Technologien und Anwendungen industrieller Big Data

Jun 23, 2025 Eine Nachricht hinterlassen

Industrielle Big Data beziehen sich auf alle Arten von Daten und damit verbundenen Technologien und Anwendungen, die im industriellen Bereich rund um das typische intelligente Fertigungsmodell generiert werden, von der Kundennachfrage über Verkäufe, Bestellungen, Planung, Forschung und Entwicklung, Design, Prozess, Fertigung, Beschaffung, Lieferung, Lagerbestand, Versand und Lieferung, Kundendienst, Betrieb und Wartung, Ausschuss oder Recycling bis hin zur Wiederaufbereitung des gesamten Produktlebenszyklus jeder Verbindung. Industrielle Big Data sind der Kern der intelligenten Fertigung und basieren auf „Big Data + Industrial Internet“, Cloud Computing, Big Data, Internet der Dinge, künstlicher Intelligenz und anderen Technologien, um den Wandel industrieller Produktionsmethoden voranzutreiben und die innovative Entwicklung der Industriewirtschaft voranzutreiben.


Detaillierte Beschreibung der industriellen Big-Data-Technologie und -Anwendung


I. die Definition von Industrial Big Data


Industrielle Big Data beziehen sich auf den industriellen Bereich, rund um das typische Modell der intelligenten Fertigung, von der Kundennachfrage über Verkäufe, Bestellungen, Planung, Forschung und Entwicklung, Design, Prozess, Herstellung, Beschaffung, Lieferung, Lagerbestand, Versand und Lieferung, Kundendienst, Betrieb und Wartung, Verschrottung oder Recycling und Wiederaufarbeitung des gesamten Produktlebenszyklus verschiedener Arten von Daten, die durch verschiedene Aspekte des allgemeinen Begriffs und der damit verbundenen Technologie generiert werden Anwendungen. Der Schwerpunkt liegt auf Produktdaten, die den Umfang herkömmlicher Industriedaten erheblich erweitern, und umfasst auch Technologien und Anwendungen im Zusammenhang mit industriellen Big Data-. Die Hauptquellen für industrielle Big Data sind die folgenden drei Kategorien.


1. Geschäftsdaten im Zusammenhang mit Produktion und Betrieb


Produktions- und betriebsbezogene Geschäftsdaten stammen hauptsächlich aus dem Bereich der traditionellen Unternehmensinformatisierung und werden in Unternehmensinformationssystemen gespeichert, einschließlich traditioneller Industriedesign- und Fertigungssoftware, Unternehmensressourcenplanung (ERP), Produktlebenszyklusmanagement (PLM), Lieferkettenmanagement (S CM), Kundenbeziehungsmanagement (CRM) und Umweltmanagementsystemen (EMS) usw. Diese Unternehmensinformationssysteme haben eine große Datenmenge angesammelt. Diese Unternehmensinformationssysteme haben eine große Menge an Produktentwicklungsdaten, Produktionsdaten, Betriebsdaten, Kundeninformationsdaten, Logistik- und Lieferdaten sowie Umweltdaten gesammelt. Diese Art von Daten ist das traditionelle Datengut im industriellen Bereich und erweitert seinen Umfang im Umfeld neuer Technologieanwendungen wie dem mobilen Internet schrittweise.


2. Geräte-IoT-Daten


Geräte-IoT-Daten beziehen sich hauptsächlich auf industrielle Produktionsanlagen und Zielprodukte im IoT-Betriebsmodus, Echtzeitgenerierung und -erfassung von Daten zu Betrieb und Betrieb, Arbeitsbedingungen, Umgebungsparametern und anderen Daten, die den Betriebsstatus von Geräten und Produkten widerspiegeln. Solche Daten sind die neue und am schnellsten wachsende Quelle industrieller Big Data. Unter „Narrow Industrial Big Data“ versteht man diese Art von Daten, d. h. eine große Datenmenge, die schnell von Industrieanlagen und -produkten generiert wird, und das Vorhandensein von Zeitreihenunterschieden.


3. Externe Daten


Externe Daten beziehen sich auf die Produktionsaktivitäten von Industrieunternehmen und Produkten im Zusammenhang mit externen Internet-Datenquellen des Unternehmens, beispielsweise die Bewertung der Umweltleistung des Unternehmens anhand von Umweltvorschriften, die Vorhersage makro-sozialer-wirtschaftlicher Daten des Produktmarkts usw. Bei der industriellen Big-Data-Technologie handelt es sich um eine Reihe von Technologien und Methoden, die es ermöglichen, den in industriellen Big Data enthaltenen Wert auszuwerten und anzuzeigen, einschließlich Datenplanung, -erfassung, -vorverarbeitung, -speicherung, -analyse und -gewinnung, Visualisierung und intelligenter Steuerung. Bei der industriellen Big-Data-Anwendung handelt es sich um den Prozess der Integration und Anwendung einer Reihe industrieller Big-Data-Technologien und -Methoden auf einen bestimmten industriellen Big-Data-Satz, um wertvolle Informationen zu erhalten. Die Forschung und der Durchbruch der industriellen Big-Data-Technologie zielen im Wesentlichen darauf ab, neue Muster und Erkenntnisse aus komplexen Datensätzen zu entdecken und wertvolle neue Informationen zu gewinnen, um die Produktinnovation produzierender Unternehmen zu fördern, das Betriebsniveau und die Produktionseffizienz zu verbessern und neue Geschäftsmodelle zu erweitern.

