Industrial Big Data: Workshop IoT-Datenmanagement

Im Artikel „Datenmanagement in der Fertigungsindustrie neu denken“ unterteilen wir industrielle Big Data in öffentliche Ressourcendaten, technische Daten, Managementdaten und Internet-of-Things-Daten. In diesem Artikel geht es hauptsächlich um IoT-Daten und er ist zugleich der letzte Artikel im Bereich Datenmanagement. Traditionelle Managementsysteme nutzen Menschen als Datenerfassungsterminals, verwenden Prozesse, um das Organisationsverhalten zu festigen, und verwenden Indikatoren, um die Effizienz von Prozessen und Organisationen zu messen und zu bewerten. Das Internet der Dinge für Industrieunternehmen soll Menschen und Dinge, Systeme und Dinge verbinden, Dinge als Datenerfassungsterminals nutzen und es Menschen oder Systemen ermöglichen, Datenanalysen durchzuführen und Entscheidungen zu treffen. Datenanalyse und -optimierung sind eine der Schlüsseltechnologien des Internets der Dinge und auch der entscheidende Punkt für die künftige Wertschöpfung des Internets der Dinge. Das Internet der Dinge findet in der Industrie viele Anwendungsmöglichkeiten, beispielsweise in der Lagerlogistik, in der Produktion und Fertigung, im Produktbetrieb und in der Produktwartung usw. Hier konzentrieren wir uns auf Produktion und Fertigung sowie Produktbetrieb und -wartung.

Abschnitt 1 Wie IoT-Daten organisiert sind

Die Anwendung des IoT in der Produktion und Fertigung von Industrieunternehmen wird allgemein als Werkstatt-IoT oder Fertigungs-IoT bezeichnet. Durch den Einsatz von RFID-Sensoren, drahtloser Netzwerkkommunikation, GPS-Ortung, Sprach- und Videosystemen und anderen Technologien wird der Fertigungsplan mit den Informationen zu Fertigungsressourcen wie „Menschen, Maschinen, Materialien, Methoden und Umgebung“ verknüpft, um die fünf wichtigsten Fertigungsressourcen intelligent zu identifizieren, zu lokalisieren, zu verfolgen, zu überwachen und zu verwalten und so den Managementanforderungen hinsichtlich Unternehmenssteuerung und -disposition, Umweltüberwachung und anderen Aspekten gerecht zu werden. Die fünf wichtigsten Fertigungsressourcen werden in statische und dynamische Attribute unterteilt. Beispielsweise können die statischen Attribute einer Werkzeugmaschine in Verwaltungsinformationen (Gerätecode, Gerätename, Geräteklassifizierung usw.), statische Parameter (Arbeitsumgebung, Vorschubgeschwindigkeit, Schnittparameter usw.) und dynamische Parameter (Werkzeugmaschinenstatus, Vollständigkeitsgrad der Drehmaschine, Auslastungsgrad der Drehmaschine, Wartungsaufzeichnungen usw.) unterteilt werden. Statische Attribute werden vom Produktionsprozess nicht beeinflusst und vor Beginn des Produktionsprozesses festgelegt. Es handelt sich um konstante Daten in der Werkstattverwaltung, diese Daten sind jedoch nicht immer fest und können von den Benutzern nach Abschluss des Produktionsprozesses angepasst werden. Dynamische Daten sind Daten, die sich ständig ändern, und die meisten IoT-Daten in Werkstätten sind dynamische Daten.

Abschnitt 2 Managementtechnologie für IoT-Daten

Der Workshop „Internet der Dinge“ ist ein typisches komplexes Informationssystem, das verschiedene Aspekte des Datenmanagements umfasst, darunter hauptsächlich: Datenqualitätskontrolle, Datenfusion und -integration, komplexe Ereignisverarbeitung, Datenspeicherung und -verarbeitung sowie Sicherheitszugriffskontrolle.

Kontrolle der Datenqualität: Die Datenqualität des Internets der Dinge kann anhand von drei Indikatoren gemessen werden: Genauigkeit, Vertrauenswürdigkeit und Vollständigkeit. Zur Verbesserung der Qualitätskontrolle von RFID- und Sensornetzwerkdaten werden vor allem Methoden eingesetzt, um zu viel oder falsch gelesene Daten zu löschen und fehlende Daten zu ergänzen. Bei der Datenbereinigung kommen üblicherweise Wahrscheinlichkeitsstatistiken und räumlich-zeitliche Korrelationsmethoden zum Einsatz.

