산업 빅 데이터는 빅 데이터와 달리 고유한 특징을 가지고 있다. 이 기사는 산업 빅 데이터의 정의와 범주, 출처, 특성, 기술 및 응용 분야, 직면 한 문제에 초점을 맞추고 산업 빅 데이터의 모든 측면을 종합적으로 분석하여 문장 중 산업 빅 데이터의 맥락을 이해할 수 있도록합니다!
산업 빅데이터는 고객 수요에서 판매, 주문, 계획, R&D, 설계, 기술, 제조, 조달, 공급, 재고, 납품 및 배송, 애프터 서비스, 운영, 폐기 또는 재활용 재생산에 이르기까지 일반적인 지능형 제조 모델을 중심으로 산업 분야에서 생성되는 다양한 데이터 및 관련 기술 및 제품 데이터를 중심으로 기존 산업 데이터의 범위를 크게 확장합니다.
-산업 데이터 소스-
우리가 말하는 산업 빅데이터는 기업 정보화 소프트웨어에서 흐르는 데이터와 완전히 동등하지 않다. 산업적으로 볼 때, 주로 세 가지 출처가 있다. 첫 번째 범주는 엔터프라이즈 자원 계획 (ERP), 제품 수명주기 관리 (PLM), 공급망 관리 (SCM), 고객 관계 관리 (CRM), 환경 관리 시스템 (EMS) 을 포함한 엔터프라이즈 정보 영역에서 엔터프라이즈 운영과 관련된 비즈니스 데이터입니다.
두 번째 범주는 기계 장비의 상호 연결 데이터로, 주로 MES 시스템을 통해 실시간으로 전송되는 장비, 자재, 제품 가공 프로세스의 운영 데이터 (예: 작업 조건, 환경 매개변수 등) 입니다. 현재, 스마트 장치가 대량 응용됨에 따라, 이러한 데이터의 양은 가장 빠르게 증가하고 있다.
세 번째 범주는 산업 기업 제품의 판매 후 사용 및 운영 데이터와 많은 고객, 공급업체, 인터넷 등의 데이터 상태를 포함한 기업의 외부 데이터입니다.
--산업 빅 데이터의 특성-
필자는 산업대데이터의 특징, 데이터 중심의 산업가치 창출 등에 대해 산업대데이터 분야 유명 전문가, 미국국가과학재단 (NSF) 지능유지시스템 (IMS) 센터 주임 이걸 교수를 인터뷰한 바 있다. 그는 산업 빅 데이터와 인터넷 빅 데이터의 가장 큰 차이점은 산업 빅 데이터의 목적이 매우 강하며 인터넷 빅 데이터는 관련 마이닝, 더 발산적인 분석이라는 점이다.
또한 데이터 특성과 문제에도 차이가 있습니다. 인터넷 빅 데이터와 달리 산업 빅 데이터의 분석 기술의 핵심은' 3B' 문제를 해결해야 한다.
1) 표면 아래-은폐, 즉 우리는 배후의 의미를 알아야 한다.
산업 환경에서 큰 데이터와 인터넷 큰 데이터의 가장 중요한 차이점은 데이터 피쳐 추출입니다. 산업 빅데이터는 특징 뒤의 물리적 의미와 특징 간의 연관성에 초점을 맞추는 메커니즘 논리에 초점을 맞추고 있지만, 인터넷 빅데이터는 통계 도구로만 속성 간의 연관성을 발굴하는 경향이 있다.
2) 산산조각-조각화, 즉 불연속성을 피하고 시효성을 중시해야 한다.
인터넷상의 대용량 데이터보다 산업 대용량 데이터는 데이터 무결성에 더 많은 관심을 기울이고 있습니다. 즉, 산업 프로세스의 다양한 변화를 포괄하기 위해 애플리케이션 지향 샘플을 최대한 포괄적으로 사용해야 합니다. 객체의 실제 상태를 반영하기 위해 데이터에서 추출할 수 있는 정보의 포괄성을 보장합니다. 따라서 산업 대용량 데이터는 백엔드 분석 방법에서 데이터 조각화로 인한 어려움을 극복하고 피쳐 추출을 통해 유용한 정보로 변환해야 합니다. 한편, 데이터 수집의 프런트 엔드 설계에서 가치 요구 사항에 기반한 데이터 표준을 개발하여 데이터 및 정보 흐름 플랫폼에 통합 데이터 환경을 구축해야 합니다.
3) 품질이 좋지 않습니다. 즉, 품질이 낮습니다. 즉, 데이터 품질을 높이고 낮은 내결함성을 충족해야 합니다.
