欢迎光临挖掘机机网站百人技术研发团队进口配件技术

挖掘机机

挖掘机机百人研发团队

工业大数据:从智能制造到工业互联网

作者:安尼      发布时间:2021-04-28      浏览量:0
产业转型升级路径大数据系统软件国家工程实

产业转型升级路径

大数据系统软件国家工程实验室总结出产业转型升级为四象限的路径。

但在这个时代,仅仅加减是不够的,比如私募股权机构对企业的投资,企业每年都要做一点补充,投资者可能不满意,但想要企业实现指数增长。如何实现这一目标?工业互联网可能是乘法和除法的途径。乘法是平台效应。例如,淘宝在其平台上拥有数不清的商店来赚钱,这就是一个很好的例子。但是在工业领域,我们能建立一个工业互联网平台吗?以服装业为例。传统的第一代服装企业,如雅戈尔,有自己的设计、工厂、商店,即完整的产业链。第二代服装企业,如海兰之家,放弃了工厂的全部承包生产,而不是做销售,把商店当作资产;服装企业在互联网时代,如汉杜服装店,既没有工厂,也没有商店,成本几乎为零,所有商店都依赖淘宝,只负责快速设计,控制供应链,最终“总板”虽然不一定像传统企业那么大,但利润率很高。因此,分工是企业核心竞争力的核心。轻型资产和高利润经营是我国中小企业未来创新创业的必由之路。构建工业互联网的平台生态并不意味着只有这个平台才能赚钱,但平台上的每个人都可以赚钱。

三个层次:工业大数据产业分类

实验室也对工业大数据进行了大量应用,并将其划分为三个层次。

的第一个级别是单元格级别。也就是说,对于工业设备来说,它不仅限于设备的远程操作和维护,还包括设备故障预警、故障分析、设备优化运行、资产管理等。首先,需要对设备运行状态进行准确的数字化测量,实际上是对工业大数据的连续空间进行离散。这种连续空间非常复杂,物理量、精度和可测传感器数量有限,无法实现整个空间采样。然而,随着数字化水平的提高、信息处理的推广和智能应用的迭代,未来的测量过程也将得到提升。

的第三层是如何获得其他人的数据的?例如,为了实现挖掘机施工的自动化,我们需要了解GIS数据和环境数据,但这些数据并不是传统制造企业拥有的数据。这表明,当今工业大数据的内涵远远大于传统的数据内涵。自动化和跨境数据作为一个整体构成了工业大数据系统.

工业大数据的分类和挑战

事实上,工业数据具有三个特征。第一个特点是多式联运。过去,数据被简单地分为结构化数据、半结构化数据、非结构化数据,但在工业企业中并非如此。今天,许多非结构化的工程数据被看作是一种不同的格式,当它真正打开的时候,它是不同的。非结构化数据的使用效率取决于结构的程度,只有结构化的数据才能有效地使用;第二个特点是高吞吐量,许多设备没有关机,所有数据每天24小时连续生成,数据量很大;第三个特点是相关性很强,在不同行业中,数据关联遵循不同的规律而不是简单的聚合。

因此工业大数据本身的特点也带来了许多挑战。除了数据采集的挑战外,它还伴随着数据分析和应用方面的挑战。最大的限制是因果关系,即数据驱动的方法只能告诉我们相关性,而不是因果关系。例如,淘宝推荐商品,只知道推荐相关商品,却不关心这件事的因果--为什么用户是这样的人。但是,这在工业领域,特别是在控制领域是不可行的,因此需要对该模型进行长期的分析和验证。在

工业领域中,存在白盒模型和灰盒模型。白盒模型是一种工业机理。企业将根据产业机制设计流程、产品结构和流程,这是第一步。当它们被设计出来时,操作中会有很大的不确定性。这些不确定性的消除取决于专家和工匠的经验,从而使整个生产过程变得更加稳定和高效,这是一个灰色的盒子。数据模型是一个黑箱模型,它不再分析和理解机制和知识本身。工业大数据和工业智能的本质是量化这些经验和知识,挖掘内心中尚未发现的隐性知识,或试图通过数据方法找到统计关系,然后将其返回给工匠分析。工业是工业,它的存在时间比信息时间长,积累比信息多,但大数据和人工智能技术只会给工业带来微小的变化,试图帮助它消除不确定性。

>

大数据和人工智能在工业中的应用

首先是智能制造。例如,如果一台机床的成品率下降,那么机床就可以猜测刀具可能磨损,或者主动更换刀,或者炉膛温度过热,温度会下调两度。如果设备能够自己判断和改变,而不是按照预先设定的逻辑操作,这就是智能。真正的数字车间应该是什么样的呢?有三个层次:第一层是大数据集成。以攀钢为例,铁路的最大问题就是产品质量。许多钢轨表面不均匀,必须加以纠正。如果你发现表面不均匀怎么办?调整工会猜测原因,调试、复制,经过多次迭代调整稳定性。大数据可以建立一个数据集成系统,使决策者能够看到每条铁路发生了什么,控制参数是什么,检测参数是什么。这样一个以物料为中心,流程为轴的数据集成系统,可以为调整人员提供更多、更好的决策信息;第二层是大数据统计分析。你能把好批次的数据和劣质批次的数据进行叠加和比较,以了解控制参数的差异吗?大数据可以猜测问题的原因,至少可以排序,让调整人员根据排序进行检查和调整;第三层是机制模型。通过大量的数据和反馈,工业企业可以建立一个相对准确、积极的仿真模型,在数字孪生和数字空间中进行调试,最后在由数字孪生所带来的智能系统工厂中进行测试。