فن آوری ها و کاربردهای داده های بزرگ صنعتی

داده‌های بزرگ صنعتی به انواع داده‌ها و فناوری‌ها و برنامه‌های مرتبط تولید شده در زمینه صنعتی پیرامون مدل تولید هوشمند معمولی اشاره دارد، از تقاضای مشتری گرفته تا فروش، سفارش‌ها، برنامه‌ریزی، تحقیق و توسعه، طراحی، فرآیند، ساخت، تهیه، عرضه، موجودی، ارسال و تحویل، خدمات پس از{0}}فروش ضایعات یا چرخه مجدد کل محصول، بهره‌برداری و نگهداری کل محصول. هر لینک داده های بزرگ صنعتی هسته تولید هوشمند است که مبتنی بر "داده های بزرگ + اینترنت صنعتی"، محاسبات ابری، داده های بزرگ، اینترنت اشیا، هوش مصنوعی و سایر فناوری ها است تا منجر به تغییر روش های تولید صنعتی شود و توسعه نوآورانه اقتصاد صنعتی را هدایت کند.

شرح مفصلی از فناوری و کاربرد کلان داده صنعتی

I. تعریف داده های بزرگ صنعتی

داده‌های بزرگ صنعتی به حوزه صنعتی، حول مدل تولید هوشمند معمولی، از تقاضای مشتری تا فروش، سفارش‌ها، برنامه‌ریزی، تحقیق و توسعه، طراحی، فرآیند، ساخت، تهیه، عرضه، موجودی، ارسال و تحویل، خدمات پس از فروش، بهره‌برداری و نگهداری، ضایعات یا بازیافت و تولید مجدد انواع مختلف چرخه‌های عمر محصول اشاره دارد. اصطلاح عمومی، و تکنولوژی مرتبط و برنامه های کاربردی بر روی داده‌های محصول متمرکز است که دامنه داده‌های صنعتی سنتی را تا حد زیادی گسترش می‌دهد، و همچنین شامل فناوری‌ها و برنامه‌های مرتبط{2}}داده‌های بزرگ صنعتی می‌شود. منابع اصلی داده های بزرگ صنعتی سه دسته زیر هستند.

1. داده های تجاری مربوط به تولید و عملیات

داده‌های کسب‌وکار مرتبط{0}}تولید و عملیات، عمدتاً از محدوده اطلاعات سنتی سازمانی می‌آیند و در سیستم‌های اطلاعات سازمانی، از جمله نرم‌افزار طراحی صنعتی و تولید سنتی، برنامه‌ریزی منابع سازمانی (ERP)، مدیریت چرخه عمر محصول (PLM)، مدیریت زنجیره تأمین (S CM)، مدیریت ارتباط با مشتری (CRM) و سیستم مدیریت محیطی (EMS) ذخیره می‌شوند. این سیستم‌های اطلاعاتی سازمانی، حجم زیادی از داده‌های توسعه محصول، داده‌های تولید، داده‌های عملیاتی، داده‌های اطلاعات مشتری، داده‌های تدارکات و عرضه و داده‌های محیطی را جمع‌آوری کرده‌اند. این نوع داده ها دارایی داده سنتی در زمینه صنعتی است و به تدریج در حال گسترش دامنه خود تحت محیط برنامه های کاربردی فناوری جدید مانند اینترنت تلفن همراه است.

2. داده های IoT تجهیزات

داده‌های اینترنت اشیاء تجهیزات عمدتاً به تجهیزات تولید صنعتی و محصولات هدف در حالت عملیات اینترنت اشیا، تولید و جمع‌آوری زمان واقعی اطلاعات مربوط به عملیات و عملیات، شرایط کاری، پارامترهای محیطی و سایر داده‌هایی که وضعیت عملکرد تجهیزات و محصولات را منعکس می‌کنند، اشاره دارد. چنین داده‌هایی منبع جدید و سریع‌ترین رشد داده‌های بزرگ صنعتی هستند. داده‌های بزرگ صنعتی محدود به این نوع داده‌ها اشاره دارد، یعنی حجم زیادی از داده‌هایی که به سرعت توسط تجهیزات و محصولات صنعتی تولید می‌شوند و وجود تفاوت‌های سری زمانی{3}}.

3. داده های خارجی

داده‌های خارجی به فعالیت‌های تولیدی شرکت‌های صنعتی و محصولات مرتبط با منابع داده‌های اینترنتی خارجی سازمان اشاره دارد، به عنوان مثال، ارزیابی عملکرد زیست‌محیطی شرکت از مقررات زیست‌محیطی، پیش‌بینی داده‌های کلان-اجتماعی-اقتصادی بازار محصول و غیره. فناوری داده‌های بزرگ صنعتی مجموعه‌ای از فناوری‌ها و روش‌هایی است که ارزش موجود در داده‌های بزرگ صنعتی را امکان استخراج و نمایش می‌دهد، از جمله برنامه‌ریزی داده، جمع‌آوری، پیش{3}}پردازش، ذخیره‌سازی، تجزیه و تحلیل و استخراج، تجسم و کنترل هوشمند. کاربرد کلان داده های صنعتی فرآیند یکپارچه سازی و به کارگیری یک سری فناوری ها و روش های کلان داده صنعتی در مجموعه داده های بزرگ صنعتی خاص برای به دست آوردن اطلاعات ارزشمند است. تحقیق و پیشرفت فناوری کلان داده صنعتی اساساً با هدف کشف الگوها و دانش جدید از مجموعه داده‌های پیچیده و استخراج اطلاعات جدید ارزشمند به منظور ارتقای نوآوری محصول شرکت‌های تولیدی، بهبود سطح عملکرد و کارایی تولید و گسترش مدل‌های تجاری جدید است.

