工業大數據的案例
工業大數據正在改變制造業
工業大數據正在改變制造業
■陳震聰/ACMT
前言
人們經常談到制造業是一個有點過時的行業，但是人們可能會驚訝于其能夠從使用大數據中受益。
圖1: 工業大數據正在改變制造業
由于獲得了新的分析工具和更好的收集信息的方式，制造業正在不斷發展。大數據如何改變制造業，以下是大數據正在重塑全球制造業的幾種方式：
?讓設備人員的精度及進度更高
成功制造取決于制造商繼續具有競爭力的準確性。在大數據出現之前，最好的方法是投資更好的設備，如MIG 焊機設備，或對員工進行更好的培訓。然而，使用大數據，制造商可以使用計算機程序來優化流程，并更加巧妙地分析錯誤，從而防止這些錯誤產生。
?最少的資源消耗下有更高產量
大多數制造商購買原材料并制造成品，他們銷售價格高過制造成本。在該系統中，制造商可以獲得更高的收益（每個成品使用的原材料越少），企業的經營就更有利可圖。新的大數據應用程序使制造商能夠更好地了解其整體產量，并有機會改進其運營方法，生產產品獲得更多的利潤。
?價值動力驅使下有更好的預測
供應鏈預測和需求預測是制造商的兩個關鍵工具。他們可以確定制造商需要生產多少產品，何時淡季減緩生產進度，以及在倉庫中的庫存或出貨量。大數據有助于制造商更好地掌握這種供應鏈關系的流程變化，因此可以在最有價值的生產條件下進行生產。
?供需平衡下能預測和跟蹤供應商業績
制造商也可以使用大數據跟蹤供應商的業績。例如，如果供應商持續提供不合格的劣質產品，就可以準確計算出這種可能性，并確定選擇新的供應商是否更加具有成本效益。
?高效驅動下有更高的可追溯性
大數據還使制造商的流程更加透明和可追溯。制造商的原材料在生產過程中以及生產階段有多少損失？給定批次產量多少，目前存儲在哪里？運送需要多長時間，一旦需要運送，產品在哪里？
展開 工業大數據的價值，體現物聯網與服互聯網融合
經過了三十多年，成就了各種行業解決方案的系統，其中包含了【管理企業資源的ERP】、【管理物料倉儲的WMS】、【管理工單執行的MES】、【管理項目、設計及編程的PLM】、【管理設備自動化的AMS】等五大系統，這些系統至今已經普及至大多數的模具與成型工廠，但通常它們在企業中運行是各自獨立運作，沒有關聯。我們稱之為「信息孤島」。
互聯互通，這是模具與成型企業在邁向Ｔ零量產數據傳遞的神經網路，「信息孤島」是必須去攻克的第一道課題，如圖1、圖2。
圖2：PLM-ERP-WMS-MES-AMS 五大系統互聯互通矩陣圖
工業4.0的概念創造了諸多的新創意與新技術，許多如前所述的技術或系統元素是過去積累的成果，持續深化。而智慧工廠與工業4.0核心在哪里？不是在技術，而是將過去的成果與元素「整合與融合」的思維。大數據是工業4.0時代的重要特征。這是為什么在各國工業4.0的規劃中都提到大數據的重要性，而大數據應用在工業行業興起是由下列主觀因素所決定的：
1.產品開發的多樣性、制造流程的精細化發展與商業運營條件的多元變化，變得越來越復雜，依靠傳統方法、經驗及分析已經無法滿足快速反應與同步協作的需求。
2.電腦輔助設計與制造系統(CAD/CAM)的普及，加上通訊技術、傳感器技術的發展，獲取即時資訊的成本大幅降低。
3.工業物聯網所需之半導體、處理器、嵌入式系統及云端運算等技術，高速發展，大大提升實體設備與虛擬模擬的運算能力，提供即時處理大數據的充分條件。
4.有了上述因素，設備在半自動與全自動的作業過程中，其作業行為與控制器產生大量有價值的資訊。而這些資訊必須充分挖掘與利用的技術與思維，在企業領導及管理階層已經具備了。
