Industriell stordata refererer til alle typer data og relaterte teknologier og applikasjoner generert i det industrielle feltet rundt den typiske intelligente produksjonsmodellen, fra kundebehov til salg, bestillinger, planlegging, forskning og utvikling, design, prosess, produksjon, innkjøp, forsyning, inventar, forsendelse og levering, etter-hele salgstjenesten, drift og vedlikehold av hver koblings- eller resirkuleringssyklus. Industriell stordata er kjernen i intelligent produksjon, basert på "big data + industrielt Internett", cloud computing, big data, Internet of Things, kunstig intelligens og andre teknologier for å lede endringen av industrielle produksjonsmetoder, og drive den innovative utviklingen av den industrielle økonomien.
Detaljert beskrivelse av industriell stordatateknologi og applikasjon
I. definisjonen av industrielle big data
Industriell stordata refererer til industrifeltet, rundt den typiske intelligente produksjonsmodellen, fra kundeetterspørsel til salg, ordre, planlegging, forskning og utvikling, design, prosess, produksjon, innkjøp, forsyning, inventar, forsendelse og levering, etter-salgsservice, drift og vedlikehold, skroting eller resirkulering og reproduksjon av hele produktdataenes livssyklus, generert av ulike typer produktlivssykluser, generert av ulike typer produkters livssyklus og relatert teknologi. applikasjoner. Den er sentrert om produktdata, som i stor grad utvider omfanget av tradisjonell industriell data, og inkluderer også industrielle big data-relaterte teknologier og applikasjoner. De viktigste kildene til industriell stordata er følgende tre kategorier.
1. Forretningsdata knyttet til produksjon og drift
Produksjons- og driftsrelaterte-forretningsdata kommer hovedsakelig fra omfanget av tradisjonell bedriftsinformasjon og lagres i bedriftsinformasjonssystemer, inkludert tradisjonell industridesign- og produksjonsprogramvare, bedriftsressursplanlegging (ERP), produktlivssyklusstyring (PLM), forsyningskjedestyring (SCM), administrasjon av kunderelasjoner (CRM) og miljøstyringssystem (EMS), osv. Disse bedriftsinformasjonssystemene har akkumulert. Disse bedriftsinformasjonssystemene har samlet en stor mengde produktutviklingsdata, produksjonsdata, driftsdata, kundeinformasjonsdata, logistikk- og forsyningsdata og miljødata. Denne typen data er det tradisjonelle dataelementet i industrifeltet, og utvider gradvis omfanget sitt under miljøet av nye teknologiapplikasjoner som mobilt Internett.
2. Utstyr IoT-data
IoT-data for utstyr refererer hovedsakelig til industrielt produksjonsutstyr og målprodukter i IoT-driftsmodus, sann-tidsgenerering og innsamling av data som dekker drift og drift, arbeidsforhold, miljøparametere og andre data som gjenspeiler driftsstatusen til utstyr og produkter. Slike data er den nye og raskest voksende kilden til industriell stordata. Smal industriell stordata refererer til denne typen data, det vil si en stor mengde data generert raskt av industrielt utstyr og produkter og eksistensen av tidsserieforskjeller.
3. Eksterne data
Eksterne data refererer til produksjonsaktivitetene til industrielle foretak og produkter relatert til bedriftens eksterne Internett-datakilder, for eksempel evaluering av bedriftens miljøytelse av miljøforskrifter, forutsigelse av produktmarkedets makro-sosio-økonomiske data og så videre. Industriell stordatateknologi er en rekke teknologier og metoder som gjør det mulig å utvinne og vise verdien i industriell stordata, inkludert dataplanlegging, innhenting, for-forbehandling, lagring, analyse og gruvedrift, visualisering og intelligent kontroll. Industriell big data-applikasjon er prosessen med å integrere og bruke en serie industrielle big data-teknologier og metoder til et spesifikt industriellt big datasett for å få verdifull informasjon. Forskningen og gjennombruddet til industriell stordatateknologi er i hovedsak rettet mot å oppdage nye mønstre og kunnskap fra komplekse datasett, og utvinne verdifull ny informasjon, for å fremme produktinnovasjonen til produksjonsbedrifter, forbedre drifts- og produksjonseffektiviteten og utvide nye forretningsmodeller.
