制造業中的大數據

大數據被定義為非常大的數據集，可能會被編號為數十億行和參數。在制造業，大數據可以包括在生產的每個階段收集的數據，包括來自機器、設備和操作員的數據。

這些數據可以是結構化的，也可以是非結構化的。

大數據集的巨大數量和復雜性，以及與之合作的特定工具、技術和最佳實踐的數量，導致了制造業及其周邊的數據科學和大數據分析領域的成熟。

大數據概念

雖然我們可以理解大數據的增長將如何徹底改變制造業數據分析，而不必理解它是如何“在引擎蓋下”工作的，可以說，熟悉一些關鍵概念可以走很長的路。

首先，重要的是要理解大數據分析不僅僅是軟件問題。

支持人工智能、機器學習和深度學習算法需要大量的硬件和基礎設施。

在許多情況下，制造數據通過云存儲在數據池中，并在GPU集群上處理，而不是使用傳統的CPU處理器。所有這些都是一種行話式的說法，即現代工廠生成的數據量需要更新的存儲和處理工具來支持。

在數據分析方面，即使是最復雜的技術背后也很少有基本的方法、結果和過程。

確定性地分離相關性和因果關系

特別是在制造業，了解根本原因對于持續改進是絕對必要的。

因此，毫不奇怪，用于確定兩個變量是否相關或推斷哪些變量是因果變量的工具如此重要。幾十年來，線性回歸等標準技術一直在發揮巨大作用，而機器學習算法使得在更大、噪聲更大的數據集中找到相關性和協方差成為可能。

隔離離群值和內聯值

在處理大型數據集時，了解哪些數據點可以分組為趨勢以及哪些是異常值是至關重要的。

這一點很重要，不僅因為更好的數據意味著更干凈的結果，而且因為異常值檢測對于預測性維護等項目也很重要，這些項目依賴于檢測異常并將其與機器故障或零件退化關聯起來。

有了足夠的數據，神經網絡和機器學習分析（隨機森林、隔離森林）可以幫助檢測、分類和測量數據點的重要性。

創造新的分類

機器學習最令人興奮的成果之一是產生了一個組織的新分類結構和層次結構，這很容易避開人類的努力。這些算法通常被稱為“無監督學習”或“聚類分析”，通過檢測數據中固有的模式來解析和分類數據集中的信息。對于制造業，分類算法的一個應用可能是在作為機器監控程序一部分收集的數據中發現有關機器效率的新信息。

歸根結底，這些技術的與眾不同之處在于它們能夠對給定的數據集進行“訓練”，從而在每次新輸入時產生更可靠的輸出；他們能夠容納的數據集的大??；以及它們的分類、預測和預測能力的可靠性。

制造業大數據使用案例

1、預測性維護

大多數制造商遵循一些預防性維護（PM）時間表。對于PM，主管定期（或不定期）安排停機時間，以便在意外故障導致成本高昂的計劃外停機之前修復資產。

2、預測質量

這里的概念類似于預測性維護。有幾十個變量有助于實現高質量的結果。對于跟蹤這些變量的制造商，大數據分析有助于確定根本原因并識別導致不符合項的因素。

3、異常檢測

無論是銑削零件質量的微小偏差還是銑削本身產生的熱量，大數據分析都可以將信號與噪聲分離?，F代算法使得識別具有高度統計意義的異常成為可能。

4、計算機視覺

計算機視覺是一種實時分析動態人體行為的工具。人工智能和機器學習的進步使計算機能夠在人類事件發生時觀察、分類和響應。

5、刀具壽命周期優化

雖然延長刀具壽命的技巧很少，但這可能很棘手。這是因為有許多變量會影響工具隨時間的磨損。大數據分析可以更確定地找出根本原因。

6、供應鏈管理

時間就是一切。大數據使預測供應商是否會按約定交付成為可能，并使優化供應鏈以降低風險成為可能。

7、產量預測

預測需求對于優化生產至關重要。您收集的有關運營、業務和供應商的數據可以幫助您做好準備

成為數據驅動型企業，首先要轉變觀念。是時候將數據作為您的業務核心了是時候從孤立的、專有的、回顧性的方法轉向統一的、可用的、面向解決辦法的模型了。

換句話說，數據（以及來自這些數據的智能）必須成為您業務的核心焦點。