這些正是我們在現今環境可以獲取之工業大數據的來源，大數據環境又如何形成、建構與利用呢？
展開 基于大數據模型的數字孿生建模方法
本文來自：智造苑
隨著大數據、云計算等技術的高速發展，促進了人工智能技術的革命性進步，為數字孿生的建模提供了新的手段，指出了新的方向。采用大數據建模的方法，通過黑盒建模的方式，構建輸入和響應之間的關聯關系模型，由于數據的輸入和響應是實際的數據，因此模型可以更準確地逼近物理世界，可以實現更準確的建模。需要指出，大數據模型并不是對物理模型的替代，而是對物理模型的良好補充。
1. 大數據建模的關鍵技術
大數據建模主要的關鍵技術包括工業大數據預處理技術、工業大數據可視化分析技術、工業大數據標記技術、特征工程技術和人工智能技術。
1）工業大數據預處理技術
本節的工業大數據的預處理技術區別于數據搜集時的數據清洗技術，數據清洗技術面向的是大數據中存在的錯誤數據、冗余數據和異常點，而本文所述的工業大數據技術則是在數據清洗以后進行的數據預處理工作，其目標是從高質量的數據中，提取出與目標問題相關的分量，其主要手段為濾波。
濾波的主要方法有滑動平均濾波、IIR和FIR濾波器濾波、基于小波分析的濾波和基于EMD的濾波方法。
滑動平均的濾波方法的本質是通過平均實現低通濾波，將波形加以平滑，減少信號中的高頻振蕩成分，其優點是對相位保持的較好，而缺點則是沒有針對具體的頻帶進行濾波。
IIR和FIR濾波器則是設計脈沖響應函數的頻響特性，進行特定頻段的濾波，可以實現頻段的精準分離，包括低通濾波器、高通濾波器、帶通濾波器和帶阻濾波器，其缺點是會影響原始信號的相位，這對原始信號相位有要求的分析需要謹慎使用。
展開 工業 4.0 - 什么是大數據？
什么是大數據？
大數據指的是海量、持續增長的數據，這些數據非常復雜，傳統的數據處理方法難以處理。如今，這些數據幾乎產生于生活的所有領域--無論是通過社交媒體、傳感器、機器還是數字交易。
為了更好地理解大數據，人們通常將其稱為 5V，它概括了這些數據量的主要特征：
量（數據量）：
每天產生的數據量是巨大的。如今，企業收集的信息量從 TB 到 PB 不等。
速度：
數據是實時生成的，例如通過實時跟蹤生成的數據，必須以同樣快的速度進行處理。
多樣性：
大數據包含多種數據類型，從結構化表格、半結構化日志文件到非結構化格式。
真實性（真實性）：
并非所有數據都準確可靠。因此，確保數據的質量和可信度是一個重要方面。
價值：
最終目的是從收集的數據中獲益，例如通過更好的決策或新的業務模式。
大數據包括不同的數據格式：
結構化數據組織清晰，例如在表格中定義了列。
半結構化數據有一定的順序，但不遵循固定的方案。
非結構化數據最為普遍，同時也最難分析。
分析大數據的重要性：
醫療保健：個性化醫療
金融：風險管理和預測風險管理和預測
電子商務： 優化供應鏈
大數據的優缺點
處理和分析大數據
處理和分析大數據對于從大量復雜數據中獲得有價值的見解至關重要。這需要專門的技術和工具來高效地進行處理和后續分析。
處理技術：數據處理主要有兩種方法，它們在方法和速度上各不相同：
批量處理：
這種方法收集大量數據，并在稍后時間點進行處理。
展開 
工業互聯網&智能制造&大數據領域MES,ERP,WMS,PLM，BI軟件系統功能介紹與價值應用
5.1 MES（制造執行管理系統）&APS（智能排產管理系統）管理目標（生產制造過程管理）
5.2阿米巴原理