II. ویژگی های داده های بزرگ صنعتی

علاوه بر ویژگی های کلان داده های عمومی (حجم داده های بزرگ، تنوع، سرعت و چگالی کم)، داده های بزرگ صنعتی نیز دارای ویژگی های توالی زمانی، همبستگی قوی، دقت و حلقه بسته هستند.

حجم داده زیاد:اندازه داده ها ارزش و اطلاعات بالقوه داده های مورد بررسی را تعیین می کند. حجم داده‌های صنعتی نسبتاً زیاد است، تعداد زیادی-داده‌های با فرکانس بالا از ماشین‌ها و تجهیزات و داده‌های اینترنتی همچنان سرازیر می‌شوند، و مجموعه داده‌های شرکت‌های صنعتی بزرگ به سطح PB یا حتی EB خواهند رسید.

تنوع (تنوع):به تنوع انواع داده ها و طیف وسیعی از منابع اشاره دارد. داده‌های صنعتی به طور گسترده در جنبه‌های مختلف مانند ماشین‌ها و تجهیزات، محصولات صنعتی، سیستم‌های مدیریت و اینترنت توزیع می‌شوند، و ساختار پیچیده است، با داده‌های حسگر ساختاریافته و نیمه ساختاریافته و همچنین داده‌های بدون ساختار.

سریع (سرعت):به سرعت به دست آوردن و پردازش داده ها اشاره دارد. نیازهای سرعت پردازش داده های صنعتی متنوع است، سایت تولید-الزامات سطح مورد نیاز برای بازه زمانی تجزیه و تحلیل تا سطح میلی ثانیه، مدیریت و تصمیم گیری{2}}برنامه های کاربردی نیاز به پشتیبانی از تجزیه و تحلیل داده های تعاملی یا دسته ای دارند.

چگالی کم ارزش (مقدار):داده‌های بزرگ صنعتی تأکید بیشتری بر ارزش کاربر{0}}و قابلیت استفاده از خود داده‌ها دارد، از جمله: بهبود توانایی نوآوری و کارایی تولید و عملیات و ارتقای سفارشی‌سازی شخصی‌سازی‌شده، تغییر خدمات و سایر حالت‌های جدید تغییر تولید هوشمند.

دنباله:داده های بزرگ صنعتی دارای یک توالی زمانی قوی است، مانند سفارشات، داده های وضعیت تجهیزات.

مرتبط-قوی:از یک طرف، داده‌ها در همان مرحله از چرخه عمر محصول دارای ارتباط قوی هستند، مانند ترکیب قطعات محصول، شرایط کاری، وضعیت تجهیزات، تعمیر و نگهداری و خرید تکمیلی قطعات. از سوی دیگر، داده‌ها در مراحل مختلف چرخه عمر محصول، مانند تحقیق و توسعه و طراحی، تولید و خدمات، باید مرتبط باشند.

دقت:عمدتاً به صحت، کامل بودن و پایایی داده ها اشاره دارد و به کیفیت داده ها و همچنین قابلیت اطمینان تکنیک ها و روش های پردازش و تحلیل توجه بیشتری دارد. الزامات اطمینان بالاتر برای تجزیه و تحلیل داده ها، تنها با تکیه بر تجزیه و تحلیل همبستگی آماری برای پشتیبانی از تشخیص خطا، پیش بینی و هشدار اولیه و سایر کاربردهای صنعتی کافی نیست، نیاز به ترکیب مدل فیزیکی با مدل داده، رابطه علت و معلولی کاوی وجود ندارد.

حلقه بسته-از جمله بسته شدن و همراهی زنجیره داده در فرآیند افقی کل چرخه عمر محصول، و همچنین فرآیند جمع‌آوری و پردازش عمودی داده‌ها در تولید هوشمند، که نیاز به پشتیبانی از تنظیم و بهینه‌سازی پویا و پیوسته تحت سناریوهای حلقه بسته سنجش حالت، تحلیل، بازخورد و کنترل دارد.

با توجه به ویژگی های فوق، داده های بزرگ صنعتی، به عنوان یک صنعت کاربردی از داده های بزرگ، چشم انداز کاربردی گسترده ای دارد و در عین حال چالش بزرگی برای فناوری مدیریت داده سنتی و فناوری تجزیه و تحلیل داده ها ایجاد می کند.

III. معماری داده های بزرگ صنعتی

معماری کلان داده صنعتی شامل سه بعد است: چرخه حیات و جریان ارزش، لایه عمودی سازمانی و زنجیره ارزش فناوری اطلاعات.

