorstwem i wszystkich szczebli. Informatyzacja zarządzania przedsiębiorstwem polega na skutecznym gromadzeniu, przetwarzaniu, organizowaniu i integrowaniu zasobów informacyjnych poprzez system aplikacji integracji informacji w oparciu o standaryzację podstawowej pracy zarządzania i optymalizację procesów biznesowych, poprawę efektywności zarządzania oraz dostarczanie-dynamicznych informacji zarządczych i informacji decyzyjnych w czasie rzeczywistym-. Informatyzacja zarządzania łańcuchem dostaw przedsiębiorstwa powoduje, że działalność produkcyjna i zarządcza przedsiębiorstwa rozciąga się do przodu i do tyłu. W przedsiębiorstwach od zaopatrzenia w surowce, komponenty, transport, magazynowanie, przetwarzanie i produkcję, sprzedaż aż do końcowej dostawy i obsługi klientów, tworzących strukturę łańcucha składającą się z dostawców wyższego szczebla, producentów pośrednich i zewnętrznych{{9}dostawców usług, klientów zajmujących się sprzedażą na niższym szczeblu oraz działalność produkcyjna przedsiębiorstw, procesy zarządzania podlegają ograniczeniom tego łańcucha dostaw i wpływów.
03. Połączony system platform
Obecnie rozwój przemysłowy Chin i większości krajów stoi w obliczu wielkich trudności i wyzwań, w tym: poważnej nadwyżki mocy produkcyjnych, niedoboru produktów spersonalizowanych, produkty stają się coraz bardziej złożone, nie można efektywnie skonfigurować środków produkcji, rynek-wielkoskalowego sprzętu staje się coraz bardziej nasycony itp., w związku z czym należy pilnie szukać strategicznego rozwiązania umożliwiającego powrót przemysłu oraz jego transformację i modernizację. „Internet +” bardzo dynamiczne myślenie i innowacyjne modele biznesowe, w obliczu trudnej sytuacji przemysłu wytwórczego wymagającego pilnej transformacji i modernizacji, wyznacza nowy kierunek transformacji, poprzez reformę metod produkcji i modeli biznesowych oraz doskonalenie technologii produkcji, w celu osiągnięcia personalizacji klientów w zakresie niestandardowych produktów, produkcji małych partii i-na dużą skalę, aby rozwiązać problem zdolności produkcyjnej produktów przemysłowych na-na dużą skalę. Reformując metody produkcji i modele biznesowe oraz ulepszając technologię produkcji, możemy realizować produkcję spersonalizowanych produktów w małych-partiach i na dużą-skalę, aby rozwiązać problem-nadwyżki mocy produkcyjnej produktów przemysłowych na dużą skalę oraz niemożności zaspokojenia spersonalizowanego zapotrzebowania klientów na produkty, aby zaspokoić zapotrzebowanie na szacunek i afirmację klientów, a także samorealizację.
Spróbuj rozwiązać problem słabej technologii rdzeniowej i niskiej zdolności produkcyjnej-produktów wysokiej klasy poprzez sieciową produkcję kooperacyjną, tj. przy pomocy Internetu lub platformy chmury przemysłowej, opracuj nowe sposoby wspólnych badań i rozwoju, projektowania crowdsourcingowego, współpracy w łańcuchu dostaw itd. pomiędzy przedsiębiorstwami, aby skutecznie obniżyć koszty pozyskiwania zasobów, znacznie rozszerzyć zakres wykorzystania zasobów, przełamać zamknięte granice i przyspieszyć transformację od „samotnej walki” do „współpracy przemysłowej”. „do synergii przemysłowej i promowania ogólnej konkurencyjności przemysłu.
Spróbuj rozwiązać problem nadwyżki mocy produkcyjnych bez efektywnej alokacji zasobów i słabych niezależnych zdolności innowacyjnych poprzez innowacje i przedsiębiorczość, gospodarkę współdzielenia produkcji.
Z głównym produktem jako osią, poprzez gromadzenie i analizę danych dotyczących użytkowania produktu przez klientów oraz danych o otaczającym go środowisku, aby zapewnić użytkownikom rozszerzone usługi, poszerzać przestrzeń wartości produktu, poszerzać nowe rynki i realizować transformację modelu biznesowego-skoncentrowanego na produkcie na model „produkcja + serwis”.
