制造业中的大数据

大数据被定义为非常大的数据集，可能会被编号为数十亿行和参数。在制造业，大数据可以包括在生产的每个阶段收集的数据，包括来自机器、设备和操作员的数据。

这些数据可以是结构化的，也可以是非结构化的。

大数据集的巨大数量和复杂性，以及与之合作的特定工具、技术和最佳实践的数量，导致了制造业及其周边的数据科学和大数据分析领域的成熟。

大数据概念

虽然我们可以理解大数据的增长将如何彻底改变制造业数据分析，而不必理解它是如何“在引擎盖下”工作的，可以说，熟悉一些关键概念可以走很长的路。

首先，重要的是要理解大数据分析不仅仅是软件问题。

支持人工智能、机器学习和深度学习算法需要大量的硬件和基础设施。

在许多情况下，制造数据通过云存储在数据池中，并在GPU集群上处理，而不是使用传统的CPU处理器。所有这些都是一种行话式的说法，即现代工厂生成的数据量需要更新的存储和处理工具来支持。

在数据分析方面，即使是最复杂的技术背后也很少有基本的方法、结果和过程。

确定性地分离相关性和因果关系

特别是在制造业，了解根本原因对于持续改进是绝对必要的。

因此，毫不奇怪，用于确定两个变量是否相关或推断哪些变量是因果变量的工具如此重要。几十年来，线性回归等标准技术一直在发挥巨大作用，而机器学习算法使得在更大、噪声更大的数据集中找到相关性和协方差成为可能。

隔离离群值和内联值

在处理大型数据集时，了解哪些数据点可以分组为趋势以及哪些是异常值是至关重要的。

这一点很重要，不仅因为更好的数据意味着更干净的结果，而且因为异常值检测对于预测性维护等项目也很重要，这些项目依赖于检测异常并将其与机器故障或零件退化关联起来。

有了足够的数据，神经网络和机器学习分析（随机森林、隔离森林）可以帮助检测、分类和测量数据点的重要性。

创造新的分类

机器学习最令人兴奋的成果之一是产生了一个组织的新分类结构和层次结构，这很容易避开人类的努力。这些算法通常被称为“无监督学习”或“聚类分析”，通过检测数据中固有的模式来解析和分类数据集中的信息。对于制造业，分类算法的一个应用可能是在作为机器监控程序一部分收集的数据中发现有关机器效率的新信息。

归根结底，这些技术的与众不同之处在于它们能够对给定的数据集进行“训练”，从而在每次新输入时产生更可靠的输出；他们能够容纳的数据集的大小；以及它们的分类、预测和预测能力的可靠性。

制造业大数据使用案例

1、预测性维护

大多数制造商遵循一些预防性维护（PM）时间表。对于PM，主管定期（或不定期）安排停机时间，以便在意外故障导致成本高昂的计划外停机之前修复资产。

2、预测质量

这里的概念类似于预测性维护。有几十个变量有助于实现高质量的结果。对于跟踪这些变量的制造商，大数据分析有助于确定根本原因并识别导致不符合项的因素。

3、异常检测

无论是铣削零件质量的微小偏差还是铣削本身产生的热量，大数据分析都可以将信号与噪声分离。现代算法使得识别具有高度统计意义的异常成为可能。

4、计算机视觉

计算机视觉是一种实时分析动态人体行为的工具。人工智能和机器学习的进步使计算机能够在人类事件发生时观察、分类和响应。

5、刀具寿命周期优化

虽然延长刀具寿命的技巧很少，但这可能很棘手。这是因为有许多变量会影响工具随时间的磨损。大数据分析可以更确定地找出根本原因。

6、供应链管理

时间就是一切。大数据使预测供应商是否会按约定交付成为可能，并使优化供应链以降低风险成为可能。

7、产量预测

预测需求对于优化生产至关重要。您收集的有关运营、业务和供应商的数据可以帮助您做好准备

成为数据驱动型企业，首先要转变观念。是时候将数据作为您的业务核心了是时候从孤立的、专有的、回顾性的方法转向统一的、可用的、面向解决办法的模型了。

换句话说，数据（以及来自这些数据的智能）必须成为您业务的核心焦点。