در لایه چرخه عمر و جریان ارزش، با توجه به حوزه های کاربردی کلان داده صنعتی، می توان آن را به سه حوزه تقسیم کرد: توسعه و طراحی محصول قبل از شروع فاز تولید محصول، مدیریت زنجیره تولید و تامین قبل از تحویل محصول، و مدیریت بهره برداری و نگهداری و خدمات پس از تحویل محصول.

در لایه عمودی شرکت، با توجه به روش جمع آوری داده ها و سطح کاربرد، می توان آن را به لایه سیستم فیزیکی اطلاعات، لایه سیستم اطلاعات مدیریت شرکت و لایه سیستم اتصال پلت فرم تقسیم کرد.

در لایه زنجیره ارزش فناوری اطلاعات، می توان آن را به معماری کسب و کار، معماری سیستم اطلاعات و معماری فناوری فناوری اطلاعات در سه سطح تقسیم کرد که از این میان می توان معماری سیستم اطلاعات را به معماری کاربردی و معماری اطلاعات تقسیم کرد.

1. چرخه زندگی و بعد جریان ارزش

بعد چرخه عمر و جریان ارزش در معماری کلان داده صنعتی، مراحل کل چرخه عمر محصول، یعنی تحقیق و توسعه و طراحی، تولید، تدارکات، فروش، بهره برداری و نگهداری و خدمات را پوشش می دهد. از این میان، تولید، تدارکات و فروش را می توان بیشتر به زنجیره تولید و تامین طبقه بندی کرد و چرخه عمر و بعد جریان ارزش شامل سه حوزه تحقیق و توسعه و طراحی، تولید و زنجیره تامین، و بهره برداری و نگهداری و خدمات است. سناریوهای کاربردی هر دامنه در شکل 2 نشان داده شده است.

01. تحقیق و توسعه و طراحی

داده‌های تحقیق و توسعه توسط پرسنل تحقیق و توسعه در فرآیند تحقیق و توسعه و طراحی جمع‌آوری می‌شوند، که از تمام جنبه‌های چرخه عمر محصول، از جمله: داده‌های بزرگ تقاضای کاربر، کلان داده‌های دانش تحقیق و توسعه، داده‌های بزرگ استفاده مجدد محصول، داده‌های بزرگ مشارکتی تحقیق و توسعه، و غیره، با محصولات متقابل و متقابل{2}}صنعت‌ها، و ویژگی‌های بسیار متنوع.

شرکت‌های طراحی سفارشی‌سازی محصول شخصی‌شده می‌توانند تقاضای محصول شخصی‌شده کاربران، تعامل با مشتری محصول و داده‌های تراکنش را از طریق بستر اینترنت جمع‌آوری کنند. استخراج و تجزیه و تحلیل این داده‌های پویای مشتری می‌تواند به مشتریان کمک کند تا در تجزیه و تحلیل تقاضای محصول و فعالیت‌های طراحی محصول شرکت کنند تا به طراحی سفارشی دست یابند، و سپس با تکیه بر فرآیند تولید انعطاف‌پذیر، می‌توانید محصولات{1}} متناسب با کاربران تولید کنید.

تحقق طراحی شبیه سازی بر اساس داده های بزرگ شرکت های تولید سنتی در تست و تایید لینک نیاز به تولید در نوع برای ارزیابی عملکرد آن و سایر شاخص ها، هزینه با افزایش تعداد تست ها و افزایش است. استفاده از فناوری شبیه‌سازی مجازی می‌تواند به فرآیند طراحی تحقیق و توسعه اصلی شبیه‌سازی، تحلیل، ارزیابی، تأیید و بهینه‌سازی دست یابد، در نتیجه میزان تغییرات مهندسی را کاهش دهد، فرآیند تولید را بهینه کند، هزینه‌ها و مصرف انرژی را کاهش دهد.

تحقق اتوماسیون طراحی سفارشی شخصی سازی شده بر اساس داده های بزرگ انواع محصول سنتی سازمانی، سبک ها زیاد نیستند، می توان از آن برای طراحی دستی مدل های محصول، نمونه های تولید و سپس حالت تولید تولید انبوه استفاده کرد، اما در مواجهه با الزامات تولید دسته ای شخصی و کوچک، حالت سنتی منجر به چرخه تولید محصول بسیار طولانی می شود، هزینه آن بسیار زیاد است. با جمع آوری مقدار زیادی از داده های مدل طراحی محصول، تجزیه و تحلیل همبستگی بین داده های طراحی و با کمک فناوری داده های بزرگ و سایر ابزارهای طراحی کمکی، اتوماسیون طراحی سفارشی سازی شده و تولید مدل می تواند محقق شود.

ترویج ادغام و اشتراک منابع تحقیق و توسعه و شرکت‌های نوآوری و طراحی مشارکتی از طریق ساخت و بهبود پایگاه دانش تحقیق و توسعه و طراحی، برای ارتقای نقشه‌های دیجیتال، کتابخانه قطعات استاندارد و سایر داده‌های طراحی در داخل سازمان و همچنین شرکت‌های بالادستی و پایین‌دستی در زنجیره تامین اشتراک‌گذاری منابع و نوآوری و همکاری، به منظور ارتقاء مدیریت منابع و یکپارچه‌سازی سازمانی{0} قابلیت های طراحی مشارکتی زنجیره صنعت افزایش توانایی شرکت ها برای مدیریت و استفاده از منابع جهانی تحقیق و توسعه، بهینه سازی و سازماندهی مجدد فرآیندهای تحقیق و توسعه، و بهبود کارایی تحقیق و توسعه.