 

II. Merkmale von industriellen Big Data


Zusätzlich zu den Merkmalen allgemeiner Big Data (großes Datenvolumen, Vielfalt, Schnelligkeit und geringe Wertedichte) weist Industrial Big Data auch die Merkmale zeitlicher Abfolge, starker Korrelation, Genauigkeit und geschlossener Schleife auf.


Großes Datenvolumen:Die Größe der Daten bestimmt den Wert und die potenzielle Information der betrachteten Daten. Das industrielle Datenvolumen ist relativ groß, es strömen weiterhin viele Hochfrequenzdaten von Maschinen und Geräten sowie Internetdaten ein, und die Datensätze großer Industrieunternehmen werden das PB- oder sogar EB-Niveau erreichen.


Sorte (Sorte):bezieht sich auf die Vielfalt der Datentypen und ein breites Spektrum an Quellen. Industriedaten sind in verschiedenen Aspekten wie Maschinen und Anlagen, Industrieprodukten, Managementsystemen und dem Internet weit verbreitet und die Struktur ist komplex, mit strukturierten und halb-strukturierten Sensordaten sowie unstrukturierten Daten.


Schnell (Geschwindigkeit):bezieht sich auf die Geschwindigkeit der Datenbeschaffung und -verarbeitung. Die Anforderungen an die Geschwindigkeit der industriellen Datenverarbeitung sind vielfältig, Anforderungen auf Produktionsstandortebene -für Analysezeiträume im Millisekundenbereich, Management- und Entscheidungsanwendungen müssen interaktive oder Batch-Datenanalysen unterstützen.


Niederwertdichte (Wert):Industrial Big Data legt mehr Wert auf den Nutzerwert- und die Nutzbarkeit der Daten selbst, einschließlich der Verbesserung der Innovationsfähigkeit sowie der Produktions- und Betriebseffizienz und der Förderung personalisierter Anpassung, Servicetransformation und anderer neuer Formen intelligenter Fertigungsveränderungen.


Sequenz:Industrielle Big Data haben eine starke zeitliche Abfolge, wie z. B. Bestellungen, Gerätestatusdaten.


Starke-Relevanz:Einerseits sind die Daten in derselben Phase des Produktlebenszyklus von großer Bedeutung, wie z. B. die Zusammensetzung der Produktteile, die Arbeitsbedingungen, der Ausrüstungsstatus, die Wartung und die zusätzliche Beschaffung von Teilen. Andererseits müssen die Daten in verschiedenen Phasen des Produktlebenszyklus, wie Forschung und Entwicklung und Design, Produktion und Service, verknüpft werden.


Genauigkeit:bezieht sich hauptsächlich auf die Authentizität, Vollständigkeit und Zuverlässigkeit der Daten und legt mehr Wert auf die Qualität der Daten sowie die Zuverlässigkeit der Verarbeitungs- und Analysetechniken und -methoden. Höhere Vertrauensanforderungen für die Datenanalyse, die sich nur auf statistische Korrelationsanalysen verlassen, reichen nicht aus, um Fehlerdiagnose, Vorhersage und Frühwarnung sowie andere industrielle Anwendungen zu unterstützen. Es besteht die Notwendigkeit, das physikalische Modell mit dem Datenmodell zu kombinieren und Ursache-Wirkungs-Beziehungen zu ermitteln.


Geschlossener-Kreislauf:Dazu gehören die Schließung und Verknüpfung der Datenkette im horizontalen Prozess des gesamten Lebenszyklus des Produkts sowie der vertikale Datenerfassungs- und -verarbeitungsprozess der intelligenten Fertigung, der die dynamische und kontinuierliche Anpassung und Optimierung im Rahmen der Closed-Loop-Szenarien der Zustandserfassung, -analyse, -rückmeldung und -steuerung unterstützen muss.


Aufgrund der oben genannten Merkmale hat Industrial Big Data als Anwendungsbranche für Big Data eine breite Anwendungsperspektive und stellt gleichzeitig eine große Herausforderung für die traditionelle Datenmanagementtechnologie und Datenanalysetechnologie dar.


III. Industrielle Big-Data-Architektur


Die industrielle Big-Data-Architektur umfasst drei Dimensionen: Lebenszyklus und Wertstrom, vertikale Unternehmensebene und IT-Wertschöpfungskette.


