|
大数据(big data)是指以前所未有的方式，通过对海量数据（大部分为非结构化数据）进行分析获得巨大价值的产品和服务或深刻的洞察。
工业大数据是指建立“物联网+智能分析平台+务联网”的体系，通过捕获工厂和产品两方面的大数据，运用先进的大数据分析方法建立工厂与产品的模拟仿真模型，并利用模拟仿真模型产生的数据、信息对工业实体进行场景化匹配并提供创新价值服务。
物联网的核心是智能传感和通讯网络，智能分析的核心是数据模型和智能算法工具，务联网的核心是业务运营网络与客户体验。
工业数据和工业“大”数据的区别在于工业数据是信息化的基础，而工业大数据是智能化的基础。工业大数据是大数据技术在工业中的应用，应该更复杂，精确度要求更高。工业大数据分析（连接、监控、分析、建模、预测、优化）的智能分析技术为核心，实现智能化决策。
工业大数据也需要云计算支持，数据存储、数据计算、数据服务分别由云计算平台基础平台IaaS、应用平台PaaS、服务平台SaaS的技术支撑。
大数据有两个著名的理论：1、强调相关而非因果；2、不要求数据结构化。它们不可盲目地用于工业界。工业大数据应追求结构化数据，使其标准化，数字化，逻辑化形成数据供应链，再结合半结构、非结构化数据才能驱动智能制造。
工业大数据结合大数据是CPS架构的基础，CPS网络架构是工业4.0的基础。工业大数据驱动智能制造，它包含产品数据，运营数据，价值链数据，外部数据。工业4.0的核心就是数据，他们会渗透到企业运营、价值链乃至产品的整个生命周期。
精益思想的精髓是发现问题、持续改善、消除一切浪费（非增值活动）。解决看见的问题，如停机问题、质量问题。改善的空间越来越小。而工业大数据可以解决看不见的问题，如从静态的六西格码管理模型改为动态的预测模型、在线监控预测分析工具。
工业大数据在工厂应用场景：
1、销售预测与需求管理
通过历史发货数据、社交化数据实时的终端数据、发现趋势建模，预测未来。通过用户偏好等的历史数据，预计用户产品的个性化特点，可以提前安排用户的需求。
2、生产计划与排程
发现历史预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排产，并监控计划与现场实际的偏差，动态的调整计划排产。
3、设备与生产线管理
通过DNC与MDC、传感器、控制器动态监控设备状态，并预测设备的维修，提高设备OEE。
4、质量管理
从静态的六西格码模型改为动态的预测模型、在线监控预测分析工具。并预计防错、SPC统计质量控制。
5、劳动力管理
对标准工时与实际工时差异分析，工时学习曲线的分析，更好的人机协作，可以做到人性化管理。
6、仓储管理
通过条码、二维码、RFID、货架传感器分析物料使用历史记录，可以加速物料的周转、定位物料、精确配送。
7、能耗管理
对电能、气能、热能等消耗数据的分析，能耗自动检测及管理。
8、环保检测
重点排污数据分析，可以预测排污和预警、监控。提供关闭排污口的阀值。
9、现场管理
现场的重要数据分析可视化，价值流VSM数据分析等。
10、作业流程改善
对作业流程监控分析，通过历史数据，虚拟仿真模拟生产现场过程，优化作业流程，并持续改善。
.........
总之，在EA企业架构顶层设计的四个架构（数据架构、流程架构、应用系统架构、平台集成架构）中第一个就是数据架构，只有真正准确的理解什么是数字、数据、大数据、工业大数据、数据供应链。并把数据转化为信息、产品转换为服务。才能实现智能制造、智慧决策，才能探寻出实现中国版的工业4.0的路线图。
|