روش‌های جدید تحقیق و توسعه را بر اساس اشتراک اجتماعی و مشارکت منابع طراحی ایجاد کنید و شرکت‌ها را قادر به اجرای روش‌های جدید تحقیق و توسعه مانند جمع‌سپاری و جمع‌سپاری بر اساس نیازهای تحقیق و توسعه خود کنید تا توانایی شرکت‌ها برای استفاده از نوآوری اجتماعی و منابع سرمایه افزایش یابد.

02. تولید و زنجیره تامین

کلان داده‌های تولید نه تنها شامل اطلاعات تولید محصول، اطلاعات سفارش، اطلاعات تجهیزات، اطلاعات کنترل، اطلاعات مواد، زمان‌بندی کار پرسنل می‌شود، بلکه شامل جریان اطلاعات مدیریت داخلی، جریان سرمایه، تولید محصول تامین‌کنندگان بالادستی و پایین‌دستی و مدیریت مشتری و سایر اطلاعات مدیریت تولید کمکی می‌شود. سیستم های اطلاعاتی

نظارت و مدیریت{0}زمان واقعی فرآیند تولید و نگهداری پیش‌بینی‌کننده تجهیزات تولید را متوجه می‌شود، سطح مدیریت فرآیند و تجهیزات تولید را بهبود می‌بخشد، فرآیند تولید را بهینه می‌کند و کیفیت محصول را بهبود می‌بخشد. خطوط تولید صنعتی مدرن با هزاران سنسور کوچک برای تشخیص وضعیت کار تجهیزات تولید مانند دما، فشار، گرما، ارتعاش و سر و صدا و غیره نصب می‌شوند. استفاده از این داده‌ها می‌تواند نظارت بر زمان واقعی فرآیند تولید، تشخیص و پیش‌بینی خرابی تجهیزات، تجزیه و تحلیل مصرف انرژی، تجزیه و تحلیل حوادث با کیفیت را محقق سازد. علاوه بر این، همچنین می‌تواند داده‌ها را از تمام جنبه‌های تولید ادغام و تجمیع کند، مدل‌های مجازی فرآیند تولید را ایجاد کند، فرآیند تولید را شبیه‌سازی و بهینه کند.

تحقق بخشیدن به تولید در مقیاس سفارشی شخصی و ترویج استقرار سیستم تولید مدرن. از طریق اتوماسیون جریان داده در کل چرخه عمر محصول و کنترل خودکار و هوشمند کل فرآیند تولید، به اشتراک گذاری اطلاعات، یکپارچه سازی سیستم و همکاری تجاری، بهبود توانایی ساخت دقیق، ساخت{{1}بالا، ساخت پیشرفته و چابک ساختن تولید سفارشی سازی شده، تحقق بخشیدن به تولید شخصی سازی شده در مقیاس پیشرفته، ارتقاء داده می شود. مانند کارگاه های هوشمند و کارخانه های هوشمند و تولید هوشمند را تحقق بخشید.

تحقق بخشیدن به تولید مشترک شبکه ای و اقتصاد به اشتراک گذاری تولید. از طریق "اینترنت +"، یکپارچه سازی و بهینه سازی منابع تولید در داخل یا بین شرکت ها، و تحقق تولید مشارکتی عمودی در داخل شرکت ها یا تولید مشارکتی افقی در بین شرکت ها. از طریق اینترنت + اقتصاد اشتراک گذاری، به اشتراک گذاری منابع نوآوری، ظرفیت تولید، موجودی و سایر منابع تولید برای تحقق اقتصاد به اشتراک گذاری تولید.

بهینه سازی زنجیره تامین صنعتی فناوری شناسایی الکترونیکی مانند شناسایی فرکانس رادیویی (RFID)، فناوری اینترنت اشیا (IoT) و فناوری اینترنت تلفن همراه می‌تواند به شرکت‌های صنعتی کمک کند تا کلان داده‌ها را در زنجیره تامین کامل محصول به دست آورند و استفاده از چنین داده‌هایی برای تجزیه و تحلیل افزایش قابل‌توجهی در کارایی انبارداری، توزیع، و فروش و همچنین کاهش قابل توجه هزینه‌ها را به همراه خواهد داشت.

برای چیدمان بهتر کالاهای ورودی و تولید، پیش بینی تقاضا را محقق کنید و زمانی که تقاضا کاهش یافت، علت مشکل را ردیابی و آن را حل کنید.

بررسی پروفایل مشتری و بازاریابی دقیق و تجزیه و تحلیل رفتار مشتری، که می تواند منابع مشتری را گسترش دهد، میزان موفقیت بازاریابی و رضایت و وفاداری مشتری اصلی را بهبود بخشد.

03. عملیات و تعمیر و نگهداری و زمینه خدمات

منابع داده زیادی در زمینه بهره برداری و نگهداری و خدمات وجود دارد، به طور عمده شامل:-داده های وضعیت در حال اجرا در زمان واقعی و داده های محیط اطراف که توسط حسگرهای تعبیه شده در محصولات با اجازه مشتریان جمع آوری شده است. داده های فروش محصول به دست آمده از طریق پلت فرم کسب و کار، داده های مشتری و ارزیابی محصول مربوطه یا بازخورد استفاده؛ شکایات مشتری و سوابق پردازش مربوطه؛ برگرداندن/بازگشت محصول و سوابق نگهداری مربوطه.