II. Industrielle big data-egenskaper
I tillegg til egenskapene til generelle big data (stort datavolum, variasjon, hurtighet og lav verditetthet), har industriell big data også egenskapene til tidssekvens, sterk korrelasjon, nøyaktighet og lukket sløyfe.
Stort datavolum:størrelsen på dataene bestemmer verdien og potensiell informasjon til dataene som vurderes. Industridatavolumet er relativt stort, et stort antall høyfrekvente-data fra maskiner og utstyr og Internett-data fortsetter å strømme inn, og datasettene til store industribedrifter vil nå PB- eller til og med EB-nivået.
Variasjon (variasjon):refererer til mangfoldet av datatyper og et bredt spekter av kilder. Industrielle data er vidt distribuert i ulike aspekter som maskiner og utstyr, industriprodukter, styringssystemer og Internett, og strukturen er kompleks, med strukturerte og semi-strukturerte sensingsdata så vel som ustrukturerte data.
Rask (hastighet):refererer til hastigheten på innhenting og behandling av data. Industrielle databehandlingshastighetsbehov er forskjellige, krav på produksjonssted-nivå for analysetidsramme til millisekundnivå, administrasjons- og beslutnings-applikasjoner må støtte interaktiv eller batchdataanalyse.
Lav verditetthet (verdi):industriell stordata legger mer vekt på brukerverdidrevet-og brukervennligheten til selve dataene, inkludert: forbedring av innovasjonsevnen og produksjons- og driftseffektiviteten og fremme personlig tilpasning, tjenestetransformasjon og andre nye moduser for intelligent produksjonsendring.
Sekvens:Industriell Big Data har en sterk tidsmessig sekvens, for eksempel bestillinger, utstyrsstatusdata.
Sterk-relevans:På den ene siden har dataene på samme stadium av produktets livssyklus sterk relevans, slik som sammensetningen av produktdeler, arbeidsforhold, utstyrsstatus, vedlikehold og supplerende innkjøp av deler; på den annen side må dataene på ulike stadier av produktets livssyklus, slik som FoU og design, produksjon og service, knyttes til hverandre.
Nøyaktighet:refererer hovedsakelig til dataenes autentisitet, fullstendighet og pålitelighet, og legger mer vekt på kvaliteten på dataene samt påliteligheten til behandlings- og analyseteknikker og -metoder. Høyere tillitskrav for dataanalyse, kun avhengig av statistisk korrelasjonsanalyse er ikke nok til å støtte feildiagnose, prediksjon og tidlig varsling og andre industrielle applikasjoner, behovet for å kombinere den fysiske modellen med datamodellen, gruvedrift årsak og virkning forhold.
Lukket-sløyfe:inkludert lukking og assosiering av datakjeden i den horisontale prosessen av hele livssyklusen til produktet, så vel som den vertikale datainnsamlings- og prosesseringsprosessen for intelligent produksjon, som må støtte dynamisk og kontinuerlig justering og optimalisering under de lukkede-sløyfescenariene med tilstandsregistrering, analyse, tilbakemelding og kontroll.
På grunn av de ovennevnte egenskapene har industriell big data, som en applikasjonsindustri for big data, et bredt applikasjonsutsikt, samtidig som det utgjør en stor utfordring for den tradisjonelle datahåndteringsteknologien og dataanalyseteknologien.
III. Industriell Big Data-arkitektur
Industriell big data-arkitektur inneholder tre dimensjoner: livssyklus og verdistrøm, bedriftens vertikale lag og IT-verdikjeden.
I livssyklus- og verdistrømlaget, i henhold til bruksområdene for industriell stordata, kan det deles inn i tre områder: produktutvikling og design før starten av produktproduksjonsfasen, produksjon og forsyningskjedestyring før produktlevering, og drift og vedlikehold og servicestyring etter produktlevering.
