산업용 빅데이터

Industrial big data

아시프 자말 만수리 산업 빅데이터는 [3]사물인터넷으로 알려진 산업용 장비에 의해 [2]고속으로 생성되는 대량의 다양한 시계열을 말합니다.이 용어는 2012년에 "Industry 4.0"이라는 개념과 함께 생겨났으며, 산업용 기기에 의해 창출되는 데이터가 보다 잠재적인 비즈니스 [4]가치를 가질 수 있다는 점에서 정보기술 마케팅에서 널리 사용되는 빅데이터를 의미합니다.산업용 빅데이터는 산업용 인터넷 기술을 활용합니다.또한 원시 데이터를 사용하여 관리 의사 결정을 지원하므로 유지관리 비용을 절감하고 고객 서비스를 [3]개선할 수 있습니다.자세한 내용은 지능형 유지관리 시스템을 참조하십시오.

정의.

빅데이터란 보다 나은 의사 결정, 지식 발견 및 프로세스 [5]최적화를 위해 새로운 처리 기술이 필요한 대용량, 다양성, 고속으로 생성되는 데이터를 말합니다.때로는 [6]데이터의 품질과 무결성을 강조하기 위해 진실성의 기능도 추가된다.그러나 산업용 빅데이터의 경우 두 개의 "V"가 더 있어야 합니다.하나는 가시성입니다. 가시성은 기존 자산 및/또는 프로세스에 대한 예상치 못한 통찰력을 발견하고 이러한 방식으로 보이지 않는 지식을 가시적 가치로 전환하는 것입니다.또 다른 "V"는 가치입니다.

배경
일반적인 "빅 데이터" 분석은 종종 관계를 발굴하고 현상을 포착하는 데 초점을 맞춥니다.그러나 "산업 빅 데이터" 분석은 이러한 현상에서 추출된 기능 뒤에 있는 물리적 근본 원인을 찾는 데 더 관심이 있습니다.즉, 효과적인 "산업용 빅 데이터" 분석에는 일반적인 "빅 데이터" 분석보다 더 많은 도메인 노하우가 필요합니다.
깨진.
"빅 데이터" 분석에 비해 "산업용 빅 데이터" 분석은 데이터의 "볼륨"보다 데이터의 "완전성"을 선호합니다. 즉, 정확한 데이터 중심 분석 시스템을 구축하려면 서로 다른 작업 조건에서 데이터를 준비해야 합니다.통신 문제 및 여러 소스로 인해 시스템으로부터의 데이터가 분리되고 동기화되지 않을 수 있습니다.따라서 데이터를 실제로 분석하기 전에 데이터가 완전하고 연속적이며 동기화되었는지 확인하기 위해 전처리가 중요한 절차입니다.
불량품질
"빅 데이터" 분석의 초점은 마이닝과 발견입니다. 즉, 데이터의 양이 데이터의 낮은 품질을 보완할 수 있습니다.그러나 "산업 빅 데이터"의 경우 변수는 대개 명확한 물리적 의미를 가지므로 데이터 무결성은 분석 시스템의 개발에 매우 중요합니다.저품질 데이터나 잘못된 기록으로 인해 서로 다른 변수 간의 관계가 변경되어 추정 정확도에 치명적인 영향을 미칩니다.

테크놀로지

데이터 취득, 저장 및 관리

자동화된 산업 장비에서 나오는 데이터가 놀라운 속도와 볼륨으로 생성됨에 따라 이러한 데이터를 저장하고 관리하는 인프라는 모든 업계가 직면하는 첫 번째 과제가 됩니다."산업용 빅 데이터" 분석 시스템은 주로 내부 구조화 데이터와 정기적으로 발생하는 주기로 [7]정보를 처리하는 데 초점을 맞추고 있는 기존의 비즈니스 인텔리전스와는 달리, 거의 실시간으로 분석 및 결과를 시각화해야 합니다.

첫 번째 단계는 올바른 [8]데이터를 수집하는 것입니다.현대 장비의 자동화 수준이 높아지면서 센서에서 데이터가 생성되고 있다.수집에 필요한 데이터 양을 줄이고 데이터 분석의 효율성과 효율성을 높이려면 매개 변수가 기기 상태와 관련이 있음을 인식하는 것이 중요합니다.

다음 단계는 대량의 데이터를 처리하고 거의 실시간으로 분석을 수행할 수 있는 데이터 관리 시스템을 구축하는 것입니다.신속한 의사결정을 가능하게 하기 위해서는 데이터 스토리지, 관리 및 처리를 [8]보다 통합해야 합니다.General Electric은 가스터빈을 [9]위한 시제품 데이터 스토리지 인프라를 구축했습니다.개발된 IMDG(In-Memory Data Grids) 기반 시스템은 데이터에 대한 거의 실시간 분석을 수행하면서 까다로운 고속 및 대용량 데이터 흐름을 처리할 수 있는 것으로 입증되었습니다.이들은 개발된 기술이 배치 "산업용 빅 데이터" 관리 인프라를 실현하기 위한 실행 가능한 경로를 입증했다고 믿고 있습니다.메모리 가격이 저렴해짐에 따라 이러한 시스템은 미래 산업의 중심이자 기반이 될 것입니다.