با نظارت و تجزیه و تحلیل داده‌های{0}زمان عملکرد واقعی محصولات جمع‌آوری‌شده از راه دور، می‌توان به خدمات ارزش افزوده آنلاین- مانند نظارت و مدیریت از راه دور، تشخیص خطا و نگهداری پیش‌بینی‌شده پی برد که می‌تواند هزینه‌های نگهداری را کاهش دهد و استفاده از محصول را بهبود بخشد.

با تجزیه و تحلیل داده‌های استفاده مشتری و داده‌های محیط اطراف تجهیزات، می‌تواند خدمات گسترده‌ای را برای کاربران ارائه کند، فضای ارزش محصولات را گسترش دهد و تبدیل مدل کسب‌وکار محصول{0}محور به مدل «ساخت + خدمات» را محقق کند.

با تجزیه و تحلیل ارزیابی محصول یا بازخورد استفاده از مشتری، شکایات مشتری، گنجاندن نظرات مفید در طراحی محصول و بهبود محصول، و دسته بندی شکایات مشتریان، می توانیم کیفیت محصول و کیفیت خدمات پس از فروش را بهبود بخشیم، نرخ شکایت را کاهش دهیم و رضایت و وفاداری مشتری را افزایش دهیم.

با تجزیه و تحلیل دلایل بازگشت کالا یا تعمیر و انجام اقدامات به موقع و موثر می توان کیفیت محصول را بهبود بخشید و نرخ بازگشت و نرخ تعمیر را کاهش داد.

2. لایه عمودی سازمانی

لایه عمودی سازمانی معماری کلان داده صنعتی از منظر حوزه فیزیکی از پایین به بالا به پنج لایه تقسیم می شود که عبارتند از لایه تجهیزات، لایه کنترل، لایه کارگاه، لایه سازمانی و لایه همکاری. در لایه تجهیزات، لایه کنترل و لایه کارگاه، می توان از اینترنت اشیا برای تحقق کارخانه های هوشمند مبتنی بر سیستم فیزیکی اطلاعات استفاده کرد. در لایه سازمانی، شرکت برنامه های مختلف اطلاعات داخلی را ادغام می کند، یکپارچه سازی و تغییر فرآیندهای داخلی کسب و کار را انجام می دهد و کارایی عملیاتی شرکت را بهبود می بخشد. و در لایه همکاری، ابر صنعتی و سایر فناوری‌های پلت فرم برای تحقق بخشیدن به تولید مشارکتی خارجی سازمانی و مدل‌های کسب‌وکار نوآورانه مانند مدل خدمات تولید{1} استفاده می‌شوند. بعد عمودی شرکت را می توان به سه زیر سیستم تقسیم کرد: سیستم فیزیکی اطلاعات، سیستم اطلاعات مدیریت شرکت و سیستم پلت فرم اتصال.

01. سیستم فیزیکی اطلاعات

سیستم فیزیکی اطلاعات، داده‌های عملیات ماشین و داده‌های سایت تولید را از طریق حسگرها و سیستم‌های اطلاعاتی مختلف جمع‌آوری و جمع‌آوری می‌کند تا حسگری همه‌جا را تحقق بخشد، و یکپارچه‌سازی و فناوری پردازش داده‌ها را برای جمع‌آوری و تبادل داده‌های صنعتی، بازخورد و کنترل تولید، برای دستیابی به کنترل و تعامل با تجهیزات و کارگاه‌ها، برای تحقق اتصال و قابلیت همکاری داخلی و خارجی برای تحلیل‌های داخلی و خارجی به سیستم‌های مدل‌سازی فیزیکی و ارائه داده‌های مدل‌سازی داخلی و خارجی به کار می‌گیرد. پشتیبانی برای تصمیم گیری{0}}بهینه سازی عملیات کارگاه/کارخانه. همچنین مبنای داده‌ای را برای مدل‌سازی/شبیه‌سازی و تحلیل صنعتی فراهم می‌کند که به نوبه خود خدمات پشتیبانی را برای بهینه‌سازی تصمیم‌گیری عملیات کارگاه/کارخانه ارائه می‌دهد. در لایه عمودی شرکت معماری کلان داده‌های صنعتی، سیستم فیزیکی اطلاعات مورد استفاده برای جمع‌آوری اطلاعات در لایه تجهیزات صنعتی مبتنی بر داده‌های بزرگ، شبکه و محاسبات انبوه است و از طریق ادراک هوشمند هسته‌ای، تجزیه و تحلیل، استخراج، ارزیابی، پیش‌بینی، بهینه‌سازی، همکاری و سایر ابزارهای فنی، محاسبات، ارتباطات و کنترل می‌تواند به همجوشی ارگانیک و در نتیجه همکاری عمیق دست یابد. فضای مجازی و فضای فیزیکی تجهیزات صنعتی، محیط ها و گروه ها. یکپارچگی عمیق ماهیت سیستم فیزیکی اطلاعات در اتصال تجهیزات فیزیکی به اینترنت نهفته است، به طوری که تجهیزات فیزیکی دارای پنج عملکرد اصلی هستند: محاسبات، ارتباط، کنترل دقیق، هماهنگی از راه دور و استقلال.