Datenfusion und -integration: Der Polymorphismus von Datenobjekten im IoT-Datenraum manifestiert sich in mehreren Typen, Heterogenität und keinem einheitlichen Modell. Daher ist es einerseits notwendig, ein einheitliches Datenmodell für die Werkstatt aufzubauen und Daten einheitlich auszudrücken; Zum anderen wird auf Grundlage des einheitlichen Datenmodells erforscht, wie heterogene Daten in ein einheitliches Datengerüst abgebildet und transformiert werden können. Drittens sind die Datenquellen im Internet der Dinge verteilt, autonom und unabhängig. Während des Datenintegrationsprozesses ist es manchmal notwendig, relevante Datenquellen automatisch zu erkennen. viertens muss die Quelle der Daten aufgezeichnet werden, um die Rückverfolgbarkeit der Daten zu gewährleisten; Fünftens ändern sich die Fertigungsressourcen in den Werkstätten ständig, und solche Änderungen wirken sich auf die Datenkonsistenz, Versions- und Modellaktualisierungen usw. aus. Daher ist es notwendig, den Datenentwicklungsprozess aufzeichnen zu können.

Komplexe Ereignisverarbeitung: In typischen IoT-Anwendungen ist das übergeordnete System dafür verantwortlich, den Status und das Verhalten jedes Objekts zu überwachen und es zu steuern, um intelligente Antworten zu geben und entsprechende Verhaltensweisen gemäß etablierten Verfahren auszuführen. Das Verhalten eines Objekts wird normalerweise in Form von Ereignissen ausgedrückt.

Sichere Zugriffskontrolle: Aufgrund der Offenheit des Internets der Dinge ist der Schutz der Privatsphäre von Sensordaten zu einem heiklen Thema geworden. Da diese riesigen Datenmengen leicht zu beschaffen sind, können beim Abrufen von Informationen aus dem Internet und unter Verwendung komplexer Schlussfolgerungstechniken Rückschlüsse auf private Informationen gezogen werden. Die Heterogenität und Mobilität von IoT-Objekten erhöhen die Komplexität des Datenschutzes.

Abschnitt 3 Anwendungsmodell von IoT-Daten

1. Produktionssteuerung von IoT-Werkstätten: Als „Gehirn“ der gesamten Produktion muss das Produktionskommando- und Versandzentrum der Werkstatt verschiedene Ressourcen und Produktionskapazitäten der Werkstatt koordinieren und versenden. Das Zentrum integriert ERP-, MES-, MDC- und andere Systemdaten und verwendet große elektronische Bildschirme als Träger, um den Betriebsstatus jedes Produktionsstandorts, Notfälle, Ereignisverfolgung und Verbesserungsstatus anzuzeigen. In Kombination mit dem Konzept der schlanken Produktion wird der gesamte Prozess der Ausführung von Produktionsaufgaben jeder Produktionseinheit verwaltet. Durch Statistiken, Analysen, Einführungen und Prognosen werden die Produktionsdaten visualisiert und verwaltet, um einen Panoramablick auf die Ausführung der Produktionsaufgaben des Unternehmens zu bieten, Analysen zur Unterstützung der Unternehmensentscheidungen bereitzustellen und sicherzustellen, dass die Produktionsaufgaben hinsichtlich Qualität und Quantität rechtzeitig abgeschlossen werden.

2. Qualitätskontrolle von IoT-Werkstätten: Ein bestimmtes Stahlunternehmen ist der größte Spezialstahlhersteller in China. Auf einer seiner Produktionslinien für Siliziumstahl kommt es aufgrund der Einflüsse verschiedener komplexer Faktoren manchmal zu einer Bildung von gewellten Defekten, sogenannten Längsstreifen, auf der Oberfläche des fertigen Produkts. Längsstreifendefekte beeinträchtigen nicht nur das Erscheinungsbild des Produkts, sondern wirken sich auch direkt auf die physikalischen Eigenschaften des Produkts aus, wie z. B. den Zwischenschichtwiderstand, die elektromagnetischen Eigenschaften und die Laminierungsleistung. Etwa 30 % des Produktionsvolumens entfallen auf Stahl mit Längsstreifenfehlern, was den Unternehmen jedes Jahr enorme Verluste beschert. Mithilfe der Data-Mining-Technologie führen wir eine gründliche Analyse und Auswertung der Produktionsprozessdaten durch, erstellen ein Modell zur Optimierung der Produktqualität, senken die Fehlerquote und verbessern die Produktqualität.