사이버 물리 시스템

사이버 물리 시스템은 산업용 빅데이터의 핵심 기술입니다.사이버 물리 시스템은 계산 모델과 물리 [10]컴포넌트 간의 심리스한 통합을 필요로 하는 시스템입니다.종래의 운용 테크놀로지와는 달리, 「산업용 빅 데이터」에서는, 보다 넓은 범위에서 의사결정을 실시할 필요가 있습니다.이 결정의 핵심은 기기 상태입니다.T 프로세스를 개선하면 생산성이 더욱 향상되고 비용이 절감됩니다.이는 "산업 빅데이터"의 미션과 일치합니다. 즉, 대량의 원시 데이터에서 통찰력을 얻고 그 정보를 가치로 바꾸는 것입니다.이는 정보기술과 운영기술의 힘을 결합하여 다양한 수준의 사용자 결정을 지원하는 투명한 정보 환경을 구축합니다.

샘플 저장소

산업 시스템의 모든 유닛은 매 순간 방대한 양의 데이터를 생성합니다.제조 [2]라인의 모든 기계에서 매일 수십억 개의 데이터 샘플이 생성되고 있습니다.예를 들어, 보잉 787은 비행당 0.5 [11]테라바이트 이상의 데이터를 생성합니다.산업 시스템의 유닛 그룹이 생성하는 데이터의 양은 기존 방법으로는 턱없이 부족하기 때문에 처리, 관리 및 처리가 쉽지 않습니다.

지난 몇 년 동안 연구원과 기업은 대규모 산업 데이터 세트의 수집, 구성 및 분석에 적극적으로 참여해 왔습니다.이러한 데이터 세트 중 일부는 현재 연구 목적으로 일반에 사용할 수 있다.

NASA 데이터[12] 저장소는 산업용 빅데이터를 위한 가장 유명한 데이터 저장소 중 하나입니다.이 저장소에서 제공하는 다양한 데이터 세트는 예측 분석, 고장 감지, 예측 등에 사용될 수 있습니다.

아이디 저장소 이름 데이터 설명
1 조류 궤도 데이터 세트 조류 바이오매스에 대한 3가지 소규모 궤도 실험
2 CFRP 복합 데이터 세트 CFRP 패널에서의 장애 발생 실험
3 밀링 데이터 세트 다양한 속도, 이송 및 절단 깊이에 대한 밀링 머신의 실험.Milling Insert VB의 마모를 기록합니다.데이터 세트는 UC [13]Berkeley의 BEST 연구소에서 제공되었습니다.
4 베어링 데이터 세트 베어링에 대한 실험.데이터 세트는 신시내티 [14]대학의 인텔리전트 메인터넌스 시스템 센터(IMS)에서 제공되었습니다.
5 배터리 데이터 세트 리튬 이온 배터리에 대한 실험.다른 온도에서 충전 및 방전.손상 기준으로서 임피던스를 기록합니다.데이터 세트는 NASA 에임스의 Prognostics CoE에 의해 제공되었습니다.
6 터보팬 엔진 열화 시뮬레이션 데이터 세트 엔진 열화 시뮬레이션은 C-MAPSS를 사용하여 수행되었습니다.4개의 다른 세트가 서로 다른 운용 조건과 고장 모드의 조합으로 시뮬레이션되었다.고장 발생 특성을 파악하기 위해 여러 센서 채널을 기록합니다.데이터 세트는 NASA 에임스의 Prognostics CoE에 의해 제공되었습니다.
7 IGBT 가속 에이징 SATA 세트 열과잉 스트레스로부터의 예비 데이터는 에이징 및 특성 평가 시스템을 사용하여 에이징을 가속화했습니다.데이터 세트에는 6개 디바이스의 에이징 데이터가 포함됩니다.한 디바이스는 DC 게이트 바이어스로 에이징되고 나머지는 신호 게이트 바이어스로 에이징됩니다.여러 변수가 기록되며 경우에 따라 게이트 전압, 콜렉터-이미터 전압 및 콜렉터 전류의 고속 측정이 가능합니다.데이터 세트는 NASA Ames의 Prognostics CoE에 의해 제공됩니다.
8 Trebuchet 데이터 세트 다양한 카운터 웨이트를 가진 트레부셰에서 발사된 다양한 종류의 공 궤적.비행은 촬영되었고 추출 루틴은 데이터의 위치를 계산했다.원시 영상 데이터와 추출 궤적을 모두 제공한다.트레부셰의 기하학적 특성과 물리적 특성을 사용할 수 있습니다.
9 FEMTO 베어링 데이터 세트 프랑스 [15]베상송의 FEMTO-ST 연구소에서 제공하는 베어링 가속 수명 테스트 실험.
10 랜덤 배터리 사용 데이터 세트 배터리는 무작위로 생성된 전류 프로파일을 사용하여 연속적으로 순환됩니다.배터리 건전성의 상태에 대한 기준 벤치마크를 제공하기 위해 일정 간격의 랜덤화 사용 후에 기준 충방전 사이클도 실시한다.
11 콘덴서 전기적 스트레스 데이터 세트 콘덴서는 10V, 12V 및 14V의 세 가지 전압 레벨에서 전기적 스트레스를 받았습니다.데이터 세트에는 충전/방전 신호 데이터뿐만 아니라 EIS 데이터도 포함됩니다.