02. سیستم اطلاعات مدیریت سازمانی

اطلاعات سازمانی فرآیند به کارگیری فناوری اطلاعات و محصولات در شرکت ها است. اطلاعات سازمانی فرآیند نفوذ همه جانبه فناوری اطلاعات از محلی به جهانی، از سطح تاکتیکی تا سطح استراتژیک به شرکت ها، به کارگیری آن در مدیریت فرآیند و پشتیبانی از عملیات و مدیریت شرکت است. اطلاعات سازمانی عمدتاً شامل کنترل فرآیند تولید، مدیریت سازمانی، مدیریت چرخه عمر محصول، بهینه سازی زنجیره تامین و فرآیندهای مدیریت است. اطلاعات کنترل فرآیند تولید بر توسعه و طراحی محصول، جریان فرآیند تولید، مدیریت کارگاه، بازرسی کیفیت و سایر پیوندهای طراحی و تولید متمرکز است. اطلاعات مدیریت سازمانی بزرگترین نسبت ساخت و ساز اطلاعات سازمانی، سخت ترین، پرکاربردترین در یک زمینه است که شامل تجارت مدیریت شرکت و همه سطوح می شود. ساختار اطلاعاتی مدیریت سازمانی عبارت است از جمع آوری، پردازش، سازماندهی و ادغام منابع اطلاعاتی به طور مؤثر از طریق سیستم برنامه کاربردی یکپارچه سازی اطلاعات بر اساس استانداردسازی کارهای اساسی مدیریت و بهینه سازی فرآیندهای کسب و کار، بهبود کارایی مدیریت، و ارائه اطلاعات مدیریت پویا در زمان واقعی و اطلاعات تصمیم گیری. اطلاع رسانی مدیریت زنجیره تامین سازمانی باعث می شود که فعالیت های تولیدی و مدیریتی شرکت به جلو و عقب گسترش یابد. شرکت‌ها از تهیه مواد اولیه، قطعات، حمل‌ونقل، ذخیره‌سازی، پردازش و ساخت، فروش تا تحویل نهایی و خدمات به مشتریان، تشکیل یک ساختار زنجیره‌ای متشکل از تامین‌کنندگان بالادستی، تولیدکنندگان واسطه و ارائه‌دهندگان خدمات شخص ثالث، مشتریان فروش پایین‌دستی، و فعالیت‌های تولیدی شرکت‌ها، فرآیندهای مدیریتی محدود و تحت تأثیر این محدودیت‌های مدیریتی هستند.

03. سیستم پلت فرم متصل

در حال حاضر، توسعه صنعتی چین و اکثر کشورها با مشکلات و چالش‌های بزرگی روبرو هستند، از جمله: ظرفیت مازاد جدی، کمبود محصولات شخصی‌سازی شده، محصولات پیچیده‌تر و پیچیده‌تر می‌شوند، ابزار تولید نمی‌تواند به طور موثر پیکربندی شود، و بازار تجهیزات در مقیاس بزرگ به طور فزاینده‌ای اشباع می‌شود و غیره، و نیاز مبرمی به بازگشت صنعت و ارتقای صنعت به دنبال راه‌حل استراتژیک است. «اینترنت +» تفکر بسیار پویا و مدل‌های کسب‌وکار نوآورانه، برای وضعیت اسفناک صنعت تولیدی که نیاز فوری به تحول و ارتقا دارد، جهت جدیدی از تحول را از طریق اصلاح روش‌های تولید و مدل‌های کسب‌وکار و بهبود فناوری تولید، برای دستیابی به شخصی‌سازی مشتری محصولات سفارشی، دسته‌ای کوچک،-تولید در مقیاس بزرگ، برای حل مشکل تولید در مقیاس بزرگ، برای حل مشکل تولیدات در مقیاس بزرگ، فراهم می‌کند. با اصلاح روش‌های تولید و مدل‌های کسب‌وکار و بهبود فناوری تولید، می‌توانیم به تولید-زیاد، بزرگ-محصولات شخصی‌سازی‌شده در مقیاس کوچک پی ببریم تا مشکل-مازاد ظرفیت تولیدات صنعتی در مقیاس بزرگ و ناتوانی در برآورده کردن تقاضای شخصی مشتریان برای محصولات، به‌منظور ارضای تقاضای احترام و تأیید مشتریان{10}، حل شود.

سعی کنید مشکل فناوری هسته ضعیف و ظرفیت تولید پایین محصولات{0}بالا را از طریق تولید مشترک شبکه ای حل کنید، به عنوان مثال، با کمک اینترنت یا پلتفرم ابر صنعتی، روش های جدیدی از تحقیق و توسعه مشترک، طراحی جمع سپاری، همکاری زنجیره تامین و غیره را در بین شرکت ها توسعه دهید تا به طور موثری هزینه منابع را کاهش دهید. بسته را بشکن مرزها و سرعت بخشیدن به تبدیل از "مبارزه به تنهایی" به "همکاری صنعتی". برای هم افزایی صنعتی و ارتقای رقابت پذیری کلی صنعت.

