Giriş: Veri-Driven Mühendislik Devrimi
Her sektöre yönelik mühendislik örgütleri – havacılık ve otomotivdan enerji ve tüketici elektroniklerine – inovasyon için en güçlü araç, yeni bir malzeme değil, daha hızlı bir makine veya tek başına parlak bir tasarımdır; tüm inovasyon döngüsünü toplamak, analiz etmek ve büyük veri setlerine hareket etmek, temel olarak mühendislik yaklaşımlarının nasıl çözüldüğünü ve stratejik olarak büyük bir yenilik hesaplamalarını mümkün kılabilmelerini sağlar.
Modern Mühendislik için Big Data ne anlama geliyor
Mühendislik bağlamdaki büyük veriler, büyük, yüksek seviyeli ve ürün yaşam döngüsü boyunca üretilen bilgilerin çeşitli akışlarını ifade eder. Bu, sensör telemetrisini bağlantılı ekipmandan, tarihsel bakım loglarından, simülasyon çıktılarını, müşteri kullanım kalıplarını, tedarik zinciri işlemlerine ve hatta yapılanmamış metinleri hizmet raporlarına dönüştürmektir.Bu sayede, çoğu zaman sınırlı, statik ve silolu, büyük veriler sürekli olarak, bağlantılı ve bağlantılı olarak, doğrulayıcı kanıtlayıcı tasarıma dayalı kanıtlara dayalı olarak tahmin etmeye olanak sağlar.
Deneyime dayanarak Data-Driven Engineering
Tarihsel olarak, mühendislik kararları, arazide asla ortaya çıkmadığı binlerce birimden oluşan gerçek dünya operasyonel verilere karşı varsayımları doğrulamaktadır.Onlar tahmin edemeyeceği koşullar için tasarımları optimize edebilir.Bu değişim mühendisin yerini değiştiremez - mühendisin bir yaşam boyu bir ekmekle ilgili varsayımları doğrulayabilir.
Tasarım ve Geliştirme Data ile Dönüştürmek
Tasarım aşaması, maliyet ve kalite gelişimi için en büyük kaldıraçnın bulunduğu yerdir. Büyük veri analizi, ekiplerin aynı anda sonuçları geliştirirken gelişim döngülerine baskı yapmasına izin verir. Gerçek dünya kullanımı verileri tasarım döngüsüne geri beslemeye göre, mühendisler daha güvenilir, verimli ve gerçek işletim koşullarıyla uyumlu ürünler yaratır.
Simülasyon Geçerlilik ve Dijital Twins
Tasarımda büyük verilerin en güçlü uygulamaları, dijital ikizlerin yaratılması ve düzeltilmesidir - sürekli olarak duyusal verilerden öğrenilen fiziksel ürünlerin veya sistemlerin gerçek zamanlı verilerin dijital ikizi, örneğin, en büyük hataların gerçek zamanlı verileri rüzgar hızı, bıçaklama, sıcaklık ve titreşimin geliştirilmesi, fiziksel ürünlere ve titreşimlere sürekli olarak zarar vermeden, onları geleneksel statik modellerden daha doğru hale getirebilir.
Müşteri-Bilgi Önceliği
Büyük veriler ayrıca mühendislik ekiplerinin hangi özellikleri geliştirmeye karar verdiğini de etkiler.Vizyon verileri kullanımdaki ürünlerden analiz ederek, ekipler hangi yeteneklerin aslında hangi ayarların en sık ayarlandığını ve hangi hataların en çok destek aramalarını tetiklediğine karar verir.Bu verilere dayalı yaklaşım, mühendislik kaynaklarının ilk geçiş verimini artırmak yerine, gerçek değeri sağlayanlara odaklanır.
Sürüş İmalat Verimliliği ve Kalite
Fabrika zemini, verinin muazzam hacimlerini oluşturur ve bu, transkript, maliyet ve kalitedeki önemli avantajları elde etmeyi öğrenen mühendislik örgütleridir. Büyük veri analizi, sürekli olarak, gerçek zamanlı optimizasyondan birine yapılan bir disiplinden üretim.