3. Łańcuch wartości IT
Wartość dużych zbiorów danych jest realizowana poprzez działania takie jak gromadzenie danych,-przetwarzanie wstępne, analiza, wizualizacja i dostęp.
W wymiarze IT łańcucha wartości wartość dużych zbiorów danych jest realizowana poprzez zapewnianie sieci, infrastruktury, platform, narzędzi aplikacyjnych i innych usług przechowujących duże zbiory danych na potrzeby aplikacji wykorzystujących duże zbiory danych, poprawiając w ten sposób efektywność operacyjną i wspierając innowacje biznesowe. Architekturę korporacyjną wspieraną technologią Big Data można podzielić na trzy poziomy: architekturę biznesową, architekturę systemu informacyjnego i architekturę technologii IT w odniesieniu do metody podziału TOGAF.
01. Architektura biznesowa
Architektura biznesowa definiuje strategię biznesową, zarządzanie, organizację i kluczowe procesy biznesowe i jest podstawą kompleksowej strategii informatycznej przedsiębiorstwa oraz architektury systemów informatycznych, a także wyznacznikiem architektury danych, aplikacji i technologii. Architektura biznesowa to kanał, który przekłada strategię biznesową organizacji na codzienne działania, a strategia biznesowa determinuje architekturę biznesową. Architektura biznesowa przekształca-strategie i cele biznesowe wysokiego poziomu w operacyjne modele biznesowe. Architektura biznesowa jest wyrazem kluczowej strategii biznesowej przedsiębiorstwa oraz funkcji i procesów biznesowych, zwykle jest to projekt biznesowy realizowany w oparciu o model biznesowy, który opisuje moduły biznesowe i relacje między nimi, czyli główne procesy biznesowe, z różnych perspektyw. Architektura biznesowa to właściwe określenie głównych i wspólnych procesów biznesowych oraz wyartykułowanie i analiza cyklu życia elementów biznesowych. Wartość przemysłowych big data można uzyskać poprzez strategiczne planowanie działalności przemysłowej big data i budowanie architektury korporacyjnej.
02.Architektura systemu informacyjnego
Aby w pełni wykorzystać wartość przemysłowych dużych zbiorów danych i uniknąć tworzenia „wysp informacyjnych”, konieczne jest zbudowanie ujednoliconej architektury systemu informacyjnego, aby zapewnić użytkownikom dostęp i interoperacyjność różnych systemów aplikacji i danych. Architektura systemu informacyjnego oparta na strategii biznesowej przemysłowej big data to architektura odzwierciedlająca relacje między różnymi komponentami systemu informacyjnego przedsiębiorstwa produkcyjnego, a także relacje między systemem informacyjnym a powiązaną działalnością oraz między systemem informacyjnym a powiązaną technologią. Architektura systemu informacyjnego obejmuje architekturę aplikacji i architekturę danych. Wśród nich architektura aplikacji opisuje schemat systemu aplikacji wymaganego do wspierania działania przedsiębiorstwa, w tym poziomy aplikacji, funkcje, metody realizacji i standardy konstrukcyjne itp. Zajmuje się głównie badaniem interakcji między systemami aplikacji oraz korespondencją między aplikacjami a podstawową działalnością, a także skupia się na badaniach nad ogólną strukturą przedsiębiorstwa, którą można uznać za pomost między architekturą biznesową a architekturą techniczną. Architektura aplikacji przemysłowych big data obejmuje zarówno systemy aplikacyjne odpowiadające poszczególnym poziomom warstwy pionowej przedsiębiorstwa w architekturze przemysłowej big data, jak i systemy aplikacyjne oparte na technologii big data. Z drugiej strony architektura danych to opis struktury i interakcji głównych typów i źródeł danych, logicznych zasobów danych, fizycznych zasobów danych i zasobów zarządzania danymi złożonego organu organizacyjnego.