سعی کنید مشکل مازاد ظرفیت را بدون تخصیص موثر منابع و ضعف توانایی نوآوری مستقل از طریق نوآوری و کارآفرینی، اقتصاد به اشتراک گذاری تولید بهبود بخشید.

با محوریت محصول اصلی، از طریق جمع‌آوری و تجزیه و تحلیل داده‌های استفاده مشتری محصول و داده‌های محیط اطراف، برای ارائه خدمات گسترده به کاربران، گسترش فضای ارزش محصول، گسترش بازارهای جدید و تحقق تبدیل مدل کسب‌وکار محصول-محور به مدل «ساخت + خدمات».

3. زنجیره ارزش فناوری اطلاعات

ارزش کلان داده از طریق فعالیت هایی مانند جمع آوری داده ها،{0}}پیش پردازش، تجزیه و تحلیل، تجسم و دسترسی محقق می شود.

در بعد زنجیره ارزش فناوری اطلاعات، ارزش کلان داده از طریق ارائه شبکه‌ها، زیرساخت‌ها، پلتفرم‌ها، ابزارهای کاربردی و سایر خدماتی که داده‌های بزرگ را برای کاربردهای کلان داده در خود جای می‌دهند، تحقق می‌یابد، در نتیجه کارایی عملیاتی را بهبود می‌بخشد و از نوآوری تجاری حمایت می‌کند. معماری سازمانی پشتیبانی شده توسط فناوری کلان داده را می توان به سه سطح تقسیم کرد: معماری تجاری، معماری سیستم اطلاعات و معماری فناوری فناوری اطلاعات با اشاره به روش تقسیم TOGAF.

01. معماری کسب و کار

معماری کسب و کار استراتژی کسب و کار، مدیریت، سازمان و فرآیندهای کلیدی کسب و کار را تعریف می کند و پایه و اساس استراتژی جامع فناوری اطلاعات و معماری سیستم اطلاعات شرکت و همچنین تعیین کننده معماری داده ها، کاربردها و فناوری است. معماری کسب و کار کانالی است که استراتژی تجاری یک سازمان را به عملیات روزانه تبدیل می کند و استراتژی کسب و کار معماری کسب و کار را تعیین می کند. معماری کسب و کار، استراتژی‌ها و اهداف تجاری سطح بالا را به مدل‌های تجاری عملیاتی تبدیل می‌کند. معماری کسب و کار بیانی از استراتژی تجاری کلیدی شرکت و عملکردها و فرآیندهای کسب و کار است، معمولاً یک طرح کسب و کار که بر اساس یک مدل کسب و کار پیاده سازی می شود، که ماژول های کسب و کار و روابط بین آنها، یعنی فرآیندهای اصلی کسب و کار را از دیدگاه های مختلف توصیف می کند. معماری کسب و کار ترسیم درستی از فرآیندهای اصلی و مشترک کسب و کار و بیان و تحلیل چرخه حیات عناصر تجاری است. ارزش کلان داده های صنعتی را می توان با برنامه ریزی استراتژیک کسب و کار داده های بزرگ صنعتی و ساخت معماری سازمانی به دست آورد.

02. معماری سیستم اطلاعات

به منظور ارائه بازی کامل به ارزش داده های بزرگ صنعتی و جلوگیری از تشکیل "جزایر اطلاعات"، ایجاد یک معماری سیستم اطلاعاتی یکپارچه برای تحقق دسترسی کاربر و قابلیت همکاری سیستم های کاربردی و داده های مختلف ضروری است. معماری سیستم اطلاعاتی مبتنی بر استراتژی کسب و کار داده های بزرگ صنعتی، معماری است که رابطه بین اجزای مختلف سیستم اطلاعاتی یک شرکت تولیدی و همچنین رابطه بین سیستم اطلاعاتی و تجارت مرتبط و بین سیستم اطلاعاتی و فناوری مربوطه را منعکس می کند. معماری سیستم اطلاعات شامل معماری اپلیکیشن و معماری داده است. در میان آنها، معماری اپلیکیشن، طرح اولیه سیستم کاربردی مورد نیاز برای پشتیبانی از عملیات سازمانی، شامل سطوح کاربرد، عملکردها، روش های تحقق و استانداردهای ساخت و ساز و غیره را توصیف می کند. عمدتاً به بررسی تعامل بین سیستم های کاربردی و تطابق بین برنامه ها و کسب و کار اصلی می پردازد و تمرکز تحقیق بر چارچوب کلی سازمان است که می توان گفت پل بین معماری کسب و کار و معماری فنی است. معماری کاربردی داده های بزرگ صنعتی شامل هر دو سیستم کاربردی مربوط به سطوح مختلف لایه عمودی شرکت در معماری کلان داده صنعتی و سیستم های کاربردی مبتنی بر فناوری داده های بزرگ است. معماری داده، از سوی دیگر، توصیفی از ساختار و تعامل انواع داده‌ها و منابع اصلی، دارایی‌های داده‌های منطقی، دارایی‌های داده فیزیکی و منابع مدیریت داده‌های یک بدنه سازمانی پیچیده است.