I det vertikale laget av bedriften, i henhold til datainnsamlingsmetoden og applikasjonsnivået, kan det deles inn i fysisk informasjonssystemlag, informasjonssystemlag for bedriftsledelse og plattformsammenkoblingssystemlag.
I IT-verdikjedelaget kan det deles inn i virksomhetsarkitektur, informasjonssystemarkitektur og IT-teknologiarkitektur på tre nivåer, hvorav informasjonssystemarkitektur kan deles inn i applikasjonsarkitektur og informasjonsarkitektur.
1. Livssyklus og verdistrømdimensjon
Livssyklus- og verdistrømdimensjonen i den industrielle big data-arkitekturen dekker stadiene av hele produktets livssyklus, dvs. FoU og design, produksjon, logistikk, salg, drift og vedlikehold og service. Blant dem kan produksjon, logistikk og salg videre kategoriseres i produksjon og forsyningskjede, og livssyklus- og verdistrømdimensjonen inkluderer tre felt: FoU og design, produksjon og forsyningskjede, og drift og vedlikehold og service. Applikasjonsscenarioene for hvert domene er vist i figur 2.
01. FoU og design
FoU-data akkumuleres av FoU-personell i prosessen med FoU og design, som kommer fra alle aspekter av produktets livssyklus, inkludert: brukerbehov big data, FoU-kunnskap big data, produktgjenbruk big data, FoU samarbeidende big data, etc., med tverr-produkter og tverr{2}}bransje, og en lang rekke egenskaper.
Personlig tilpassede produkttilpasningsdesignbedrifter kan samle brukernes personlige produktetterspørsel, produktkundeinteraksjon og transaksjonsdata gjennom Internett-plattformen. Utvinning og analyse av disse kundedynamiske dataene kan hjelpe kunder med å delta i produktetterspørselsanalyse og produktdesignaktiviteter for å oppnå tilpasset design, og deretter stole på den fleksible produksjonsprosessen, kan du produsere skreddersydde-produkter for brukerne.
Realiser simuleringsdesign basert på store data tradisjonelle produksjonsbedrifter i testing og verifisering av koblingen må produseres i natura for å evaluere ytelsen og andre indikatorer, kostnadene med økningen i antall tester og økende. Bruken av virtuell simuleringsteknologi kan oppnå den originale FoU-designprosessen for simulering, analyse, evaluering, verifisering og optimalisering, og dermed redusere mengden av tekniske endringer, optimalisere produksjonsprosessen, redusere kostnader og energiforbruk.
Realiser personlig tilpasset designautomatisering basert på store data tradisjonelle bedriftsprodukttyper, stiler er ikke mange, kan brukes til manuelt å designe produktmodeller, produksjonsprøver og deretter masseproduksjonsproduksjonsproduksjonsmodus, men i møte med personaliserte, små batch-produksjonskrav, vil den tradisjonelle modusen føre til at produktproduksjonssyklusen er for lang, kostnadene er for høye. Ved å akkumulere en stor mengde produktdesignmodelldata, analysere korrelasjonen mellom designdataene, og ved hjelp av big data-teknologi og andre hjelpedesignverktøy, kan automatisering av personlig tilpasset design og modellgenerering realiseres.
Fremme integrasjon og deling av FoU-ressurser og innovasjons- og samarbeidende designbedrifter gjennom bygging og forbedring av FoU- og designkunnskapsbase, for å fremme de digitale tegningene, standarddelsbiblioteket og andre designdata i bedriften, samt oppstrøms- og nedstrømsbedrifter i forsyningskjeden for ressursdeling og innovasjon og samarbeid, for å forbedre bedriftens tverrregionale forsknings- og utviklingsressurser på tvers av{0}}samarbeidsledelse og industrikjede design evner. Forbedre bedrifters evne til å administrere og utnytte globale FoU-ressurser, optimalisere og omorganisere FoU-prosesser og forbedre FoU-effektiviteten.
Dyrk nye FoU-former basert på sosialisert deling og deltakelse av designressurser, og gjør det mulig for bedrifter å gjennomføre nye FoU-former som crowdsourcing og crowdsourcing basert på deres egne FoU-behov, for å øke bedriftenes evne til å utnytte sosialisert innovasjon og kapitalressurser.
