Big data industrial

El big data industrial se refiere a una gran cantidad de series temporales diversificadas generadas a alta velocidad por equipos industriales, ^[1] conocido como Internet de las cosas . ^[2] El término surgió en 2012 junto con el concepto de " Industria 4.0 ", y se refiere al big data , popular en el marketing de tecnología de la información , en el sentido de que los datos creados por equipos industriales podrían tener un mayor valor comercial potencial . ^[3] El big data industrial aprovecha la tecnología de Internet industrial . Utiliza datos sin procesar para respaldar la toma de decisiones de gestión , a fin de reducir los costos de mantenimiento y mejorar el servicio al cliente . ^[2] Consulte el sistema de mantenimiento inteligente para obtener más referencias.

El término big data se refiere a datos generados en gran volumen, gran variedad y alta velocidad que requieren nuevas tecnologías de procesamiento para permitir una mejor toma de decisiones , descubrimiento de conocimiento y optimización de procesos . ^[4] A veces, también se agrega la característica de veracidad para enfatizar la calidad e integridad de los datos. ^[5] Sin embargo, para el big data industrial, debería haber dos "V" más. Una es la visibilidad, que se refiere al descubrimiento de información inesperada de los activos y/o procesos existentes y, de esta manera, transferir conocimiento invisible a valor visible. La otra "V" es el valor.

Fondo

El análisis general de "Big Data" suele centrarse en la extracción de relaciones y la captura de los fenómenos. Sin embargo, el análisis de "Big Data industrial" está más interesado en encontrar la causa física que se esconde detrás de las características extraídas de los fenómenos. Esto significa que un análisis eficaz de "Big Data industrial" requerirá más conocimientos especializados que un análisis general de "Big Data".

Roto

En comparación con el análisis de "Big Data", el análisis de "Big Data industrial" prioriza la "integridad" de los datos sobre el "volumen" de los mismos, lo que significa que para construir un sistema analítico preciso basado en datos, es necesario preparar datos de diferentes condiciones de trabajo. Debido a problemas de comunicación y a múltiples fuentes, los datos del sistema pueden ser discretos y no estar sincronizados. Por eso, el preprocesamiento es un procedimiento importante antes de analizar realmente los datos para asegurarse de que estén completos, sean continuos y estén sincronizados.

Mala calidad

El análisis de "Big Data" se centra en la extracción y el descubrimiento, lo que significa que el volumen de los datos puede compensar la baja calidad de los mismos. Sin embargo, en el caso del "Big Data industrial", dado que las variables suelen tener significados físicos claros, la integridad de los datos es de vital importancia para el desarrollo del sistema analítico. Los datos de baja calidad o los registros incorrectos alterarán la relación entre las diferentes variables y tendrán un impacto catastrófico en la precisión de la estimación.

A medida que los datos de los equipos industriales automatizados se generan a una velocidad y un volumen extraordinarios, la infraestructura para almacenar y gestionar estos datos se convierte en el primer desafío que cualquier industria enfrentará. A diferencia de la inteligencia empresarial tradicional, que se centra principalmente en datos internos estructurados y procesa esa información en ciclos que ocurren regularmente, ^[6] el sistema analítico de "Big Data industrial" requiere análisis y visualización de resultados casi en tiempo real.

El primer paso es recopilar los datos correctos. ^[7] Dado que el nivel de automatización de los equipos modernos es cada vez mayor, se generan datos a partir de una cantidad cada vez mayor de sensores. Reconocer que los parámetros están relacionados con el estado del equipo es importante para reducir la cantidad de datos que se deben recopilar y aumentar la eficiencia y la eficacia del análisis de datos.

El siguiente paso es construir un sistema de gestión de datos que pueda manejar grandes cantidades de datos y realizar análisis casi en tiempo real. Para permitir una rápida toma de decisiones, el almacenamiento, la gestión y el procesamiento de datos deben estar más integrados. ^[7] General Electric ha construido un prototipo de infraestructura de almacenamiento de datos para una flota de turbinas de gas. ^[8] El sistema desarrollado basado en cuadrículas de datos en memoria (IMDG) demostró ser capaz de manejar un flujo de datos de alta velocidad y gran volumen desafiante mientras realiza análisis de los datos casi en tiempo real. Creen que la tecnología desarrollada ha demostrado un camino viable para realizar una infraestructura de gestión de "Big Data industrial" por lotes. A medida que los precios de la memoria se vuelvan más baratos, dichos sistemas se volverán centrales y fundamentales para la industria del futuro.

Los sistemas ciberfísicos son la tecnología central del big data industrial. Los sistemas ciberfísicos son sistemas que requieren una integración perfecta entre modelos computacionales y componentes físicos. ^[9] A diferencia de la tecnología de operación tradicional, el "Big Data industrial" requiere que la decisión se base en un alcance mucho más amplio, una parte central del cual es el estado del equipo. Los procesos mejorados aumentarán aún más la productividad y reducirán los costos. Esto se alinea con la misión del "Big Data industrial", que es revelar información a partir de la gran cantidad de datos sin procesar y convertir esa información en valor. Esto combina el poder de la tecnología de la información y la tecnología de operación para crear un entorno transparente a la información para respaldar las decisiones de los usuarios de diferentes niveles.

Cada unidad de un sistema industrial genera una enorme cantidad de datos en cada momento. Cada máquina de una línea de fabricación genera miles de millones de muestras de datos al día. ^[1] Por ejemplo, un Boeing 787 genera más de medio terabyte de datos por vuelo. ^[10] Es evidente que el volumen de datos generado por un grupo de unidades de un sistema industrial supera con creces la capacidad de los métodos tradicionales, por lo que su manejo, gestión y procesamiento sería todo un desafío.

En los últimos años, investigadores y empresas han participado activamente en la recopilación, organización y análisis de enormes conjuntos de datos industriales. Algunos de estos conjuntos de datos están actualmente disponibles para uso público con fines de investigación.

El repositorio de datos de la NASA ^[11] es uno de los repositorios de datos más famosos para Big Data Industrial. Los diversos conjuntos de datos que proporciona este repositorio pueden utilizarse para análisis predictivos, detección de fallas , pronósticos , etc.

Aprovechando el aprendizaje automático y los algoritmos de análisis predictivo , el big data industrial puede ayudar a crear valor en varios escenarios de casos de uso como mantenimiento predictivo (predicción y prevención de fallas de máquinas o fallas de componentes, por ejemplo, en máquinas de fabricación, aviones, vehículos automotores, trenes, turbinas eólicas, oleoductos, etc.), predicción de la calidad del producto en las primeras etapas del proceso de producción y optimización de la calidad del producto (por ejemplo, en la industria del acero), predicción y prevención de situaciones críticas en procesos de producción continua (por ejemplo, en la industria química), predicción de la vida útil del producto (por ejemplo, motores de automóviles, componentes de turbinas eólicas, baterías, etc.), predicción del plan de ensamblaje para nuevos diseños de productos 3D (por ejemplo, para componentes de motores de camiones, electrodomésticos como lavadoras y secadoras, etc.), predicción de la demanda de energía, pronóstico de la demanda, pronóstico de precios y muchos otros casos de uso (ver, por ejemplo, Industrial Data Science Conference (IDS 2017 e IDS 2019 ^[15] ).