03. معماری فناوری اطلاعات

با ظهور موج صنعت 4.0، فناوری‌های اطلاعاتی مانند اینترنت اشیا (IoT)، محاسبات ابری، داده‌های بزرگ، هوش مصنوعی، واقعیت افزوده/واقعیت مجازی و سایر فناوری‌های اطلاعاتی به‌طور مداوم در حال ادغام و نفوذ به حوزه صنعتی هستند که پایه‌های فناورانه محکمی را برای اجرای برنامه‌های کاربردی بزرگ داده‌های صنعتی ایجاد می‌کند. در این میان، فناوری اینترنت اشیا تجهیزات و امکانات پایانی فراگیر را ایجاد می‌کند که می‌توانند طبق پروتکل‌های توافق شده از طریق دستگاه‌های سنجش اطلاعات مانند شناسایی فرکانس رادیویی، حسگرهای مادون قرمز، سیستم‌های موقعیت‌یابی جهانی و غیره، برای تبادل اطلاعات و ارتباطات، به‌گونه‌ای که اقلام و وضعیت آن‌ها قابل مشاهده باشند، طبق پروتکل‌های توافق شده به اینترنت متصل شوند تا به شناسایی هوشمند، بومی‌سازی، ردیابی، نظارت و نظارت بر آن پی ببرند. فناوری محاسبات ابری نوعی سرویس محاسباتی پویا و مقیاس‌پذیر را ارائه می‌کند که می‌تواند از طریق شبکه به درخواست- تحقق یابد. فناوری رایانش ابری خدمات محاسباتی{5} بر اساس تقاضا، مقیاس پذیر پویا و ارزان قیمت را از طریق شبکه ارائه می دهد. فناوری داده های بزرگ و فناوری هوش مصنوعی امکان تجزیه و تحلیل و استخراج ارزش بالقوه داده های عظیم را در مدت زمان قابل قبولی و همچنین تحقق پیش بینی روند و حالت هوشمند گروهی را ممکن می سازد. فناوری AR/VR می تواند شبیه سازی و افزایش تجربه محیط کارخانه، تجهیزات صنعتی و غیره را محقق کند. شرکت‌های تولیدی هر روز یا حتی هر لحظه حجم زیادی از داده‌ها را با تنوع گسترده تولید می‌کنند که کل چرخه عمر محصولات صنعتی شامل داده‌های طراحی، داده‌های تولید، داده‌های زنجیره ارزش و داده‌های خارجی مرتبط را پوشش می‌دهد. این داده‌ها یا از حسگرها، یا از سیستم کنترل جمع‌آوری و نظارت بر تجهیزات هوشمند، یا از مدل طراحی و سیستم اطلاعاتی شرکت می‌آیند.

تحقق کاربرد کلان داده صنعتی مستلزم جمع‌آوری داده‌ها و پیش{0}پردازش، ذخیره‌سازی، تجزیه و تحلیل و استخراج، کاربرد برای کسب‌وکار خاص و در نهایت نمایش نتایج است، بر این اساس، معماری فناوری اطلاعات بزرگ صنعتی به شش لایه تقسیم می‌شود: لایه داده، لایه جمع‌آوری داده، لایه ذخیره‌سازی، لایه محاسباتی، لایه کاربردی و لایه نمایش. اگر شرکت ها هر لایه را به تنهایی بسازند، آستانه ساخت نسبتاً بالا خواهد بود. مجموعه‌ای از مؤلفه‌های{3}}فناوری منبع باز مرتبط با خدمات ابری صنعتی و پردازش داده‌های بزرگ (صنعتی) در داخل و خارج از کشور توسعه یافته و تکمیل شده‌اند، و فناوری هوش مصنوعی پیشرفت زیادی داشته است که راه‌حل‌های اختیاری را برای تحول هوشمند حوزه صنعتی ارائه می‌دهد و همچنین آستانه ساخت و اجرای برنامه‌های کاربردی داده‌های بزرگ صنعتی را کاهش می‌دهد. شرکت‌ها در صورت عدم نیاز، نیازی به تحقق بخشیدن به هر یک از اجزای معماری فنی ندارند و می‌توانند از اجزای متن‌باز متناظر برای ساخت برنامه‌های کاربردی داده‌های بزرگ صنعتی با توجه به نیاز خود و همچنین انواع و سطوح مختلف خدمات ابر صنعتی با توجه به نیاز خود استفاده کنند و برنامه‌های کاربردی داده‌های بزرگ صنعتی را بر این اساس پیاده‌سازی کنند تا بیشتر بر حوزه‌های تجاری و زمینه‌های فنی که شرکت‌ها در آن خوب هستند تمرکز کنند.

فناوری تجزیه و تحلیل کلان داده‌های صنعتی، به عنوان یکی از فناوری‌های اصلی داده‌های بزرگ صنعتی، می‌تواند به محصولات داده‌های بزرگ صنعتی توانایی استخراج داده‌های انبوه، ادغام داده‌های چند منبع، مدل‌سازی دانش چند-نوع، تجزیه و تحلیل سناریوهای چند-تجاری، و کشف دانش چند دامنه‌ای و غیره را داشته باشد که نقش مهمی را در کسب و کار ایفا می‌کند. نوآوری و تحول و ارتقاء بنگاه ها.