02.Produksjon og forsyningskjede
Produksjonsbigdata inkluderer ikke bare produktproduksjonsinformasjon, ordreinformasjon, utstyrsinformasjon, kontrollinformasjon, materialinformasjon, personalarbeidsplanlegging, men inkluderer også intern ledelsesinformasjonsflyt, kapitalflyt, produktproduksjon av oppstrøms- og nedstrømsleverandører og kundeadministrasjon og annen relatert hjelpeproduksjonsstyringsinformasjon, innsamlingen av produksjonsdata er avhengig av bedriftens eksisterende ressursstyring, produksjonsutførelse, styring av industriinformasjon, leverandør- og annen informasjonsstyring, leverandørstyring, leverandør- og annen informasjonsstyring.
Den realiserer sann-tidsovervåking og styring av produksjonsprosessen og prediktivt vedlikehold av produksjonsutstyr, forbedrer ledelsesnivået for produksjonsprosessen og utstyret, optimerer produksjonsprosessen og forbedrer produktkvaliteten. Moderne produksjonslinjer for industriell produksjon er installert med tusenvis av små sensorer for å oppdage arbeidsstatusen til produksjonsutstyret, slik som temperatur, trykk, varme, vibrasjoner og støy osv. Bruken av disse dataene kan realisere sanntidsovervåking av produksjonsprosessen, diagnose og prediksjon av utstyrsfeil, analyse av energiforbruk, analyse av kvalitetsulykker. I tillegg kan den også integrere og aggregere data fra alle aspekter av produksjonen, etablere virtuelle modeller av produksjonsprosessen, simulere og optimalisere produksjonsprosessen.
Realisere personlig tilpasset skalaproduksjon og fremme etableringen av moderne produksjonssystem. Gjennom automatisering av dataflyt i hele livssyklusen til produktet og den automatiserte og intelligente kontrollen av hele produksjonsprosessen, vil det fremme informasjonsdeling, systemintegrasjon og forretningssamarbeid, forbedre evnen til presisjonsproduksjon, høy-produksjon og smidig produksjon, realisere personalisert tilpasset skalaproduksjon, akselerere etableringen av smarte, moderne produksjonssystemer og intelligente produksjonssystemer som smarte, moderne produksjonssystemer og smarte verksteder.
Realiser nettverksbasert samarbeidende produksjon og produksjonsdelingsøkonomi. Gjennom "Internet +", integrasjon og optimalisering av produksjonsressurser i eller mellom bedrifter, og realisering av vertikal samarbeidsproduksjon i bedrifter eller horisontal samarbeidsproduksjon mellom bedrifter. Gjennom Internett + delingsøkonomi, deling av innovasjonsressurser, produksjonskapasitet, inventar og andre produksjonsressurser for å realisere produksjonsdelingsøkonomien.
Optimaliser den industrielle forsyningskjeden. Elektronisk identifikasjonsteknologi som radiofrekvensidentifikasjon (RFID), Internet of Things (IoT)-teknologi og mobil Internett-teknologi kan hjelpe industribedrifter med å skaffe store data om hele produktforsyningskjeden, og bruk av slike data for analyse vil medføre en betydelig økning i effektiviteten til lager, distribusjon og salg, samt en betydelig kostnadsreduksjon.
Realiser etterspørselsprognoser for å bedre ordne innkommende varer og produksjon, og når etterspørselen faller, spor årsaken til problemet og løs det.
Realiser kundeprofilering og presisjonsmarkedsføring og kundeatferdsanalyse, som kan utvide kundekilder, forbedre suksessraten for markedsføring og original kundetilfredshet og lojalitet.
03. Drift og vedlikehold og servicefelt
Det er mange kilder til data innen drift og vedlikehold og service, hovedsakelig inkludert: sanntids-driftsstatusdata og omgivelsesdata samlet inn av sensorene som er innebygd i produktene med tillatelse fra kundene; produktsalgsdata innhentet gjennom forretningsplattformen, kundedata og tilsvarende produktevaluering eller tilbakemeldinger om bruk; kundeklager og de tilsvarende behandlingsregistrene; produktretur/retur og tilhørende vedlikeholdsregistreringer.
