还剩3页未读,继续阅读
文本内容:
【工业大数据】实施工业大数据面临的5个挑战2020-05-16原文以下文章来源于把握工程中文版,作者QasimMaqboola把握工程中文版追踪全球工控自动化领域的进展,本订阅号由CONGTROLENGINEERINGChina主办,每日发布国内外工业把握、自动化和仪器仪表领域的技术趋势,留意原创,多数翻译自美国CE杂志,让您的每一次阅读都有价值QasimMaqbool把握工程中文版Kc数据一词已被广泛使用,每个人好像都对使用大数据工具和技术感爱好,其中也包括工业使用本文将通过揭开大数据的奇特面纱和相关挑战,挂念您在实施工业物联网(IIoT)方面取得更大成功01数据类型和结构在制造业领域中,大多数人都听说过“大数据”,但大数据的构成是什么,却不太清楚乍看之下,大数据是无所不包的术语,包括传统数据以及传统数据之外的数据源在工厂环境中,这些传统数据可被分成两品种型的数据流运营技术(OT)数据和信息技术(IT)数据传统的IT和OT数据存储在相对独立的系统和结构中而大数据是“多结构化的”,意味着它具有必要的学问管理工具,可以访问来自不同来源的数据,并将其进行情景化以进行分析和报告02数据的可扩展性、情境化除了数据存储和采集之外,大数据系统还需要能够快速地按需处理并分析数据,而不受数据采集和查询的规模和速度的影响这被称为大数据的可扩展性,它是大数据系统首先需要关注的问题之一其它问题包括系统牢靠性(功能)和对实时分析的决策支持数据分析包括机器学习和人工智能,它可以挂念发觉数据特别,猜测生产、设备和将来行为,并为决策支持供应具体方案03数据集成的效率建立大数据情境后,确定需求变得愈加简约何时以及如何需要大数据是一个更微小的问题大数据系统集成需要整个企业、而不只仅是IT团队的广泛努力和支持在微观级别,信息单元可以在企业中被隐蔽,或者有时有意保密以避开“霍桑效应”(当观看可以转变行为时)忽视这些细节,可能意味着带来投资添加一百万美元和节省数百万美元的差异04数据存储当现无数据己经被结构化的存储,并且仅需要与其它数据(例如通过OPC服务器)进行分析和情境化,假如需要在本地存储所需数据(出于平安性或隐私考虑),使用仪表板和数据连接器进行近程分析和可视化,从成本方面考量更无效,在供应与大数据实施类似的决策支持时更是如此05大数据升级大数据所面临的最大挑战之一可能就是如何规划大数据升级强大的处理方案可以不断扩展,以便集成更新的数据源,在设计时己经考虑了升级而不会影响功能和功能对于大多数企业而言,这意味着将服务切换到云,升级系统以实现更好的数据监控和日志记录,并且由于跨部门和功能实施大数据处理方案所需的技能,可能会带来人力资本的添加那些关注内部平安问题的人,需要考虑使用特地的系统支持团队维护内部数据服务器所带来的更高成本系统可扩展性可能也不如基于云的部署更无效经过细心规划的传统数据分析技术需要先于大数据实施只要这样,企业才能看到大数据系统可以切实可行的目标-END-本文来自于《把握工程中文版》CONTROLENGINEERINGChimi2019年08月刊《技术文章》栏目,原标题为实施大数据面临的5个挑战延展阅读人工智能已为数据分析做好预备原创石林才把握工程中文版与数据分析相关的两种最为常见的技术是人工智能与机器学习然而,虽然两者都有助于过程使用中的数据分析,但到目前为止,照旧不确定人工智能与机器学习实际上可以发挥多大的作用我们听到了很多关于人工智能与机器学习的最新使用,以至于只需涉及到部署数据分析的情形,很多厂商都称他们的产品拥有“机器学习”,由于看上去全部人好像都对此类使用感爱好然而,实际上这些所谓创新〃的使用可能都是一些大同小异的事情其缘由在于,他们只不过是将先进的算法使用于数据集,而且很多人单纯地创建显示数据仪表板的代码,并将其称为人工智能或机器视觉目前的问题在于,虽然很多用户购买了机器学习处理方案,但他们并不能很简约地找出实际需要的东西,由于需要进一步让数据愈加清洁,并且更好地汇总为了避开形式主义,并实现有用的处理方案,良好的数据分析策略需要建立在更充分的预备基础上例如,假设您的工厂有1000台可以供应数据的设备,那么您需要从一个良好的模型和一个中心数据存储区入手但是仅将数据分析系统放在首位是不够的假如您期望从两个混合罐进行温度测量,但它们接受不同的报告方式,那么您就需要一种统一的方式采集数据,从其历史记录中猎取数据进行分析,整合外部数据源,并制定出需要更少人为干涉和更高效率的决策为了获得更无效的数据采集和分析,用户不只需要打算收集哪些数据,而且还需要确定数据的表现形式,所使用的标记结构和流程,目标使用者以及需生成哪些报告假如不进行方案就开头收集全部的数据,那么数据最终可能会成为乐音”例如,每秒钟收集没有变化的温度数据,但不给出为什么或如何使用这些数据的理论依据,可能会带来大量的干扰信息假如用户有现成的使用基础架构,那么启动数据分析方案为时不晚然而,由于全厂或全局的分析方案有时是相当困难的,可以通过可行性争辩来确定已有的数据,和需要的其他数据,以及如何调整基础设备以获得其最终想要呈现的数据一些专家建议可以在企业的小型运营区域执行试点分析方案,并对使用程序进行为期4到6周的调研通过评估现有操作、网络架构、所需数据以及如何收集数据和可能识别的其他要求,有助于进一步完善和优化实施效果重要的是,要与人们争辩他们想要的数据分析,需要什么样的报告,期望实现什么样的效果假如他们的工厂是新建的,那么他们会有什么可用的资源假如他们能够确定当前和期望的形态,以及如何实现这一目标,这将有助于确定试点争辩该当包括哪些内容此外,一些基于云的服务更简约构建和维护,因此可以更轻松地获得数据分析和优化项目所需的处理力量将来,假如数据分析可以完全循环,用户便可以从情境化的信息中受益,并且当其系统可以开头自行更改时,就会产生巨大的关联和收益在制造业中,很多数据分析方法和工具都是为了处理各种问题而开发的由于机器学习和人工智能技术是在IT行业中先开发的,因此并不能简约地将其使用于工业和过程使用程序不过,人工智能技术与工业使用领域的融合正在不断加速,尤其是在资产系统中的特别检测、工厂流程优化和过往毛病根源分析等方面,都带来了很多具有可操作性的处理方案END本文来自于《把握工程中文版》CONTROLENGINEERINGChina2019年08月刊《编者话》栏目,原标题为人工智能已为数据分析做好预备?先进制造业+工业互联网。