In der Lebenszyklus- und Wertstromschicht kann es entsprechend den Anwendungsbereichen industrieller Big Data in drei Bereiche unterteilt werden: Produktentwicklung und -design vor Beginn der Produktproduktionsphase, Produktions- und Lieferkettenmanagement vor Produktlieferung sowie Betriebs-, Wartungs- und Servicemanagement nach Produktlieferung.


In der vertikalen Schicht des Unternehmens kann es je nach Datenerfassungsmethode und Anwendungsebene in die Schicht des physischen Informationssystems, die Schicht des Unternehmensmanagement-Informationssystems und die Schicht des Plattformverbindungssystems unterteilt werden.


Auf der Ebene der IT-Wertschöpfungskette kann sie auf drei Ebenen in Geschäftsarchitektur, Informationssystemarchitektur und IT-Technologiearchitektur unterteilt werden, wobei die Informationssystemarchitektur in Anwendungsarchitektur und Informationsarchitektur unterteilt werden kann.


1. Lebenszyklus- und Wertstromdimension


Die Lebenszyklus- und Wertstromdimension in der industriellen Big-Data-Architektur deckt die Phasen des gesamten Produktlebenszyklus ab, also Forschung und Entwicklung und Design, Produktion, Logistik, Vertrieb, Betrieb und Wartung sowie Service. Unter diesen können Produktion, Logistik und Vertrieb weiter in Produktion und Lieferkette kategorisiert werden, und die Lebenszyklus- und Wertstromdimension umfasst drei Bereiche: Forschung und Entwicklung und Design, Produktion und Lieferkette sowie Betrieb, Wartung und Service. Die Anwendungsszenarien jeder Domäne sind in Abbildung 2 dargestellt.


01. Forschung und Entwicklung und Design


F&E-Daten werden vom F&E-Personal im F&E- und Designprozess gesammelt und stammen aus allen Aspekten des Produktlebenszyklus, einschließlich: Big Data zur Benutzernachfrage, Big Data zum F&E-Wissen, Big Data zur Produktwiederverwendung, Big Data zur F&E-Zusammenarbeit usw., mit produkt- und branchenübergreifenden F&E-Daten und einer Vielzahl von Merkmalen.


Unternehmen für personalisiertes Produktanpassungsdesign können über die Internetplattform personalisierte Produktnachfrage, Produkt-Kundeninteraktion und Transaktionsdaten der Benutzer sammeln. Das Auswerten und Analysieren dieser dynamischen Kundendaten kann Kunden dabei helfen, an Produktnachfrageanalysen und Produktdesignaktivitäten teilzunehmen, um ein individuelles Design zu erreichen. Mithilfe des flexiblen Produktionsprozesses können Sie dann maßgeschneiderte Produkte für Benutzer herstellen.


Um das Simulationsdesign auf der Grundlage von Big Data zu realisieren, müssen herkömmliche Produktionsunternehmen beim Testen und Verifizieren der Verbindung Sachleistungen erbringen, um ihre Leistung und andere Indikatoren zu bewerten, wobei die Kosten mit zunehmender Anzahl von Tests steigen. Durch den Einsatz virtueller Simulationstechnologie kann der ursprüngliche F&E-Entwurfsprozess aus Simulation, Analyse, Bewertung, Verifizierung und Optimierung erreicht werden, wodurch die Menge an technischen Änderungen reduziert, der Produktionsprozess optimiert, Kosten und Energieverbrauch gesenkt werden.


Realisieren Sie personalisierte, benutzerdefinierte Designautomatisierung auf der Grundlage von Big Data. Traditionelle Unternehmensprodukttypen, es gibt nicht viele Stile, können zum manuellen Entwerfen von Produktmodellen, Produktionsmustern und anschließendem Massenproduktionsmodus verwendet werden. Angesichts der personalisierten Anforderungen an die Kleinserienproduktion führt der herkömmliche Modus jedoch dazu, dass der Produktproduktionszyklus zu lang und die Kosten zu hoch sind. Durch die Sammlung einer großen Menge an Produktdesign-Modelldaten, die Analyse der Korrelation zwischen den Designdaten und mithilfe von Big-Data-Technologie und anderen Hilfsdesigntools kann die Automatisierung personalisierter, maßgeschneiderter Designs und Modellgenerierung realisiert werden.


Fördern Sie die Integration und gemeinsame Nutzung von F&E-Ressourcen sowie Innovations- und kollaborativen Designunternehmen durch den Aufbau und die Verbesserung der F&E- und Design-Wissensdatenbank, um die digitalen Zeichnungen, die Standardteilebibliothek und andere Designdaten innerhalb des Unternehmens sowie vor- und nachgelagerter Unternehmen in der Lieferkette der Ressourcenfreigabe sowie Innovation und Zusammenarbeit zu fördern und die überregionalen F&E-Ressourcen des Unternehmens, integriertes Management und Industriekette zu verbessern kollaborative Designfunktionen. Verbessern Sie die Fähigkeit von Unternehmen, globale F&E-Ressourcen zu verwalten und zu nutzen, F&E-Prozesse zu optimieren und neu zu organisieren und die F&E-Effizienz zu verbessern.