Ved å overvåke og analysere sanntid-driftsstatusdata for produkter som er samlet inn eksternt, kan nettbaserte verdiøkende-tjenester som fjernovervåking og administrasjon, feildiagnose og prediktivt vedlikehold realiseres, noe som kan redusere vedlikeholdskostnadene og forbedre produktutnyttelsen.
Ved å analysere kundebruksdata og omgivende miljødata for utstyret, kan det også tilby utvidede tjenester for brukerne, utvide verdiområdet til produktene og realisere transformasjonen av den produktsentrerte forretningsmodellen til modellen "produksjon + service".
Ved å analysere kundeproduktevaluering eller tilbakemeldinger om bruk, kundeklager, innlemme nyttige kommentarer i produktdesign og produktforbedring, og kategorisere kundeklager, kan vi forbedre produktkvaliteten og kvaliteten på-ettersalgstjenesten, redusere klagefrekvensen og øke kundetilfredsheten og -lojaliteten.
Ved å analysere årsakene til produktretur eller reparasjon, og iverksette rettidige og effektive tiltak, kan vi forbedre produktkvaliteten og redusere returraten og reparasjonsraten.
2. Enterprise vertikalt lag
Bedriftens vertikale lag av industriell big data-arkitektur er delt inn i fem lag fra perspektivet til fysisk domene fra bunnen og opp, som er utstyrslag, kontrolllag, verkstedlag, bedriftslag og samarbeidslag. I utstyrslaget, kontrolllaget og verkstedlaget kan tingenes internett brukes til å realisere smarte fabrikker basert på det fysiske informasjonssystemet; i bedriftslaget integrerer bedriften ulike interne informatiseringsapplikasjoner, utfører integrering og transformasjon av interne forretningsprosesser og forbedrer bedriftens operasjonelle effektivitet; og i samarbeidslaget brukes den industrielle skyen og andre plattformteknologier til å realisere den eksterne samarbeidende produksjonen av bedriften og innovative forretningsmodeller som den produksjonstjenesteorienterte modellen.- Den vertikale dimensjonen til bedriften kan deles inn i tre undersystemer: fysisk informasjonssystem, informasjonssystem for bedriftsledelse og sammenkoblingsplattformsystem.
01.Informasjon fysisk system
Informasjonsfysiske system samler inn og aggregerer maskindriftsdata og produksjonssteddata gjennom sensorer og ulike informasjonssystemer for å realisere allestedsnærværende sensing, og bruker dataintegrasjon og prosesseringsteknologi for å samle inn og utveksle industrielle data, produksjonsfeedback og kontroll, for å oppnå kontroll og interaksjon med utstyr og verksteder, for å realisere sammenkobling og interoperabilitet av interne og eksterne fysiske systemer til fabrikker, og for å gi et datagrunnlag og analyse/støtte, beslutningstaking-optimalisering av verksted-/fabrikkdrift. Det gir også datagrunnlag for industriell modellering/simulering og analyse, som igjen gir støttetjenester for beslutningsoptimalisering av verksted/fabrikkdrift. I det vertikale laget av den industrielle stordataarkitekturbedriften er det fysiske informasjonssystemet som brukes for informasjonsinnsamling på industriutstyrslaget basert på big data, nettverk og masseberegning, og gjennom kjernen av intelligent persepsjon, analyse, gruvedrift, evaluering, prediksjon, optimalisering, samarbeid og andre tekniske midler, kan beregningen, kommunikasjonen og kontrollen realisere den organiske fusjonen og oppnå dyptgående samarbeid for å- cyberspace og fysiske rom for industrielt utstyr, miljøer og grupper. Dyp integrasjon. Essensen av informasjon fysisk system ligger i å koble fysisk utstyr til Internett, slik at fysisk utstyr har fem hovedfunksjoner: beregning, kommunikasjon, presis kontroll, fjernkoordinering og autonomi.