5.3 ERP（企業資源管理系統）管理目標（企業經營結果記錄管理）
5.4 WMS（倉儲物流管理系統）管理目標
5.4.1 WMS（倉儲物流管理系統）產品特點（智能，靈活，高效率）
5.4.2 WMS（倉儲物流管理系統）產品價值
5.5 PLM（產品全生命周期管理系統）管理目標
5.5.1 PLM系統解決的問題
5.5.2 PLM系統特點
5.5.3 PLM應用價值
5.5.4 PLM實施收益
5.6 BI商業智能（數據可視化）美觀大方，能夠實時檢測生產過程各模塊的進程數據明細。
1工業互聯網行業簡介
工業互聯網是國家在2012年的時候提出來的工業互聯網概念，2017年制定的標準。
工業互聯網是新一代信息技術，融合物聯網，大數據,云計算，人工智能，智能制造等技術。
工業互聯網包含網絡，平臺，安全，數據四部分組成，工業互聯網是智能制造的基礎網絡，網路是基礎，平臺是應用，安全是保障，數據是核心。
工業互聯網本質是工業互聯網通過開放的網絡平臺，把人，機器，物料，設備，生產線，產品，供應商，客戶，財務等全要素緊密的聯系起來。實現全要素，全流程，全產業鏈，全價值鏈的數字化，智能化應用。
2工業互聯網行業業務
（1）離散制造：是指被加工的產品往往由多個零件經過一系列并不連續的工序的加工最終裝配而成。
（2）流程制造 ：是指被加工對象不間斷地通過生產設備和一系列的加工裝置使原材料進行化學或者物理變化，最終得到產品。又稱“連續性生產”是指在流程型生產企業中，物料是均勻的、連續地按一定工藝順序運動的。特點是工藝過程的連續性。
展開 『小洑談工業智能專欄系列』之一：5分鐘快速看懂大數據
大數據之“大”
“大數據”之“大”并不在于數據量絕對意義上的“大”，而是相對于“部分采樣”只能采用部分數據量的情況，“大數據”時代允許研究人員可以利用研究對象盡可能多的數據，甚至是所有的數據針對研究對象進行分析。
此前數百年的科技、財力和人力限制，很多調查并不能涉及到所有的調查對象，故而隨機采用被廣泛運用各行各業，如電視節目收視率調查、街頭路人采訪、民調指數調查、工業產品質量抽檢、行業調研等，“部分采樣”的思路已經習以為常，被大家奉為圭臬，導致很多在此前數十年堪稱標準的思想：
1.變量少，低維度：如因為計算能力的受限，變量不能太多，所以做事要分清主要矛盾和次要矛盾，盡可能地專注于參量較少的主要矛盾；
2.測量精確：因為模式變量較少以及采樣樣本較少，故而對測量精確性有著近乎嚴苛的要求，因為測量的不精確度會被成倍地放大；
3.因果推斷：但是有時候和第二點矛盾的是，相比于在測量時務求精確，無論是傳統工業界或是學術界都對直接復雜輸出結果的數學模型的準確性沒有多少要求，卻專注其可適范圍盡可能廣。
但是相比于數理領域的至簡至潔的邏輯美感，其他領域一個模型吃遍所有定義域的這種表現形式會給人造成強烈的因果關系錯覺，并將結果的偏離歸結于現實環境的不確定性和噪聲干擾，所以導致很多學術界都存在這樣一個“共識”：模型要盡可能簡單，同時適應性（魯棒性）較強，并且最為關鍵的是模型可解釋（因果推斷思想的著重體現），而模型可解釋的思路在現今的深度學習等熱門技術前線都是不可行的。
某種程度上，可能也是因為此前測量成本高、計算能力不足導致推導一個目標模型的成本較高，故而一旦得到一個較好的目標模型總是盡可能地擴大其可以覆蓋的對象范圍，在諸多學術機理依舊沒有很好的研究發現的情況下，這種面對面的映射可能在過去是無奈之舉，結果也是可以被接受的。
展開 大數據智能決策.