03.Architektura technologii informatycznych
Wraz z nadejściem fali Przemysłu 4.0 technologie informacyjne, takie jak Internet rzeczy (IoT), przetwarzanie w chmurze, Big Data, sztuczna inteligencja, rzeczywistość rozszerzona/rzeczywistość wirtualna i inne technologie informacyjne stale integrują się i przenikają do obszaru przemysłowego, co stanowi solidny fundament technologiczny do wdrażania przemysłowych aplikacji Big Data. Wśród nich technologia IoT obejmuje wszechobecny sprzęt i obiekty końcowe, które można podłączyć do Internetu zgodnie z ustalonymi protokołami za pośrednictwem urządzeń wykrywających informacje, takich jak identyfikacja radiowa, czujniki na podczerwień, globalne systemy pozycjonowania itp., do wymiany informacji i komunikacji, uwidaczniania przedmiotów i ich stanu w celu inteligentnej identyfikacji, lokalizacji, śledzenia, monitorowania i zarządzania; technologia przetwarzania w chmurze zapewnia rodzaj dynamicznej i skalowalnej usługi obliczeniowej, która może być realizowana za pośrednictwem sieci na-żądanie. Technologia przetwarzania w chmurze zapewnia-dynamicznie skalowalne i niedrogie usługi obliczeniowe na żądanie za pośrednictwem sieci; technologia big data i technologia AI pozwalają analizować i wydobywać potencjalną wartość ogromnych danych w akceptowalnym czasie, a także realizować tryb przewidywania trendów i inteligencji grupowej; Technologia AR/VR może realizować symulację i ulepszanie środowiska fabrycznego, sprzętu przemysłowego i tak dalej. Przedsiębiorstwa produkcyjne generują codziennie lub nawet w każdej chwili dużą ilość danych o szerokim spektrum, obejmujących cały cykl życia produktów przemysłowych, w tym dane projektowe, dane produkcyjne, dane łańcucha wartości i powiązane dane zewnętrzne. Dane te pochodzą albo z czujników, albo z systemu gromadzenia danych i monitorowania inteligentnego sprzętu, albo z modelu projektowego i systemu informacyjnego przedsiębiorstwa.
Realizacja aplikacji przemysłowych dużych zbiorów danych wymaga gromadzenia i-wstępnego przetwarzania danych, przechowywania, analizy i eksploracji, zastosowania dla konkretnej firmy i ostatecznego wyświetlenia wyników. W związku z tym architektura technologii informatycznych przemysłowych dużych zbiorów danych jest podzielona na sześć warstw: warstwa danych, warstwa gromadzenia danych, warstwa przechowywania, warstwa obliczeniowa, warstwa aplikacji i warstwa wyświetlania. Jeśli przedsiębiorstwa zbudują każdą warstwę osobno, próg budowy będzie stosunkowo wysoki. W kraju i za granicą opracowano i ukończono szereg komponentów technologii open-związanych z usługami chmury przemysłowej i (przemysłowym) przetwarzaniem dużych zbiorów danych, a technologia sztucznej inteligencji poczyniła dalsze ogromne postępy, zapewniając opcjonalne rozwiązania do inteligentnej transformacji dziedziny przemysłu, a także zmniejszając próg budowy i wdrażania przemysłowych aplikacji dużych zbiorów danych. Przedsiębiorstwa nie muszą samodzielnie realizować każdego elementu architektury technicznej, jeśli nie jest to konieczne, i mogą zdecydować się na wykorzystanie odpowiednich komponentów open source do budowy przemysłowych aplikacji big data zgodnie ze swoimi potrzebami, a także różnych typów i poziomów przemysłowych usług chmurowych zgodnie ze swoimi potrzebami i na tej podstawie wdrażać przemysłowe aplikacje big data, aby bardziej skupić się na obszarach biznesowych i dziedzinach technicznych, w których przedsiębiorstwa są dobre.
Technologia przemysłowej analizy dużych zbiorów danych, jako jedna z podstawowych technologii przemysłowych dużych zbiorów danych, może umożliwić przemysłowym produktom big data eksplorację ogromnych danych, integrowanie danych z wielu-źródeł, modelowanie wiedzy wielu-typów, analizowanie scenariuszy wielu-biznesowych i odkrywanie wiedzy z wielu-domen itp., co odgrywa znaczącą rolę w prowadzeniu biznesu innowacje oraz transformacja i unowocześnienie przedsiębiorstw.