02. Informasjonssystem for bedriftsledelse
Bedriftsinformasjon er prosessen med å bruke informasjonsteknologi og -produkter i bedrifter. Enterprise-informatisering er prosessen med omfattende penetrasjon av informasjonsteknologi fra lokalt til globalt, fra taktisk nivå til strategisk nivå til bedrifter, bruke det til prosessledelse og støtte virksomhetens drift og ledelse. Bedriftsinformasjon involverer hovedsakelig produksjonsprosesskontroll, bedriftsledelse, produktlivssyklusstyring, forsyningskjedeoptimalisering og styringsprosesser. Informatisering av produksjonsprosesskontroll fokuserer på produktutvikling og design, produksjonsprosessflyt, verkstedledelse, kvalitetsinspeksjon og andre design- og produksjonskoblinger. Enterprise management informatisering er den største andelen av bedriftens informasjon konstruksjon, den vanskeligste, den mest brukte i et felt, som involverer virksomheten til bedriftsledelse og alle nivåer. Informatiseringskonstruksjon av bedriftsledelse er å samle inn, behandle, organisere og integrere informasjonsressurser effektivt gjennom applikasjonssystemet for informasjonsintegrasjon på grunnlag av standardisering av grunnleggende ledelsesarbeid og optimalisering av forretningsprosesser, forbedret ledelseseffektivitet og gi sanntids-dynamisk ledelsesinformasjon og informasjon om beslutninger-. Informatiseringen av styring av bedriftens forsyningskjede gjør at produksjons- og ledelsesaktivitetene til bedriften strekker seg fremover og bakover. Bedrifter fra innkjøp av råvarer, komponenter, transport, lagring, prosessering og produksjon, salg, til den endelige leveringen og servicen til kundene, danner en kjedestruktur som består av oppstrømsleverandører, mellomprodusenter og tredjeparts tjenesteleverandører, nedstrøms salgskunder, og produksjonsaktivitetene til bedrifter, styringsprosesser er underlagt denne forsyningskjedens begrensninger og påvirkning.
03.Tilkoblet plattformsystem
For tiden står den industrielle utviklingen i Kina og de fleste land overfor store vanskeligheter og utfordringer, inkludert: alvorlig overkapasitet, mangel på personaliserte produkter, produkter blir mer og mer komplekse, produksjonsmidlene kan ikke konfigureres effektivt, og markedet for stor-utstyr blir stadig mer mettet osv., og et presserende behov for å gjenopprette og oppgradere industrien og finne tilbake til en oppgradering av industrien. industri. "Internett +" svært dynamisk tenkning og innovative forretningsmodeller, for situasjonen til produksjonsindustrien med et presserende behov for transformasjon og oppgradering gir en ny retning for transformasjon, gjennom reform av produksjonsmetoder og forretningsmodeller og forbedre produksjonsteknologi, for å oppnå kundetilpasning av tilpassede produkter, små partier, stor-produksjon i stor skala, for å løse problemet med stor produksjonskapasitet{{5}. Ved å reformere produksjonsmetoder og forretningsmodeller og forbedre produksjonsteknologi, kan vi realisere små-partier, stor-produksjon av personaliserte produkter for å løse problemet med stor-overkapasitet av industriprodukter og manglende evne til å møte kundenes personlige etterspørsel etter produkter, for å tilfredsstille etterspørselen etter kundenes respekt og bekreftelse samt selvrealisering.
Prøv å løse problemet med svak kjerneteknologi og lav produksjonskapasitet for høy-produkter gjennom nettverksbasert samarbeidsproduksjon, dvs. ved hjelp av Internett eller industriell skyplattform, utvikle nye moduser for samarbeidsforskning og utvikling, crowdsourcingdesign, forsyningskjedesamarbeid og så videre mellom bedrifter, for å effektivt redusere ressursutnyttelsen, redusere ressursutnyttelsen betydelig, redusere ressursutnyttelsen betydelig. grenser og akselerere transformasjon fra «kamp alene» til «industrielt samarbeid». "til industriell synergi, og fremme den generelle konkurranseevnen til industrien.
