Өнеркәсіптік үлкен мәліметтер - Industrial big data - Wikipedia

Өнеркәсіптік үлкен мәліметтер әртараптандырылған үлкен мөлшерге жатады уақыт қатары өнеркәсіптік жабдықта жоғары жылдамдықпен өндірілген,[1] ретінде белгілі Интернет заттары[2] Термин 2012 жылы «тұжырымдамасымен бірге пайда болдыИндустрия 4.0 », Және сілтеме жасайды үлкен деректер », Танымал ақпараттық технологиясы маркетинг, бұл жағдайда өндірістік жабдықтар жасаған мәліметтер үлкен әлеуетке ие болуы мүмкін іскерлік мәні.[3] Индустриялық үлкен мәліметтер индустриялық артықшылықтарды пайдаланады ғаламтор технология. Ол басқаруды қолдау үшін шикі деректерді пайдаланады шешім қабылдау, сондықтан техникалық қызмет көрсету шығындарын азайту және жақсарту клиенттерге қызмет көрсету.[2] Өтінемін интеллектуалды техникалық қызмет көрсету жүйесі қосымша ақпарат алу үшін.

Анықтама

Үлкен деректер жақсарту үшін өңдеудің жаңа технологияларын қажет ететін үлкен көлемде, әртүрлілікте және жоғары жылдамдықта жасалған деректерге жатады шешім қабылдау, білімді ашу және процесті оңтайландыру.[4] Кейде деректердің сапасы мен тұтастығын атап көрсету үшін шындықтың ерекшелігі де қосылады.[5] Алайда, өндірістік үлкен деректер үшін тағы екі «V» болуы керек. Бірі - көріну, бұл бар активтердің және / немесе процестердің күтпеген түсініктерін анықтауға және осылайша көрінбейтін білімді көрінетін құндылыққа ауыстыруға сілтеме жасайды. Басқа «V» мәні болып табылады.

Фон
Жалпы «Үлкен деректер» аналитикасы көбіне тау-кен өндірісі қатынастар және құбылыстарды бейнелеу. «Өнеркәсіптік Үлкен Деректер» аналитикасы құбылыстардан алынған ерекшеліктердің негізін табуға көбірек қызығушылық танытады. Бұл дегеніміз, тиімді «Индустриалды Үлкен Деректер» аналитикасы көбірек қажет етеді домендік ноу-хау жалпы «Big Data» аналитикасына қарағанда.
Сынған
«Big Data» аналитикасымен салыстырғанда «Industrial Big Data» аналитикасы деректердің «көлеміне» қарағанда «толықтығын» қолдайды, яғни дәл мәліметтерге негізделген аналитикалық жүйені құру үшін оны дайындау қажет әр түрлі жұмыс жағдайындағы мәліметтер. Байланыс мәселелеріне және бірнеше көздерге байланысты жүйеден алынған мәліметтер дискретті және синхрондалмаған болуы мүмкін. Сондықтан алдын-ала өңдеу деректердің толық, үздіксіз және синхрондалғандығына көз жеткізу үшін деректерді нақты талдаудан бұрын маңызды процедура болып табылады.
Сапасыз
«Үлкен деректер» аналитикасының бағыты тау-кен ісі және ашуға бағытталған, яғни деректер көлемі деректердің төмен сапасының орнын толтыруы мүмкін. Алайда, «Индустриалды Үлкен Деректер» үшін, айнымалылар, әдетте, нақты физикалық мағыналарға ие болғандықтан, деректердің тұтастығы аналитикалық жүйенің дамуы үшін өте маңызды. Сапасыз деректер немесе дұрыс емес жазбалар әртүрлі айнымалылар арасындағы байланысты өзгертеді және бағалау дәлдігіне апатты әсер етеді.