Kultivieren Sie neue Formen der Forschung und Entwicklung auf der Grundlage des sozialisierten Austauschs und der Beteiligung von Designressourcen und ermöglichen Sie Unternehmen, neue Arten der Forschung und Entwicklung wie Crowdsourcing und Crowdsourcing auf der Grundlage ihrer eigenen Forschungs- und Entwicklungsbedürfnisse durchzuführen, um die Fähigkeit der Unternehmen zu verbessern, sozialisierte Innovationen und Kapitalressourcen zu nutzen.


02.Produktion und Lieferkette


Produktions-Big-Data umfasst nicht nur Produktproduktionsinformationen, Auftragsinformationen, Ausrüstungsinformationen, Kontrollinformationen, Materialinformationen und Personalarbeitsplanung, sondern umfasst auch den internen Managementinformationsfluss, den Kapitalfluss, die Produktproduktion von vor- und nachgelagerten Lieferanten sowie das Kundenmanagement und andere damit verbundene Hilfsinformationen zum Produktionsmanagement. Die Erfassung von Produktionsdaten basiert auf dem vorhandenen Ressourcenmanagement, der Fertigungsausführung, dem industriellen Kontrollmanagement, dem Lieferkettenmanagement, dem Lieferantenmanagement, dem Kundenmanagement, der Geschäftsverwaltung und anderen Informationssystemen des Unternehmens.


Es ermöglicht eine Echtzeitüberwachung und -verwaltung des Produktionsprozesses und eine vorausschauende Wartung der Produktionsausrüstung, verbessert die Managementebene des Produktionsprozesses und der Ausrüstung, optimiert den Produktionsprozess und verbessert die Produktqualität. Moderne Produktionslinien für die industrielle Fertigung sind mit Tausenden kleiner Sensoren ausgestattet, um den Betriebsstatus von Produktionsanlagen wie Temperatur, Druck, Hitze, Vibration und Lärm usw. zu erfassen. Durch die Verwendung dieser Daten können Echtzeitüberwachung des Produktionsprozesses, Diagnose und Vorhersage von Geräteausfällen, Analyse des Energieverbrauchs und Analyse von Qualitätsunfällen realisiert werden. Darüber hinaus können Daten aus allen Bereichen der Fertigung integriert und aggregiert, virtuelle Modelle des Produktionsprozesses erstellt sowie der Produktionsprozess simuliert und optimiert werden.


Realisieren Sie eine personalisierte, maßstabsgetreue Produktion und fördern Sie die Einrichtung eines modernen Produktionssystems. Durch die Automatisierung des Datenflusses im gesamten Lebenszyklus des Produkts und die automatisierte und intelligente Steuerung des gesamten Herstellungsprozesses werden der Informationsaustausch, die Systemintegration und die geschäftliche Zusammenarbeit gefördert, die Fähigkeit zur Präzisionsfertigung, High-End-Fertigung und agilen Fertigung verbessert, personalisierte, maßgeschneiderte Massenproduktionen realisiert, die Einrichtung modernisierter Produktionssysteme wie intelligente Werkstätten und intelligente Fabriken beschleunigt und eine intelligente Produktion realisiert.


Verwirklichen Sie eine vernetzte kollaborative Fertigung und eine Sharing Economy. Durch das „Internet +“ erfolgt die Integration und Optimierung von Produktionsressourcen innerhalb oder zwischen Unternehmen sowie die Verwirklichung einer vertikalen kollaborativen Fertigung innerhalb von Unternehmen oder einer horizontalen kollaborativen Fertigung zwischen Unternehmen. Durch das Internet + Sharing Economy wird die gemeinsame Nutzung von Innovationsressourcen, Produktionskapazität, Lagerbeständen und anderen Produktionsressourcen zur Verwirklichung der Sharing Economy im verarbeitenden Gewerbe ermöglicht.

 

Optimieren Sie die industrielle Lieferkette. Elektronische Identifikationstechnologien wie Radiofrequenzidentifikation (RFID), Internet-of-Things-Technologie (IoT) und mobile Internettechnologie können Industrieunternehmen dabei helfen, große Datenmengen über die gesamte Produktlieferkette zu erhalten, und die Verwendung dieser Daten für Analysen wird zu einer erheblichen Steigerung der Effizienz von Lagerung, Vertrieb und Verkauf sowie zu einer erheblichen Kostensenkung führen.


Führen Sie Bedarfsprognosen durch, um den Wareneingang und die Produktion besser zu organisieren. Wenn die Nachfrage sinkt, ermitteln Sie die Ursache des Problems und lösen es.


Realisieren Sie Kundenprofile und präzise Marketing- und Kundenverhaltensanalysen, die die Kundenquellen erweitern, die Erfolgsquote des Marketings sowie die ursprüngliche Kundenzufriedenheit und -treue verbessern können.