Prøv å forbedre problemet med overkapasitet uten effektiv allokering av ressurser og svak uavhengig innovasjonsevne gjennom innovasjon og entreprenørskap, produksjonsdelingsøkonomi.
Med kjerneproduktet som akse, gjennom innsamling og analyse av produktkundebruksdata og omgivelsesdata, for å gi brukerne utvidede tjenester, utvide verdiområdet til produktet, utvide nye markeder og realisere transformasjonen av den produktsentrerte forretningsmodellen til «produksjon + tjeneste»-modellen.
3. IT-verdikjede
Verdien av big data realiseres gjennom aktiviteter som datainnsamling, for-forbehandling, analyse, visualisering og tilgang.
I IT-verdikjede-dimensjonen realiseres verdien av big data gjennom å tilby nettverk, infrastruktur, plattformer, applikasjonsverktøy og andre tjenester som inneholder big data for big data-applikasjoner, og dermed forbedre driftseffektiviteten og støtte forretningsinnovasjon. Enterprise-arkitekturen støttet av big data-teknologi kan deles inn i tre nivåer: forretningsarkitektur, informasjonssystemarkitektur og IT-teknologiarkitektur med referanse til TOGAF-delingsmetoden.
01. Bedriftsarkitektur
Forretningsarkitektur definerer forretningsstrategi, ledelse, organisering og sentrale forretningsprosesser, og er grunnlaget for bedriftens omfattende informasjonsteknologistrategi og informasjonssystemarkitektur, samt bestemmende faktor for data-, applikasjons- og teknologiarkitektur. Forretningsarkitektur er kanalen som oversetter en organisasjons forretningsstrategi til daglig drift, og forretningsstrategi bestemmer forretningsarkitekturen. Forretningsarkitektur konverterer-forretningsstrategier og -mål på høyt nivå til operasjonelle forretningsmodeller. Forretningsarkitektur er et uttrykk for den sentrale forretningsstrategien til virksomheten og for virksomhetens funksjoner og prosesser, vanligvis et forretningsdesign implementert på grunnlag av en forretningsmodell, som beskriver forretningsmodulene og relasjonene mellom dem, dvs. hovedprosessene i virksomheten, fra ulike perspektiver. Forretningsarkitektur er en riktig avgrensning av de viktigste og delte prosessene i virksomheten, og artikulering og analyse av livssyklusen til forretningselementer. Verdien av industrielle big data kan oppnås ved å strategisk planlegge industrielle big data-forretninger og bygge bedriftsarkitektur.
02.Informasjonssystemarkitektur
For å gi full spill til verdien av industriell stordata og unngå dannelsen av "informasjonsøyer", er det nødvendig å bygge en enhetlig informasjonssystemarkitektur for å realisere brukertilgang og interoperabilitet mellom ulike applikasjonssystemer og data. Informasjonssystemarkitekturen basert på den industrielle big data-forretningsstrategien er en arkitektur som reflekterer forholdet mellom de ulike komponentene i en produksjonsbedrifts informasjonssystem, samt forholdet mellom informasjonssystemet og den relaterte virksomheten, og mellom informasjonssystemet og den relaterte teknologien. Informasjonssystemarkitektur inkluderer applikasjonsarkitektur og dataarkitektur. Blant dem beskriver applikasjonsarkitektur blåkopi av applikasjonssystemet som kreves for å støtte bedriftsdrift, inkludert applikasjonsnivåer, funksjoner, realiseringsmetoder og konstruksjonsstandarder, etc. Den studerer hovedsakelig samspillet mellom applikasjonssystemer og korrespondansen mellom applikasjoner og kjernevirksomhet, og er fokus for forskningen på det overordnede rammeverket til bedriften, som kan sies å være broen mellom forretningsarkitekturen og den tekniske. Industriell big data-applikasjonsarkitektur inneholder både applikasjonssystemer som tilsvarer de ulike nivåene i det vertikale laget av bedriften i industriell big data-arkitektur og applikasjonssystemer basert på big data-teknologi. Dataarkitekturen, derimot, er en beskrivelse av strukturen og interaksjonen mellom hoveddatatypene og -kildene, logiske dataressurser, fysiske dataressurser og dataadministrasjonsressurser til en kompleks organisasjonskropp.