Технологиялар

Деректерді жинау, сақтау және басқару

Автоматтандырылған өнеркәсіптік жабдықтардың деректері ерекше жылдамдық пен көлемде жасалатындықтан, бұл деректерді сақтау және басқару инфрақұрылымы кез-келген салада кездесетін бірінші қиындыққа айналады. Дәстүрлі іскери интеллекттен ерекшеленеді, олар көбінесе ішкі құрылымдық мәліметтерге және тұрақты циклдардағы ақпараттарға бағытталған процестерге,[6] «Өнеркәсіптік Үлкен Деректер» аналитикалық жүйесі нақты уақыттағы аналитиканы және нәтижелерді визуалдауды қажет етеді.

Бірінші қадам - ​​дұрыс деректерді жинау.[7] Заманауи жабдықты автоматтандыру деңгейі жоғарылағандықтан, датчиктер саны артып келеді. Параметрлерді жабдықтың күйіне байланысты тану жинауға қажетті мәліметтер көлемін азайту және деректерді талдау тиімділігі мен тиімділігін арттыру үшін маңызды.

Келесі қадам - ​​нақты уақыт режимінде үлкен көлемдегі деректермен жұмыс істей алатын және талдаулар жасай алатын деректерді басқару жүйесін құру. Шешім қабылдауды жеделдету үшін деректерді сақтау, басқару және өңдеу біртұтас болуы керек.[7] General Electric компаниясы газ турбиналары паркі үшін деректерді сақтаудың прототиптік үлгісін жасады.[8] Деректерге негізделген (IMDG) негізделген жүйелер деректерге нақты уақыт режимінде аналитика жасау кезінде қиын жылдамдық пен үлкен көлемді мәліметтер ағынымен жұмыс істей алатындығын дәлелдеді. Олар дамыған технология «Индустриалды Үлкен Деректерді» басқарудың инфрақұрылымын жүзеге асырудың өміршең жолын көрсетті деп санайды, жады арзандаған сайын, мұндай жүйелер болашақ индустрия үшін орталық және іргелі болады.

Киберфизикалық жүйелер

Киберфизикалық жүйелер индустриялық үлкен деректердің негізгі технологиясы болып табылады. Кибер-физикалық жүйелер дегеніміз - есептеу модельдері мен физикалық компоненттер арасындағы үзіліссіз интеграцияны қажет ететін жүйелер.[9] Дәстүрлі пайдалану технологиясынан айырмашылығы, «Өнеркәсіптік Үлкен Деректер» шешімді кең көлемде хабарлауды талап етеді, оның орталық бөлігі жабдық мәртебесі болып табылады.Жақсартылған процестер өнімділікті одан әрі арттырады және шығындарды азайтады, бұл миссияға сәйкес келеді. «Өндірістік үлкен деректер», яғни шикі деректердің үлкен көлемін түсіну және осы ақпаратты құндылыққа айналдыру. Бұл әр түрлі деңгейдегі пайдаланушылар үшін шешімдерді қолдау үшін ақпараттық-мөлдір орта құру үшін ақпараттық технологиялар мен пайдалану технологияларының күшін біріктіреді.

Репозитарийлердің үлгісі

Өнеркәсіптік жүйенің кез-келген бірлігі әр сәтте көптеген мәліметтер жинайды. Күніне машиналар арқылы өндіріс желісінде миллиардтаған деректер үлгілері шығарылады.[1] Мысал ретінде, а Boeing 787 жартысынан асады терабайт бір рейске мәліметтер.[10] Өнеркәсіптік жүйеде блоктар тобы қалыптастыратын мәліметтер көлемі дәстүрлі әдістердің мүмкіндігінен әлдеқайда жоғары екендігі анық, сондықтан оны өңдеу, басқару және өңдеу қиынға соғады.

Соңғы бірнеше жыл ішінде зерттеушілер мен компаниялар өндірістік мәліметтер жиынтығын жинауға, жүйелеуге және талдауға белсенді қатысты. Осы мәліметтер жиынтығының кейбіреулері зерттеу мақсатында жалпыға қол жетімді.

НАСА деректер қоймасы[11] - бұл индустриялық үлкен деректерге арналған ең танымал репозитарийлердің бірі. Осы репозитариймен берілген әртүрлі деректер жиынтығын пайдалануға болады болжамды талдау, ақауларды анықтау, болжам және т.б.