03.Betriebs-, Wartungs- und Servicebereich


Es gibt viele Datenquellen im Bereich Betrieb, Wartung und Service, darunter vor allem: Echtzeit-Laufstatusdaten und Umgebungsdaten, die von den in die Produkte integrierten Sensoren mit Genehmigung der Kunden erfasst werden; Über die Geschäftsplattform erhaltene Produktverkaufsdaten, Kundendaten und die entsprechende Produktbewertung oder Nutzungsrückmeldung; Kundenbeschwerden und die entsprechenden Verarbeitungsaufzeichnungen; Produktrückgaben/-rücksendungen und die entsprechenden Wartungsaufzeichnungen.


Durch die Überwachung und Analyse der Echtzeit-Betriebsstatusdaten von Produkten, die aus der Ferne erfasst werden, können Online-Mehrwertdienste-wie Fernüberwachung und -verwaltung, Fehlerdiagnose und vorausschauende Wartung realisiert werden, wodurch die Wartungskosten gesenkt und die Produktauslastung verbessert werden können.


Durch die Analyse der Kundennutzungsdaten und Umgebungsdaten der Geräte können außerdem erweiterte Dienste für die Benutzer bereitgestellt, der Wertraum der Produkte erweitert und die Transformation des produktzentrierten Geschäftsmodells zum Modell „Fertigung + Service“ realisiert werden.


Durch die Analyse der Produktbewertung oder des Nutzungsfeedbacks von Kunden, Kundenbeschwerden, die Einbeziehung nützlicher Kommentare in das Produktdesign und die Produktverbesserung sowie die Kategorisierung von Kundenbeschwerden können wir die Produktqualität und die Kundendienstqualität verbessern, die Reklamationsrate senken und die Kundenzufriedenheit und -treue erhöhen.


Durch die Analyse der Gründe für die Produktrückgabe oder -reparatur und das Ergreifen rechtzeitiger und wirksamer Maßnahmen können wir die Produktqualität verbessern und die Rücksende- und Reparaturquote senken.

 

2. Vertikale Unternehmensebene


Die vertikale Unternehmensschicht der industriellen Big-Data-Architektur ist aus Sicht der physischen Domäne von unten nach oben in fünf Schichten unterteilt: Geräteschicht, Kontrollschicht, Werkstattschicht, Unternehmensschicht und Kollaborationsschicht. In der Ausrüstungsschicht, der Steuerungsschicht und der Werkstattschicht kann das Internet der Dinge genutzt werden, um intelligente Fabriken auf Basis des informationsphysikalischen Systems zu realisieren; Auf der Unternehmensebene integriert das Unternehmen verschiedene interne Informationsanwendungen, führt die Integration und Transformation interner Geschäftsprozesse durch und verbessert die betriebliche Effizienz des Unternehmens. und in der Kollaborationsschicht werden die industrielle Cloud und andere Plattformtechnologien verwendet, um die externe kollaborative Fertigung des Unternehmens und innovative Geschäftsmodelle wie das fertigungsdienstleistungsorientierte Modell zu realisieren. Die vertikale Dimension des Unternehmens kann in drei Subsysteme unterteilt werden: Informationsphysisches System, Unternehmensmanagement-Informationssystem und Verbindungsplattformsystem.


01.Physisches Informationssystem


Das physische Informationssystem sammelt und aggregiert Maschinenbetriebsdaten und Produktionsstandortdaten über Sensoren und verschiedene Informationssysteme, um eine allgegenwärtige Erfassung zu realisieren, und wendet Datenintegrations- und -verarbeitungstechnologie an, um Industriedaten zu sammeln und auszutauschen, Rückmeldungen und Kontrollen in der Fertigung zu ermöglichen, Kontrolle und Interaktion mit Geräten und Werkstätten zu erreichen, die Verbindung und Interoperabilität interner und externer physischer Systeme von Fabriken zu realisieren und eine Datenbasis für industrielle Modellierung/Simulation und Analyse bereitzustellen und dann Unterstützung dafür bereitzustellen Entscheidungsfindung-Optimierung des Werkstatt-/Fabrikbetriebs. Es stellt auch eine Datenbasis für die industrielle Modellierung/Simulation und Analyse bereit, die wiederum unterstützende Dienste für die Optimierung von Werkstatt-/Fabrikbetriebsentscheidungen bereitstellt. In der vertikalen Schicht des industriellen Big-Data-Architekturunternehmens basiert das informationsphysikalische System, das zur Informationssammlung auf der Industrieausrüstungsschicht verwendet wird, auf Big Data, Netzwerk und Massenberechnung, und durch den Kern können intelligente Wahrnehmung, Analyse, Bergbau, Bewertung, Vorhersage, Optimierung, Zusammenarbeit und andere technische Mittel, Berechnung, Kommunikation und Steuerung die organische Fusion und eine tiefgreifende Zusammenarbeit realisieren, um so die tiefe Fusion der zu erreichen Cyberspace und physischer Raum von Industrieanlagen, Umgebungen und Gruppen. Tiefe Integration. Das Wesentliche eines physikalischen Informationssystems besteht darin, physische Geräte mit dem Internet zu verbinden, sodass physische Geräte fünf Hauptfunktionen haben: Berechnung, Kommunikation, präzise Steuerung, Fernkoordination und Autonomie.