03.Informasjonsteknologiarkitektur
Med fremveksten av bølgen av Industry 4.0, integreres og trenger informasjonsteknologier som Internet of Things (IoT), Cloud Computing, Big Data, Artificial Intelligence, Augmented Reality/Virtual Reality og andre informasjonsteknologier kontinuerlig inn i industrifeltet, noe som legger et solid teknologisk grunnlag for implementering av industrielle big data-applikasjoner. Blant dem gjør IoT-teknologi allestedsnærværende sluttutstyr og fasiliteter, som kan kobles til Internett i henhold til avtalte protokoller gjennom informasjonssensorer som radiofrekvensidentifikasjon, infrarøde sensorer, globale posisjoneringssystemer, etc., for informasjonsutveksling og kommunikasjon, synliggjør gjenstandene og deres status, for å realisere intelligent identifikasjon, lokalisering, sporing, overvåking, overvåking; cloud computing-teknologi gir en slags dynamisk og skalerbar databehandlingstjeneste som kan realiseres gjennom nettverket på -forespørsel. Cloud computing-teknologi gir en-på-forespørsel, dynamisk skalerbar og rimelig databehandlingstjeneste gjennom nettverket; stordatateknologi og AI-teknologi gjør det mulig å analysere og utvinne den potensielle verdien av massive data på en akseptabel tid, samt å realisere trendprediksjon og gruppeintelligensmodus; AR/VR-teknologi kan realisere simulering og forbedring av opplevelsen av fabrikkmiljøet, industrielt utstyr og så videre. Produksjonsbedrifter genererer en stor mengde data hver dag eller til og med hvert øyeblikk, med et bredt utvalg, som dekker hele livssyklusen til industrielle produkter, inkludert designdata, produksjonsdata, verdikjededata og relaterte eksterne data. Disse dataene kommer enten fra sensorer, eller fra kontrollsystemet for datainnsamling og overvåking av intelligent utstyr, eller fra designmodellen og informasjonssystemet til bedriften.
Realiseringen av industrielle big data-applikasjoner krever datainnsamling og for-behandling, lagring, analyse og gruvedrift, applikasjon for spesifikk virksomhet og til slutt vise resultatene, følgelig er den industrielle big data-informasjonsteknologiarkitekturen delt inn i seks lag: datalag, datainnsamlingslag, lagringslag, datalag, applikasjonslag og visningslag. Dersom virksomhetene bygger hvert lag alene, vil konstruksjonsterskelen være relativt høy. En serie med åpen-teknologikomponenter knyttet til industrielle skytjenester og (industriell) big data-behandling er utviklet og fullført i inn- og utland, og kunstig intelligens-teknologi har gjort store fremskritt, som gir valgfrie løsninger for intelligent transformasjon av industrifeltet, og reduserer også terskelen for konstruksjon og implementering av industrielle big data-applikasjoner. Bedrifter trenger ikke å realisere hver enkelt komponent i den tekniske arkitekturen på egen hånd hvis det ikke er nødvendig, og kan velge å bruke de tilsvarende åpen kildekode-komponentene til å bygge industrielle big data-applikasjoner i henhold til deres behov, samt ulike typer og nivåer av industrielle skytjenester i henhold til deres behov, og implementere industrielle big data-applikasjoner på dette grunnlaget, for å fokusere mer på forretningsområdene og tekniske feltene som bedriftene er gode på.
Industriell big data-analyseteknologi, som en av kjerneteknologiene til industrielle big data, kan gjøre det mulig for industrielle big data-produkter å ha muligheten til å utvinne massive data, integrere multi-kildedata, modellere multi-typekunnskap, analysere multi-forretningsscenarier og oppdage multi-domenekunnskap osv., som spiller en viktig rolle i å drive frem virksomhetsinnovasjon og transformasjon og oppgradering av virksomheter.