本文旨在綜述大數據決策的特點以及大數據決策技術的發展現狀,分析大數據智能決策面臨的問題與挑戰,并對一些潛在研究方向進行展望.文章結構如下:第1 節介紹了大數據的概念及特性,總結了大數據決策的特點; 第2 節從智能決策支持系統、基于不確定性分析的智能決策、基于信息融合的智能決策、基于關聯分析的智能決策和基于增量分析的智能決策五個方面綜述了大數據智能決策的研究與發展現狀; 第3 節討論了大數據智能決策面臨的挑戰與發展趨勢; 第4 節為結束語.
1 大數據決策
1.1 大數據的概念及特性
由于不同領域的大數據在特性上存在差異,并且人們分析大數據的背景和應用大數據的目的不同,因此不同的領域專家對大數據的定義也各不相同.高德納咨詢公司、維基百科、美國國家科學基金會分別從不同的角度給出了大數據的定義.我國的《工業大數據白皮書(2019 版)》還對工業大數據進行了定義[12].簡言之,大數據就是無法在合理時間內利用現有的數據處理手段進行諸如存儲、管理、抓取等分析和處理的數據集合[13].
有關大數據的特性,業界普遍將其歸納為4V 特性:一是數據體量(Volume) 大,如一些電商企業日常處理PB 級別的數據已經常態化; 二是數據類型多樣(Variety),如在工業大數據中數據類型包含了數值、文本、圖片、音頻、視頻以及傳感器信號等;三是大數據的價值(Value) 巨大,但價值密度稀疏,需要通過分析和挖掘來獲取數據當中有價值的信息;四是大數據的高通量(Velocity),它除了指數據高速產生以外,還意味著數據的采集與分析過程必須迅速及時,以滿足用戶“及時、實時” 的決策需求.
展開 客戶相關的道路載荷大數據獲取和道路載荷分布模型的構建——西門子工業軟件公司CUCO技術體系簡介
如圖1(a)所述，我們對于每一輛樣本車輛安裝上不多的傳感器，安裝上一個小型的數據采集記錄設備（我們習慣稱之為CUCO Box），進行所謂的輕量化采集。CUCO Box主要記錄的數據包括：4路加速度傳感器獲得的模擬信號，GPS信號，CAN總線信號。經過細致的傳感器貼裝、CUCO Box安置、線纜連接和固定，我們可以并不困難的做到讓樣本車輛的駕駛人員感受不到相關傳感器、CUCO Box和多出來的線纜的存在。這種處理的初衷，并不是向樣本車輛的駕駛人員隱瞞相關信息，而是想讓樣本車輛在使用過程中不受到任何的干擾。樣本車輛被具有怎樣駕駛習慣的司機、以多高的使用頻率、在哪些個路況上行駛，等等各種造成“重要隨機變量Xi”發生劇烈變異的因素，都可以因此絲毫不受影響的反映在樣本車輛所載CUCO Box獲取的大數據中。這會保證我們在對于相關大數據進行統計分析時，獲取最全面和“原汁原味”的統計量變異信息。
依據CUCO Box獲取的數據，運用道路載荷數據處理軟件，可以分析獲取包括擋位、扭矩、轉速、坡度、路面不平度、負載、……，等等，方方面面的數據統計信息，如圖1(b)所示，這些統計分析結果將成為整車和各個子系統、零部件在進行耐久性研發過程中的重要輸入，也是構建狀態空間的各個維度信息。
以圖1(c)所示，假設由于某一研發需求，我們只關心由路面類型和負載，這兩個維度的信息“張”成的二維狀態空間，而且，為了簡化說明，我們假設路面只區分成高速路和非高速路，而負載方面，只區分成滿載和半載兩種情形。
展開 工業仿真的基礎數據庫：Granta數據集
<p>10月28日，Ansys官方『工業仿真的基礎數據庫：Granta數據集』研討會為您展開介紹Granta數據集在材料數據整合、材料屬性分析、智能推薦加速選材決策等等，感興趣的下滑預約學習??</p><p><br></p><p><br></p><figure style="text-align: center;" class="ql-align-center">
<figure class="figure-image" contenteditable="false" data-img="https://img.jishulink.com/202511/attachment/79e870b44cbc498aab536d3dfc36bdff.png" style="display: inline-block;">
<img src="https://img.jishulink.com/202511/attachment/79e870b44cbc498aab536d3dfc36bdff.png" data-mobile-src="https://img.jishulink.com/202511/attachment/79e870b44cbc498aab536d3dfc36bdff.png?image_process=/format,webp" data-pc-src="https://img.jishulink.com/202511/attachment/79e870b44cbc498aab536d3dfc36bdff.png?