02.Unternehmensmanagement-Informationssystem


Unter Unternehmensinformatisierung versteht man den Prozess der Anwendung von Informationstechnologie und -produkten in Unternehmen. Unternehmensinformatisierung ist der Prozess der umfassenden Durchdringung der Informationstechnologie von lokal bis global, von der taktischen bis zur strategischen Ebene in Unternehmen, deren Anwendung auf das Prozessmanagement und die Unterstützung des Unternehmensbetriebs und -managements. Die Unternehmensinformatisierung umfasst hauptsächlich die Steuerung von Produktionsprozessen, Unternehmensmanagement, Produktlebenszyklusmanagement, Lieferkettenoptimierung und Managementprozesse. Die Informatisierung der Produktionsprozesssteuerung konzentriert sich auf Produktentwicklung und -design, Produktionsablauf, Werkstattmanagement, Qualitätsprüfung und andere Design- und Produktionsverbindungen. Die Informatisierung des Unternehmensmanagements ist der größte Teil des Unternehmensinformationsaufbaus, der schwierigste und am weitesten verbreitete in einem Bereich, der alle Ebenen des Unternehmensmanagements umfasst. Der Aufbau der Informatisierung des Unternehmensmanagements besteht darin, Informationsressourcen durch das Informationsintegrationsanwendungssystem effektiv zu sammeln, zu verarbeiten, zu organisieren und zu integrieren, auf der Grundlage der Standardisierung der grundlegenden Managementarbeit und der Optimierung von Geschäftsprozessen, der Verbesserung der Managementeffizienz und der Bereitstellung dynamischer Managementinformationen und Entscheidungsinformationen in Echtzeit. Durch die Informatisierung des Enterprise Supply Chain Managements erstrecken sich die Produktions- und Managementaktivitäten des Unternehmens vorwärts und rückwärts. Unternehmen von der Beschaffung von Rohstoffen, Komponenten, Transport, Lagerung, Verarbeitung und Herstellung, Verkauf bis zur endgültigen Lieferung und Bedienung an Kunden, die eine Kettenstruktur bilden, die aus vorgelagerten Lieferanten, Zwischenproduzenten und Drittdienstleistern, nachgelagerten Vertriebskunden und den Produktionsaktivitäten von Unternehmen besteht, unterliegen den Managementprozessen den Einschränkungen dieser Lieferkette und ihrem Einfluss.


03.Vernetztes Plattformsystem


Derzeit steht die industrielle Entwicklung Chinas und der meisten Länder vor großen Schwierigkeiten und Herausforderungen, darunter: gravierende Überkapazitäten, der Mangel an personalisierten Produkten, die Produkte werden immer komplexer, die Produktionsmittel können nicht effektiv konfiguriert werden und der Markt für Großgeräte wird zunehmend gesättigt usw. und es muss dringend nach einer strategischen Lösung für die Rückkehr der Industrie und die Transformation und Modernisierung der Industrie gesucht werden. „Internet +“ ist ein sehr dynamisches Denken und innovative Geschäftsmodelle, die für die Notlage der verarbeitenden Industrie, die dringend einer Transformation und Modernisierung bedarf, eine neue Richtung der Transformation bieten, durch die Reform der Produktionsmethoden und Geschäftsmodelle und die Verbesserung der Produktionstechnologie, um eine Kundenpersonalisierung von kundenspezifischen Produkten, Kleinserien- und Großserienproduktion zu erreichen und das Problem der großen Produktionskapazität von Industrieprodukten zu lösen. Durch die Reformierung von Produktionsmethoden und Geschäftsmodellen sowie die Verbesserung der Produktionstechnologie können wir die Produktion personalisierter Produkte in kleinen Mengen und großem Maßstab realisieren, um das Problem der großen Überkapazitäten bei Industrieprodukten und der Unfähigkeit, die personalisierte Nachfrage der Kunden nach Produkten zu erfüllen, zu lösen und so die Nachfrage nach Respekt und Bestätigung der Kunden sowie nach Selbstverwirklichung zu befriedigen.


Versuchen Sie, das Problem der schwachen Kerntechnologie und der geringen Produktionskapazität von High-End-Produkten durch vernetzte kollaborative Fertigung zu lösen, d. h. mit Hilfe des Internets oder einer industriellen Cloud-Plattform, neue Formen der kollaborativen Forschung und Entwicklung, Crowdsourcing-Design, Zusammenarbeit in der Lieferkette usw. zwischen Unternehmen zu entwickeln, um die Kosten für die Beschaffung von Ressourcen effektiv zu senken, den Umfang der Ressourcennutzung erheblich zu erweitern, die geschlossenen Grenzen zu durchbrechen und die Produktion zu beschleunigen Transformation vom „Alleinkämpfen“ zur „Industriellen Zusammenarbeit“. „zu industriellen Synergien und zur Förderung der allgemeinen Wettbewerbsfähigkeit der Branche.“


Versuchen Sie, das Problem der Überkapazitäten ohne effektive Ressourcenallokation und der schwachen unabhängigen Innovationsfähigkeit durch Innovation und Unternehmertum sowie eine Sharing Economy im verarbeitenden Gewerbe zu lösen.