Tahmin edici Bakım ve Zengin Optimizasyon
Planlanmamış downtime, insan operatörlerinin veya eş tabanlı alarmların sabit bir programdaki servis ekipmanlarından biri olmaya devam ediyor - bu atıkların yakıtların %99'u sağlıklı olup olmadığını tahmin ediyor ve tahmin edilebilir bakım planlarından enerji tüketimi verileri üretim ekipmanlarından daha hızlı bir şekilde faydalanıyorsa, makine öğrenme modelleri, insan operatörlerinin veya eşgüdümlü alarmların tam olarak gerekli olduğunu tespit ediyor.A.D.T.C.T.T.T.T.T.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.S.
Gerçek Zamanlı Kalite
Geleneksel kalite kontrolü, üretim sonrası örnekleri incelemeye dayanıyor, bu da kusurların geç ve yüksek maliyetle tespit edilmesi anlamına geliyor. Büyük veriler korelasyon işlemi parametrelerini - sıcaklık, basınç, döngü zamanı, malzeme özellikleri - son ürün kalitesi ölçümleriyle. Makine öğrenme modelleri, herhangi bir üretim çalıştırma ve uyarı operatörlerinde ortaya çıkan hataların gerçek zamanlı olarak kaliteli izlemesini sağlar.Bu kapalı-loop kontrol, kazı oranları azaltır, tekrar iş maliyetleri ve son kontrol ihtiyacı.
Tedarik Zinciri Entegrasyonu ve Malzeme Optimizasyonu
Üretim verimliliği fabrika duvarında durmuyor. Büyük veri analizi, mühendislik ve tedarik zinciri takımlarının malzeme kullanımını optimize etmesini, atıkları azaltmasını ve lojistik geliştirmelerini sağlar. Üretim programlarını analiz ederek, envanter seviyelerini ve tedarikçi kalitesi verileri, organizasyonlar her bir bileşen için en uygun kaynak stratejisini belirleyebilirler. Ayrıca, her bir miktar için korelasyonları da tespit edebilir.
Bir Veri-Driven Mühendislik Organizasyonu Oluşturmak için Stratejiler
Mühendislik içindeki büyük verileri uygulamak sadece bir teknoloji inisiyatifi değildir; bu, süreçlerin, becerilerin ve kültürün bir dönüşümüdir. Aşağıdaki stratejiler mühendislik liderleri için pratik bir yol haritası sağlar.
İşbirlikleri Kapsamlı Veri Koleksiyonu Altyapısı
Herhangi bir büyük veri inisiyatifinin temeli güvenilir, yüksek çözünürlüklü veri yakalama. Mühendislik örgütleri IoT sensör ağlarına, veri loggerlarına ve ölçeklenebilir bir veri gölü mimarisine sahip olan kenar bilişim cihazlarına yatırım yapmalı.Bu, sadece üretim ekipmanlarını değil, aynı zamanda alan işsiz ürünleri, test rigleri ve simülasyon ortamları içermektedir.(NIST) zaman ayarlı, senkronize edilebilir ve ölçeklenebilir bir veri gölü mimarisine sahip olmalıdır.
Cross-Functional Analytics Cap Yükümleri
Veri tek başına, mühendislik ve analitik takımlar arasındaki resmi işbirliği yapılarını kullanarak elde edilen temel mühendislerden elde edilen bir hibrit işgücünün geliştirilmesine gerek yoktur.Bu, fiziksel sistemlerde uzman olan verileri işe almak ve mühendislik ve analitik takımlar arasındaki resmi işbirliği yapılarını oluşturmak için elde edilebilir.