展開 大飛機能帶工業軟件一起飛嗎 | 工業軟件發展史
最后，還是因為工程太大，只能下馬。這是波音公司一次代價沉重的嘗試。然而，它有一個非常彪悍的成果，就是發展出來一套全新的NURBS曲面系統，后來這套技術影響深遠。它也被應用于CAD軟件內核的一個重要分支ACIS內核之中，一大批工業軟件商從中受益。
盡管一個項目會失敗，但是仍然會有工程師的知識結晶在傳遞，使得知識不斷被重用。這本來是高端裝備工業得以持續發展的一種重要特征。
小記：大飛機帶工業軟件一起玩兒嗎
國外的航空制造業，一直是CAD產業奶水充足的大奶媽。五十年不變，這也使得這些軟件商取得了巨大的成就。然而，中國工業軟件因為航空制造的發展而所取得的些許成就，幾乎完全都要翻篇了。有許多甚至被扔進爛紙堆。留下來依然活躍在當今航空工業舞臺上的，只有裘馬鮮亮的國外工業軟件，這一刻，似乎只有別家的歷史值得回顧了。不僅僅是航空工業，很多裝備制造也早已完全離不開這些軟件了。
翻開國外航空工業所孵化工業軟件的歷史，都是二者一起飛同步跑的時刻。世界航空工業有美國波音Boeing和歐洲空客Airbus兩極，正處在黃金起跑線上的中國航空，正在努力實現成為ABC（Airbus、Boeing、Comac）中的第三極；而大型工業軟件在世界上現在也是美歐兩極，那么中國工業軟件有可能成為第三極嗎？剛剛開始起飛的中國大飛機，有時間帶著工業軟件的幼苗，一起成長嗎？
展開 無可替代：工業正向設計中的數據可視化技術
來源：本文為安世亞太原創作品，上海安世亞太授權轉載
前言
工業正向設計體系是一套基于模型的系統工程體系，而整個MBSE體系架構會涉及到眾多模型，如需求模型、設計模型、仿真模型等，如何有效直觀地可視化展示各個階段模型數據，輔助工程師進行正向設計決策，是當前工業正向設計體系的一大難題。而隨著數字孿生場景的不斷細化落地，如何真實高效地描述和映射物理產品，同樣也是當前數字孿生領域急迫需要解決的問題。這些都與模型數據可視化及封裝技術息息相關。
一、產品數字模型可視化集成封裝
產品正向設計過程從需求設計、功能設計、物理設計到各階段逐級驗證，每個階段都可以借助可視化手段輔助工程師進行設計決策，尤其是在物理設計和性能指標驗證階段。而產品數字化模型可視化集成封裝，是從工業產品問題對象出發，基于統一建模開發環境進行數字化建模形成標準化數學模型，通過可視化集成封裝環境實現組態可視化插件與模型參數的關聯映射和封裝發布，最后通過分布式調度運行環境實現可視化封裝模型的智能運行調度。
圖 1產品數字化模型可視化封裝過程示意圖
二、可視化集成仿真環境
可視化集成仿真環境ViSim是基于異構設計仿真工具的一體化集成融合技術和可視化組態插件關聯技術實現工業產品數字化模型集成封裝發布運行的一體化應用環境。為滿足異構設計仿真模型可視化集成封裝的需求，在考慮集成封裝通用功能的前提下，采用模塊化、插件式系統架構模式，支持用戶對當前不支持的模型封裝以插件的形式進行擴展。
圖 2可視化集成仿真環境整體框架結構示意圖
集成封裝主環境(AutoWrapFrame)：模型集成封裝的主要應用環境，支持用戶進行參數文件導入、參數選取識別、調用程序選擇、綁定界面選擇、試運行等。
展開 
機械工業常用材料性能數據庫
《機械工業常用材料性能數據庫》CLXN V5.0.part1.rar