Mit dem Kernprodukt als Achse, durch die Sammlung und Analyse von Produktkundennutzungsdaten und Umgebungsdaten, um Benutzern erweiterte Dienste bereitzustellen, den Wertraum des Produkts zu erweitern, neue Märkte zu erschließen und die Transformation des produktzentrierten Geschäftsmodells zum Modell „Fertigung + Service“ zu realisieren.


3. IT-Wertschöpfungskette


Der Wert von Big Data wird durch Aktivitäten wie Datenerfassung, Vorverarbeitung, Analyse, Visualisierung und Zugriff realisiert.


In der Dimension der IT-Wertschöpfungskette wird der Wert von Big Data durch die Bereitstellung von Netzwerken, Infrastruktur, Plattformen, Anwendungstools und anderen Diensten realisiert, die Big Data für Big-Data-Anwendungen speichern, wodurch die betriebliche Effizienz verbessert und Geschäftsinnovationen unterstützt werden. Die durch Big-Data-Technologie unterstützte Unternehmensarchitektur kann in drei Ebenen unterteilt werden: Geschäftsarchitektur, Informationssystemarchitektur und IT-Technologiearchitektur unter Bezugnahme auf die TOGAF-Aufteilungsmethode.


01. Geschäftsarchitektur


Die Geschäftsarchitektur definiert Geschäftsstrategie, Management, Organisation und wichtige Geschäftsprozesse und ist die Grundlage der umfassenden Informationstechnologiestrategie und Informationssystemarchitektur des Unternehmens sowie die Determinante der Daten-, Anwendungs- und Technologiearchitektur. Die Geschäftsarchitektur ist der Kanal, der die Geschäftsstrategie einer Organisation in den täglichen Betrieb umsetzt, und die Geschäftsstrategie bestimmt die Geschäftsarchitektur. Die Geschäftsarchitektur wandelt hoch-Geschäftsstrategien und -ziele in operative Geschäftsmodelle um. Geschäftsarchitektur ist Ausdruck der zentralen Geschäftsstrategie des Unternehmens und der Geschäftsfunktionen und -prozesse, meist ein auf Basis eines Geschäftsmodells umgesetztes Geschäftsdesign, das die Geschäftsmodule und die Beziehungen zwischen ihnen, also die Hauptprozesse des Geschäfts, aus unterschiedlichen Perspektiven beschreibt. Unter Geschäftsarchitektur versteht man eine ordnungsgemäße Abgrenzung der wichtigsten und gemeinsamen Geschäftsprozesse sowie die Artikulation und Analyse des Lebenszyklus von Geschäftselementen. Der Wert industrieller Big Data kann durch die strategische Planung des industriellen Big Data-Geschäfts und den Aufbau einer Unternehmensarchitektur genutzt werden.


02.Informationssystemarchitektur


Um den Wert industrieller Big Data voll auszuschöpfen und die Bildung von „Informationsinseln“ zu vermeiden, ist es notwendig, eine einheitliche Informationssystemarchitektur aufzubauen, um den Benutzerzugriff und die Interoperabilität verschiedener Anwendungssysteme und Daten zu realisieren. Die auf der industriellen Big-Data-Geschäftsstrategie basierende Informationssystemarchitektur ist eine Architektur, die die Beziehung zwischen den verschiedenen Komponenten des Informationssystems eines produzierenden Unternehmens sowie die Beziehung zwischen dem Informationssystem und dem zugehörigen Unternehmen sowie zwischen dem Informationssystem und der zugehörigen Technologie widerspiegelt. Die Informationssystemarchitektur umfasst Anwendungsarchitektur und Datenarchitektur. Unter ihnen beschreibt die Anwendungsarchitektur den Entwurf des Anwendungssystems, der zur Unterstützung des Unternehmensbetriebs erforderlich ist, einschließlich Anwendungsebenen, Funktionen, Realisierungsmethoden und Konstruktionsstandards usw. Sie untersucht hauptsächlich die Interaktion zwischen Anwendungssystemen und die Korrespondenz zwischen Anwendungen und Kerngeschäft und konzentriert sich bei der Forschung auf den Gesamtrahmen des Unternehmens, der als Brücke zwischen der Geschäftsarchitektur und der technischen Architektur bezeichnet werden kann. Die industrielle Big-Data-Anwendungsarchitektur umfasst sowohl Anwendungssysteme, die den verschiedenen Ebenen der vertikalen Ebene des Unternehmens in der industriellen Big-Data-Architektur entsprechen, als auch Anwendungssysteme, die auf Big-Data-Technologie basieren. Die Datenarchitektur hingegen ist eine Beschreibung der Struktur und Interaktion der wichtigsten Datentypen und -quellen, logischen Datenbestände, physischen Datenbestände und Datenverwaltungsressourcen einer komplexen Organisationseinheit.