Жеке куәлікРепозиторий атауыДеректердің сипаттамасы
1Балдырлар Raceway деректер жиынтығыБалдырлар биомассасына арналған 3 кішігірім жолдар эксперименті
2CFRP композиттері туралы мәліметтер жиынтығыCFRP панельдеріндегі сәтсіздікке дейін эксперимент
3Фрезерлеу жиынтығыФрезерлі станокта әртүрлі жылдамдыққа, қоректенуге және тереңдікке арналған тәжірибелер. Фрезерлік кірістірудің тозуын жазады, VB. Мәліметтер жиынтығын Берклидегі UC зертханасы ұсынды.[12]
4Деректер жиынтығыМойынтіректердегі тәжірибелер. Мәліметтер жиынтығын Цинциннати Университетінің интеллектуалды техникалық қызмет көрсету жүйелері орталығы (IMS) ұсынды.[13]
5Батарея туралы мәліметтер жиынтығыЛи-ионды батареяларға арналған тәжірибелер. Әр түрлі температурада зарядтау және разрядтау. Кедергілерді зиян критерийі ретінде жазады. Мәліметтер жиынтығын NASA Ames-тағы Prognostics CoE ұсынды.
6Turbofan қозғалтқышының деградациясын модельдеу туралы мәліметтер жиынтығыҚозғалтқыштың деградациясын модельдеу C-MAPSS көмегімен жүзеге асырылды. Төртеуі пайдалану шарттары мен ақаулық режимдерінің әр түрлі комбинацияларында модельденген жиынтықтар болды. Ақаулық эволюциясын сипаттайтын бірнеше сенсорлық арналарды жазады. Мәліметтер жиынтығын NASA Ames-тағы Prognostics CoE ұсынды.
7IGBT жеделдетілген қартаю жиынтығыТермостерстің алдын-ала алынған мәліметтері қартаю мен сипаттама жүйесін қолдана отырып қартаюды тездеткен. Мәліметтер жиынтығында 6 құрылғының қартаю деректері бар, біреуі тұрақты ток қақпағымен бейімделген, ал қалғандары квадраттық сигнал қақпасының көлбеуімен. Бірнеше айнымалылар жазылады, ал кейбір жағдайларда қақпаның кернеуін, коллектор-эмитент кернеуін және коллектор тогын жоғары жылдамдықпен өлшеуге болады. Мәліметтер жиынтығын NASA Ames-тағы Prognostics CoE ұсынады.
8Trebuchet деректер жиынтығыСалмағы әр түрлі требучеттен ұшырылған әр түрлі доптардың траекториясы. Рейстер түсіріліп, деректерді есептеп шығарудың күнделікті режимі анықталды. Шикі бейне деректері де, алынған траекториялар да берілген. Требучеттің геометриясы және физикалық қасиеттері бар.
9FEMTO тірек деректер жиынтығыМойынтіректердің жеделдетілген өмірлік сынақтары бойынша тәжірибелер, FEMTO-ST институты, Бесансон, Франция.[14]
10Рандомизацияланған батареяны пайдалану туралы мәліметтер жиынтығыАккумуляторлар тоқтың кездейсоқ пайда болған профильдерімен үздіксіз айналымда болады. Анықтамалық зарядтау және зарядсыздандыру циклы батареяның денсаулық күйін анықтайтын эталондарды қамтамасыз ету үшін рандомизацияланған қолданудың белгіленген аралықтарынан кейін де орындалады.
11Конденсатордың электрлік кернеулері туралы мәліметтер жиынтығыКонденсаторлар үш кернеу деңгейінде, яғни 10В, 12В және 14В электрлік кернеулерге ұшырады. Деректер жиынтығында EIS деректері, сондай-ақ зарядтау / разрядтау туралы сигналдар бар.