《機械工業常用材料性能數據庫》CLXN V5.0.part2.rar
《機械工業常用材料性能數據庫》CLXN V5.0.part3.rar
《機械工業常用材料性能數據庫》CLXN V5.0.part4.rar
新建 壓縮(zipped)文件夾.zip
科技前線 | 揭秘工業物聯網時間序列數據管理
特別是對于工業企業，數字化轉型的需求已經越來越強烈。更多的投資投入到了為產品創建數字映射并實施數字主線解決方案上。隨著互聯的工業物聯網設備數量的激增，越來越需要對通過這些設備傳輸的大量數據進行管理。用于解決運營效率和提供更好的服務產品的智能工廠的新用例導致生成大量的時間序列數據。因此，現代工業物聯網解決方案能夠攝取和管理大量高速數據變得比以往任何時候都更加重要。
這篇博文將介紹ThingWorx中的不同存儲解決方案如何幫助您管理工業物聯網數據。
首先來了解一下需要由ThingWorx平臺管理的物聯網數據類型：
圖 1：顯示不同類型物聯網數據的圖表。
展開 機械工業常用材料性能數據庫－－－FROM SIMWE
《機械工業常用材料性能數據庫》CLXN V5.0.part1.rar
《機械工業常用材料性能數據庫》CLXN V5.0.part2.rar
《機械工業常用材料性能數據庫》CLXN V5.0.part3.rar
《機械工業常用材料性能數據庫》CLXN V5.0.part4.rar
新建 壓縮(zipped)文件夾.zip
智能CAD數據提升西門子工業產品設計效率
智能產品數據是實現高效設計的基礎
CADENAS 有限公司是創建數字化CAD產品目錄的軟件專家，現在通過其開發的3D CAD模型數據共享平臺提供西門子自動化和交換技術產品的規劃數據。西門子（Siemens） PLM解決方案的用戶不僅可以直接訪問Siemens NX，Solid Edge，Teamcenter和CADENAS平臺的數字化西門子產品組件，例如開關、控件、繼電器等，并且可以快速將模型集成到產品設計中。
憑借優質的綜合服務，西門子技術集團被公認為是工業4.0領域的先鋒。西門子所提供的一系列硬件和軟件產品展示了該領域的無限創新性和無窮發展力。這些產品模型可以實現開發、生產和供應商之間的數據無縫鏈接。“西門子在將數字孿生技術全面引入并使用到建筑行業方面真正發揮了先鋒作用。組件的智能3D CAD原始數據是實現模擬測試和優化設計虛擬圖像的必要條件。憑借多年來創建數字零部件產品目錄的專業知識，CADENAS為西門子工業4.0戰略的全面實施做出了重要貢獻。”西門子數字化業務部高級業務開發專家Thorsten Reichenberger表示。
目前西門子的自動化和低壓開關設備包括超過50萬種產品和系統。過去只能通過西門子自己的在線平臺——西門子工業商城來訪問這些組件的規劃數據和CAD數據。如果想要在NX，Solid Edge或Teamcenter中使用產品規劃數據，就必須手動導入數據，而且大多數規劃數據都是以中性的STEP格式提供給用戶的。
作為西門子與CADENAS的合作項目之一，目前已完成了在CADENAS平臺上提供西門子產品的基本數據，并同時將其作為一個組件數據庫直接集成到了NX，Solid Edge和Teamcenter中。
展開 