산업용 빅데이터 분석 사용 사례 예시

기계 학습 및 예측 분석 알고리즘을 활용하여 산업 빅데이터는 예측 유지보수(기계 고장 또는 구성요소 고장(예: 제조 기계, 비행기, 자동차 차량, 열차, 풍력 터빈, 송유관 등)와 같은 다양한 사용 사례 시나리오에서 가치를 창출하는 데 도움이 될 수 있습니다.생산 공정의 초기 단계 품질 예측 및 제품 품질 최적화(예: 철강 산업), 연속 생산 공정의 위험 상황 예측 및 방지(예: 화학 산업), 제품 수명 예측(예: 자동차 엔진, 풍력 터빈 구성 요소, 배터리 등), 조립 계획 사전.새로운 3D 제품 설계(예: 트럭 엔진 구성품, 와셔 및 건조기 등의 백색 제품), 에너지 수요 예측, 수요 예측, 가격 예측 및 기타 많은 사용 사례(예: 참조)를 위한 사전입니다.산업 데이터 과학 컨퍼런스(IDS 2017 및 IDS[16] 2019).

레퍼런스

  1. ^ Asif, Jamal; Mansoori, M.S.; Iliyas, Jlalul; Haque, M. (2022). "Lupaş post quantum blending functions and Bézier curves over arbitrary intervals". Filomat. 36 (1): 331–347. doi:10.2298/fil2201331k. ISSN 0354-5180 – via 10 billion.
  2. ^ a b "The Rise of Industrial Big Data" (PDF). GE Intelligent Platforms. 2012. Archived from the original (PDF) on 2015-12-08. Retrieved 2015-12-03.
  3. ^ a b Millman, Nick (February 2015). "Big data to unlock value from the industrial internet of things". Computer Weekly. Retrieved March 19, 2017.
  4. ^ Kelly, Jeff. "The Industrial Internet and Big Data Analytics: Opportunities and Challenges". Wikibon.
  5. ^ Laney, Douglas. "The Importance of 'Big Data': A Definition". Gartner. {{cite web}}:누락 또는 비어 있음 url=(도움말)
  6. ^ Villanova University. "What is Big Data?".
  7. ^ ABB. "Big Data and decision-making in industrial plants".
  8. ^ a b Courtney, Brian. "Industrial big data analytics: The present and future". InTech Magazine.
  9. ^ Williams, Jenny Weisenberg; Aggour, Kareem S.; Interrante, John; McHugh, Justin; Pool, Eric (2014). "Bridging high velocity and high volume industrial big data through distributed in-memory storage & analytics". 2014 IEEE International Conference on Big Data (Big Data). pp. 932–941. doi:10.1109/BigData.2014.7004325. ISBN 978-1-4799-5666-1. S2CID 7801639.
  10. ^ National Science Foundation. "Program Solicitation: Cyber-Physical Systems (CPS)".
  11. ^ Finnegan, Matthew (March 6, 2013). "Boeing 787s to create half a terabyte of data per flight, says Virgin Atlantic". ComputerworldUK. Archived from the original on August 24, 2016. Retrieved October 30, 2015.
  12. ^ NASA Prognostics Center of Excellence (PCoE). "PCoE Datasets". National Aeronautics and Space Administration. Archived from the original on 2014-02-27. Retrieved 2015-10-30.
  13. ^ "Best Lab at UC Berkeley".
  14. ^ "NSF I/UCRC for Intelligent Maintenance Systems (IMS)".
  15. ^ "FEMTO-ST Institute".
  16. ^ Klinkenberg, Ralf. "Industrial Data Science - IDS 2017 - Overview of Use Cases". Industrial Data Science Conference (IDS 2017), Dortmund, Germany, September 5th, 2017; presentation slides and video on www.industrial-data-science.org/talks/.