Үлкен деректерді талдаудың үлгілік үлгілері кейстерді қолданады

Левередж машиналық оқыту және болжамды аналитика алгоритмдер, индустриялық үлкен деректер сияқты әр түрлі пайдалану сценарийлерінде мән жасауға көмектеседі болжамды қызмет көрсету (машиналардың істен шығуын немесе бөлшектердің істен шығуын болжау және алдын-алу, мысалы, өндіріс машиналары, ұшақтар, автомобильдер, пойыздар, жел турбинасы, мұнай құбырлары және т.б.), өндіріс процесінің бастапқы сатысында өнім сапасын болжау және өнім сапасын оңтайландыру (мысалы, болат өнеркәсібі), үздіксіз өндірістік процестердегі (мысалы, химия өнеркәсібіндегі) сыни жағдайды болжау және алдын-алу, өнімнің қызмет ету мерзімін болжау (мысалы, автомобиль қозғалтқыштары, жел турбинасының компоненттері, аккумуляторлар және т.б.), жаңа 3D бұйымдарының құрастыру жоспарын болжау ( мысалы, жүк машиналарының қозғалтқыштарының бөлшектері, шайбалар мен кептіргіштер сияқты ақ тауарлар және т.б.), энергияға сұранысты болжау, сұранысты болжау, бағаны болжау және басқа да көптеген пайдалану жағдайлары (қараңыз: Өнеркәсіптік деректер туралы конференция (IDS 2017 және IDS 2019)[15]).

Әдебиеттер тізімі

  1. ^ а б «Өнеркәсіптік үлкен деректердің көтерілуі» (PDF). GE интеллектуалды платформалары. 2012 жыл.
  2. ^ а б Миллман, Ник (ақпан 2015). «Өнеркәсіптік интернеттің құндылығын ашатын үлкен деректер». Компьютерлік апталық. Алынған 19 наурыз, 2017.
  3. ^ Келли, Джефф. «Өнеркәсіптік интернет және үлкен деректерді талдау: мүмкіндіктер мен қиындықтар». Викибон.
  4. ^ Лэни, Дуглас. «» Үлкен деректердің «маңыздылығы: анықтама». Гартнер. Жоқ немесе бос | url = (Көмектесіңдер)
  5. ^ Вилланова университеті. «Үлкен деректер дегеніміз не?».
  6. ^ ABB. «Үлкен мәліметтер және өнеркәсіптік өндіріс орындарында шешім қабылдау».
  7. ^ а б Кортни, Брайан. «Индустриалды үлкен деректерді талдау: бүгіні мен болашағы». InTech журналы.
  8. ^ Уильямс, Дженни Вайзенберг; Аггор, Карим С .; Интерранте, Джон; МакХью, Джастин; Бассейн, Эрик (2014). «Үлкен жылдамдықты және үлкен көлемді өнеркәсіптік деректерді жадта сақтау және талдау арқылы тарату». IEEE Халықаралық Үлкен Деректер Конференциясы (Үлкен Деректер). 932–941 беттер. дои:10.1109 / BigData.2014.7004325. ISBN  978-1-4799-5666-1. S2CID  7801639.
  9. ^ Ұлттық ғылыми қор. «Бағдарламаны шақыру: киберфизикалық жүйелер (CPS)».
  10. ^ Финнеган, Мэтью (6 наурыз, 2013). «Боинг-787s бір рейске жарты терабайт деректер жасайды», - дейді Virgin Atlantic. ComputerworldUK.
  11. ^ NASA болжамдық шеберлік орталығы (PCoE). «PCoE деректер жиынтығы». Ұлттық аэронавтика және ғарыш басқармасы. Архивтелген түпнұсқа 2014-02-27. Алынған 2015-10-30.
  12. ^ «Берклидегі UC үздік лабораториясы».
  13. ^ «NSF I / UCRC for the Intelligent Maintenance Systems (IMS)».
  14. ^ «FEMTO-ST институты».
  15. ^ Клинкенберг, Ральф. «Өнеркәсіптік деректер туралы ғылым - IDS 2017 - пайдалану жағдайларына шолу». Өнеркәсіптік деректер туралы ғылыми конференция (IDS 2017), Дортмунд, Германия, 5 қыркүйек, 2017 ж .; www.industrial-data-science.org/talks/ сайтында презентация слайдтары мен видео.