03.Informationstechnologie-Architektur


Mit dem Aufkommen der Industrie 4.0-Welle integrieren und dringen Informationstechnologien wie das Internet der Dinge (IoT), Cloud Computing, Big Data, künstliche Intelligenz, Augmented Reality/Virtual Reality und andere Informationstechnologien kontinuierlich in den industriellen Bereich ein, was eine solide technologische Grundlage für die Implementierung industrieller Big-Data-Anwendungen bildet. Unter anderem stellt die IoT-Technologie allgegenwärtige Endgeräte und Einrichtungen her, die gemäß vereinbarten Protokollen über Informationserfassungsgeräte wie Funkfrequenzidentifikation, Infrarotsensoren, globale Positionierungssysteme usw. mit dem Internet verbunden werden können, um Informationen auszutauschen und zu kommunizieren und die Gegenstände und ihren Status sichtbar zu machen, um eine intelligente Identifizierung, Lokalisierung, Verfolgung, Überwachung und Verwaltung zu realisieren; Die Cloud-Computing-Technologie bietet eine Art dynamischen und skalierbaren Computerdienst, der bei Bedarf über das Netzwerk realisiert werden kann. Die Cloud-Computing-Technologie bietet bedarfsgesteuerte, dynamisch skalierbare und kostengünstige Rechendienste über das Netzwerk. Big-Data-Technologie und KI-Technologie ermöglichen es, den potenziellen Wert großer Datenmengen in akzeptabler Zeit zu analysieren und auszuschöpfen sowie den Trendvorhersage- und Gruppenintelligenzmodus zu realisieren; AR/VR-Technologie kann die Simulation und Verbesserung der Erfahrung der Fabrikumgebung, Industrieanlagen usw. realisieren. Fertigungsunternehmen generieren jeden Tag oder sogar jeden Augenblick große Datenmengen mit einer großen Vielfalt, die den gesamten Lebenszyklus von Industrieprodukten abdecken, einschließlich Konstruktionsdaten, Produktionsdaten, Wertschöpfungskettendaten und zugehöriger externer Daten. Diese Daten stammen entweder von Sensoren oder vom Datenerfassungs- und Überwachungssteuerungssystem intelligenter Geräte oder vom Designmodell und Informationssystem des Unternehmens.


Die Realisierung industrieller Big-Data-Anwendungen erfordert Datenerfassung und Vorverarbeitung, Speicherung, Analyse und Mining, Anwendung für bestimmte Unternehmen und schließlich die Anzeige der Ergebnisse. Dementsprechend ist die industrielle Big-Data-Informationstechnologiearchitektur in sechs Schichten unterteilt: Datenschicht, Datenerfassungsschicht, Speicherschicht, Rechenschicht, Anwendungsschicht und Anzeigeschicht. Wenn Unternehmen jede Schicht einzeln bauen, ist die Bauschwelle relativ hoch. Eine Reihe von Open-Source-Technologiekomponenten im Zusammenhang mit industriellen Cloud-Diensten und (industrieller) Big-Data-Verarbeitung wurden im In- und Ausland entwickelt und fertiggestellt, und die Technologie der künstlichen Intelligenz hat weitere große Fortschritte gemacht, die optionale Lösungen für die intelligente Transformation des Industriebereichs bietet und auch die Schwelle für den Aufbau und die Implementierung industrieller Big-Data-Anwendungen senkt. Unternehmen müssen nicht jede Komponente der technischen Architektur einzeln realisieren, wenn dies nicht erforderlich ist, und können die entsprechenden Open-Source-Komponenten verwenden, um industrielle Big-Data-Anwendungen gemäß ihren Anforderungen sowie verschiedene Arten und Ebenen industrieller Cloud-Dienste gemäß ihren Anforderungen zu erstellen und auf dieser Grundlage industrielle Big-Data-Anwendungen zu implementieren, um sich stärker auf die Geschäftsbereiche und technischen Bereiche zu konzentrieren, in denen die Unternehmen gut sind.


Die industrielle Big-Data-Analysetechnologie als eine der Kerntechnologien von Industrial Big Data kann es industriellen Big-Data-Produkten ermöglichen, riesige Datenmengen zu extrahieren, Multi-Quelldaten zu integrieren, Multi-{1}Typ-Wissen zu modellieren, Multi-{2}Geschäftsszenarien zu analysieren und Multi-Domänen-Wissen zu entdecken usw., was eine wichtige Rolle bei der Förderung des Geschäfts spielt Innovation sowie Transformation und Modernisierung von Unternehmen.

Anfrage senden

whatsapp

Telefon

E-Mail

Anfrage