数据驱动制造业业变革中碰到的问题

当今世界进入了数据爆炸的时代,数据成为企业最重要的资产之一。企业管理和决策的基础是数据,数据要真实、可靠、全面、及时,因此企业必须具备数据全生命的治理和管控能力。

如今,许多企业开始构建大数据平台,并且通过这些技术优化价值链业务,包括产品优化、供应链优化、智能制造体系以及用户经营平台体系、精准营销体系建立。

ITOT的深度融合,通过这样的深度融合,把所有的数据,包括生产经营体系里的数据,包括企业管理新系统里的ERPCRM这些数据整合起来。通过机理模型和算法模型深度融合,为顾客提供深度智能应用实现。

中国的工业企业是这么大的宽度纬度,从2.0补课开始。不得不承认现场接入依然是中国面临的重大问题。原来的工业企业,没上自动化系统,就算上了自动化系统,一套系统出来是怎样的数据量,大家了解吗?基本一天下来也就是几兆的数据,但是我们往下看,看到一线的工业现场,每秒甚至每毫秒采集的全量数据算下的话一天至少几个G,如果一天几个G,一年多少?那个时候没有PB时代,是达不到真正全量数据分析要求的。

在进行数据管理或者数据治理的过程中,企业或多或少的会碰到以下问题:

第一,是工业现场没有数据或数据不全。虽然如今关于工业互联网、大数据的热潮涌动,但对于许多国内的中小企业而言,受限于自身信息化水平,现场数据的采集、筛选、存储依旧是一道没有迈过去的坎。

第二,智能工厂数据量大了不好处理。无论是ERPPLM还是MES系统,企业无时不刻不在生产数据。一方面,企业需要对消费需求产生的海量数据和信息进行大数据处理和挖掘;另一方面,在进行这些非标准化产品生产过程中,产生的生产信息与数据也是巨大的,需要及时收集、处理与分析。这两方面数据流最终通过互联网在智能设备之间传递,通过智能设备进行分析、判断、调整、控制并继续指导智能生产。

第三,企业不知道适配场景在哪。不同与消费级业务,工业领域不同行业的差异化明显,不同工业场景所蕴含的不同工业数据应用模式,企业间不同的工业生产过程都有着独特的内在机理,每一个细分领域的Know-How都无可取代。这些特点使得工业数据应用之间的差距巨大,很难用通用的人工智能算法覆盖整个工业的数据优化过程。企业必须仔细了解自身每一个生产节拍的特点,结合AI去做到真正更高级的优化。

第四,生产制造以及工艺特性融合AI/ML进一步赋能难。落地,要找现实存在的场景,让最先进的人工智能技术,结合现有的AI算法落实场景提供价值。而费了半天劲,这个价值的成本投入应该远小于工业优化之后的输出对吗?所有的获利。但是这个点到底在哪?很多实际应用过程中发现,投入了很多,做了很多POC最后发现没挣多少钱,这就是为什么炒着热吃这凉。

所以对于大多数类似企业这是非常大的问题,这四个挑战使得我们在做工业物联网的过程中,这个发展炒着热吃着凉,就是巨大的挑战。

发表于: 2018-12-31 15:05 阅读(7883) 评论(0) 收藏 好文推荐

发表评论(网友发言只代表个人观点,不代表本网站观点或立场。)

您尚未登录,请先【登录或注册
网站地图 凯撒皇宫娱乐场官网 马可波罗娱乐网站 乐橙官方网站
申博登入 太阳城游戏介绍 申博sunbet注册 澳门葡京赌场登入
申博下载中心 新世界娱乐现金网 快乐彩票官网 139彩票网官网
亿豪娱乐平台进不去了 拉斯维加斯凯撒皇宫 皇宫殿官方网 大华乐橙官方网站
马可波罗网登陆 凯撒皇宫娱乐网 马可波罗网站登录 凯撒皇宫线上娱乐
200xsb.com XSB597.COM 384xx.com S618F.COM 8QJS.COM
8KTS.COM 587sj.com 987PT.COM 1111XSB.COM 758sunbet.com
XSB198.COM 523SUN.COM 987sj.com 133PT.COM 788TGP.COM
S618V.COM 568psb.com 307SUN.COM aj138.com 838XTD.COM