한편, 데이터 조각 결함의 출처는 데이터 품질에 대한 우려를 나타냅니다. 즉, 데이터 양이 데이터 품질을 보장하지 않으며, 낮은 품질의 데이터가 분석 프로세스에 직접적인 영향을 미칠 수 있기 때문에 데이터 가용성이 낮을 수 있습니다. 결과를 사용할 수 없지만 인터넷 빅데이터는 다릅니다. 데이터 자체의 의미, 즉 발굴된 결과에 관계없이 데이터 자체를 발굴하고 연결할 수 있습니다. 가장 전형적인 것은 마트 쇼핑 습관 데이터 마이닝을 통해 맥주 선반을 종이 기저귀 선반 맞은편에 놓을 수 있다는 점이다. 둘 사이의 논리적 관계는 고려하지 않는다. (알버트 아인슈타인, Northern Exposure (미국 TV 드라마), 스포츠명언)
다시 말해, 인터넷 빅데이터와 비교했을 때, 푸시된 결과가 얼마나 정확한지는 일반적으로 필요하지 않습니다. 산업 빅 데이터는 예측 및 분석 결과에 대한 내결함성이 인터넷 빅 데이터보다 훨씬 낮습니다. 인터넷 빅데이터는 예측과 의사 결정을 할 때 두 속성 간의 연관이 통계적 중요도를 가지고 있는지 여부만 고려하며, 샘플 양이 충분할 경우 개인 간의 소음과 차이를 무시할 수 있으므로 예측 결과의 정확성이 크게 떨어집니다. 예를 들어, 한 사용자에게 A 급 영화를 추천하는 것이 70% 의 의미가 있다고 느낄 때, 사용자가 이런 영화를 정말 좋아하지 않더라도 심각한 결과를 초래하지는 않을 것이다. 그러나 산업 환경에서 통계 중요도로만 분석 결과를 제시하면 하나의 오류라도 심각한 결과를 초래할 수 있다.
--산업 빅 데이터 기술: 알고리즘 및 모델-
산업 데이터의 대량 축적은 직접적인 상업적 이익을 의미하지 않으며, 중간에 매우 중요한 채널 인 산업 빅 데이터 기술이 있습니다. 최근 몇 년 동안, 많은 대형 데이터 전문가와 업계 전문가들도 데이터 양이 더 중요한지, 아니면 빅 데이터 알고리즘이 더 중요한지, 쌍방이 고집을 부린다는 논쟁을 벌이고 있다. (윌리엄 셰익스피어, 윈스턴, 데이터, 데이터, 데이터, 데이터, 데이터) 예를 들어, 구글은 데이터의 양이 중요하다고 생각하는데, 심지어 데이터가 알고리즘만큼 좋지 않다는 사실까지 직언한다. 이런 관점은 우리가 의식적으로 인지하는' 정보가 많을수록 진실에 가까워진다' 는 것과 비슷하다.
예를 들어,' 신호와 소음' (signal and noise, 저자 NateSilver) 에서 이 책의 한 가지 관점은' 더 많은 데이터가 더 많은 소음을 의미한다' 는 것이다. 신호는 진리이지만 소음은 우리를 진리에서 멀어지게 한다. " 따라서 사람들은 진실이 무엇인지 식별하고 식별하기 위해 효과적인 알고리즘과 모델을 구축해야 한다.
여기서 데이터 양이 더 중요한지 알고리즘 모델이 더 중요한지 논의하지 않는 것이 더 중요하지만, 산업 빅 데이터의 효과적인 활용은 산업 빅 데이터의 분석 기술과 불가분의 관계에 있을 것이다.
--산업 빅 데이터 응용 분야 (시나리오)-
1.R&D 디자인: 주로 R&D 인력의 R&D 혁신 능력, R&D 효율성 및 품질을 향상시키고 협업 설계를 지원하는 데 사용됩니다. 구체적으로: (1), 모델 기반 및 시뮬레이션 r (2) 제품 수명주기에 따른 설계; (3) 통합 소비자 피드백 설계.
둘째, 복잡한 생산 공정 최적화에 적용: (1), 산업 인터넷 생산 라인; (2), 생산 품질 관리; (3), 생산 계획 및 스케줄링;
셋째, 제품 수요 예측에 적용
넷째, 산업 공급망 최적화에 적용
--산업 빅 데이터 응용 프로그램 개발의 주요 문제점-
"산업 빅 데이터 백서 20 17 판" 에 따르면 산업 빅 데이터의 연구 및 적용, 제품 빅 데이터는 핵심이고, 빅 데이터는 구현 수단이며, 통합은 기초 (비즈니스 모델, 비즈니스 및 가치 중심, 주요 추출 및 적용) 라고 합니다. 그러나 실제 작업에서 이 세 가지 측면 모두 서로 다른 정도에 어려움이 있다.
산업 빅 데이터 백서 커버 20 17 판
1, 제품 빅 데이터: 제품 빅 데이터는 산업 빅 데이터의 근원이자 핵심이지만, 산업 제조 분야는 광범위합니다. 업계와 제품 수가 많고 여전히 증가하고 있습니다. 제품 빅 데이터의 정의 및 분류 방법을 표준화하고 표준화, 인식, 추적 및 위치 지정 가능한 제품 빅 데이터를 설정하는 방법은 산업 빅 데이터가 성공적으로 적용되기 위한 전제 조건이 될 것입니다.
2.IOT 액세스 장치: IOT 데이터는 산업 빅 데이터의 원활한 흐름을 달성하는 데 필요한 수단입니다. 그러나 실제 산업 어플리케이션에서는 산업 소프트웨어와 하이엔드 IOT 장비가 자율적으로 통제할 수 없고, 하이엔드 IOT 액세스 장치는 읽기와 쓰기가 개방되지 않아 장비 정보의 섬이 되어 데이터 유통이 원활하지 않다. 이 제약을 돌파하는 것은 공업의 큰 데이터를 실현하는 관건이다.
3. 정보 통합: 통합의 어려움은 비즈니스 중심, 핵심 사항 및 연결, 제품 출처 및 장비 제어, 지속적인 최적화에 있습니다.