您现在的位置:>  首页 > 新闻中心 > 行业动态
联系我们

电 话:0571-88855790/88855791

传 真:0571-88315242

地 址:杭州市余杭区龙潭路7号未来科技研创园A座三楼320室

工业大数据的3B与3C

来源:杭州东田工控  日期:2019-04-26

     什么是工业大数据?

    一提到大数据,脑海中都会出现这样一个想法:利用大量的行为数据来分析用户行为和预测市场趋势等应用。但什么是工业大数据呢?工业行业的大量的行为数据吗?

    维克托·迈尔-舍恩伯格和肯尼斯·克耶编写的《大数据时代》中提出的4V特性很好的解答了这个问题,即Volume(数据量大)、Velocity(流动速度快)、Veracity(准确性难把握)和Variety(来源多样性)。这个定义是针对互联网和社会环境中的大数据,从数据工程的技术挑战方面所提出的。

    那工业大数据和3B、3C之间有什么联系?

    工业大数据中的“3B”

    BadQuality(低质量):在工业大数据中,数据质量问题受制于工业环境中数据获取手段的限制,包括传感器、数采硬件模块、通信协议、和组态软件等多个技术限制,一直是许多企业所面临的挑战。

    Broken(破损性):工业对于数据的要求并不仅在于量的大小,更在于数据的全面性。在利用数据建模的手段解决某一个问题时,需要获取与被分析对象相关的全面参数,而一些关键参数的缺失会使分析过程碎片化。

    举例而言,当分析航空发动机性能时需要温度、空气密度、进出口压力、功率等多个参数,而当其中任意一个参数缺失时都无法建立完整的性能评估和预测模型。因此对于企业来说,在进行数据收集前要对分析的对象和目的有清楚的规划,这样才能够确保所获取数据的全面性。

    BelowtheSurface(贴标签):除了对数据所反映出来的表面统计特征进行分析以外,还应该关注数据中所隐藏的背景相关性。这一类数据包括工况设定、维护记录、任务信息等,虽然数据的量不大,但在数据分析中却起到至关重要的作用。

    工业大数据中的“3C”

    Comparison(比较性):从比较相似性和比较差异性的过程中获取洞察,维度既可以是在时间维度上与自身状态的比较,也可以是在集群维度上与其他个体的比较。这种比较分析能够帮助我们将庞大的个体信息进行分类,为接下来寻找相似中的普适性规律和差异中的因果关系奠定基础。

    Correlation(相关性):通过信息与信息之间的关联性来进行记忆的管理和启发式的联想才是本质。相关性同时也促进了人脑在管理和调用信息的效率,我们在回想起一个画面或是情节的时候,往往并不是去回忆每一个细节,而是有一个如线头一样的线索,你去牵它一下就能够引出整个场景。这样的类似记忆式的信息管理方式运用在工业智能中,就是一种更加灵活高效的数据管理方式。

    Consequence(因果性):数据分析的重要目的是进行决策支持,在制定一个特定的决策时,其所带来的结果和影响应该被同等地分析和预测。这是以往的控制系统所不具备的特性,也是智能化的本质。工业系统中的大部分活动都具有很强的目的性,就是把目标精度最大化,把破坏度最小化的“结果管理”。

    虽然互联网大数据与工业大数据的核心问题与技术路径不同,但将互联网大数据与工业大数据相整合,肯定能够产生更大的价值。

    老子《道德经》中有这样一句话“有之以为利、无之以为用”,我们可以理解为:一切事物的实体为我们提供可以凭借的可见的基础条件,而其中所隐藏的空间和可变化的无限可能才是被我们真正使用并创造价值的所在。

    要知道人类社会在经历了200多年的科技革命后,已经积累了巨大的工业产品存量,工业的基础设施和大量基本生产要素,如机床、电力设施、动力设施、制造装备、交通装备等需求都已逐渐趋于饱和。因此德国的工业4。0战略中将面向制造系统的集成和软件服务作为重点,具体表现在纵向集成、横向集成和端到端集成。同样发现这个问题的还有美国GE公司,他们意识到装备销售过程中的获利远远不及在产品使用过程中的价值服务,客户需要的价值也远不止对产品状态的保持,更在于如何去使用这些能力来实现更高效的价值再创造。

    以数据为核心使产品发挥最大的能力,归根结底是利用数据建模实现对状态、环境和任务的精确评估,对管理和控制活动进行实时的决策优化,并协同和调度相关产品高效率运行的过程。

备注:本文为东田工控原创文章,禁止转载,如需转载请注明出处:http://www.dongtiantech.com

  • 电话咨询

  • 4008-0571-96