Scalable Cloud ve Edge Computing Altyapısı
Mühendislik büyük veri iş yükleri esnek, ölçeklenebilir hesaplama kaynakları gerektirir. Cloud platformları, karmaşık simülasyonlar, eğitim makinesi öğrenme modelleri gibi karmaşık simülasyonlar ve büyük ölçekli veri analizi gibi kullanım için elastik depolama ve hesaplama kapasitesi sunar. Ancak, tüm veriler bulut işleme için gönderilmemelidir.WinB-time analysis.
Anahtar Teknolojileri Mühendislikte Büyük Veriyi Enabling Big Data
Çeşitli teknolojiler büyük veri odaklı mühendislik pratik ve maliyet etkin hale getirmek için bir araya geldi. Bu tür imkanların mühendislik liderlerinin bilgilendirilmiş yatırım kararlarına yardımcı olmasını anlamaları.
Makine Öğrenme ve AI
Makine öğrenimi büyük veri kümelerinden tahmin edilen temel bilgilerdir. Mühendislik bağlamda, denetimli öğrenme modelleri, her problem için doğru modeli seçmek ve modeller idealleştirilmiş eğitim setlerinden ziyade gerçekçi veriler üzerinde doğrulanmış durumda.
Dijital Twin Platforms
Ne yaparlar
Dijital ikiz platformlar, fiziksel varlıkların sanal kopyalarını oluşturmak ve analiz etmek için çerçeveyi sağlar. IoT veri akışlarını, simülasyon modellerini ve tarihsel verileri bir tutarlı yaşam temsiline entegre ederler.
Gelişmiş Simülasyon ve Veri Analytics Entegrasyon
Modern simülasyon araçları doğrudan enjekte olmak ve operasyonel verilerin öğrenilmesi için bir modelin ötesine geçiyor. Bu yakınlık, sonlu element analizi, hesaplama sıvı dinamikleri ve çok sayıda dinamik simülasyonlar gerçek ölçümlere karşı kalibre edilebilir, doğruluklarını artırmak için bazı platformlar otomatik model güncellemektedir.
Mühendislikteki Big Data Challenges of Engineering
Büyük verilerin vaadi önemli, ancak bu zorlukların sistematik olarak veri girişimlerinin tezgahlarını sık sık sık sık sık sık sık görme veya ölçülebilir iş değerini teslim etmemeye çalışan organizasyonlar.
Data Security and Fikri Mülkiyet Koruma
Mühendislik verileri genellikle bir organizasyonun en değerli entelektüel mülkleri arasındadır. Ürün tasarımları, üretim süreçleri ve performans verileri, yatırım ve rekabetçi farklılaşma yıllarını temsil eder. Bu bilgileri açığa çıkaran bir veri ihlali, açık veri mühendisliği verilerinin her ikisinde de şifreleme gerektirir, sabit rol tabanlı erişim kontrolleri, operasyonel teknoloji ve bilgi teknolojisi arasındaki ağ segmentasyonu ve düzenli güvenlik denetimleri.
Data Quality and Consistency Across Sources
Mühendislik verileri çeşitli kaynaklardan geliyor - farklı örnekleme oranları ile ilgili veri veri veri tabanları, tutarsız şemalar ile veri listeleri, insan hatası ile manuel kayıtlar. Kötü veri kalitesi, yüksek kaliteli, iyi hazırlanmış veri yönetimi uygulamaları temel alır.Bu, veri doğrulama ve temizlik borularını uygulamak, otomatik veri doğrulama ve temizlik hatları uygulamak, veri hattını korumak ve verileri takip etmek için çok daha iyi bir setine sahip olmak için çok daha iyi.
Modern Data Platforms ile Miras Sistemlerinin Entegrasyonu
Birçok mühendislik kuruluşu, Modbus veya OPC-UA gibi eski protokolleri kullanarak, tüm kaynakları sürekli olarak, yaş veya mimarlık gibi daha fazla kullanan endüstriyel IoT ağ geçidi kullanarak, tüm kaynakları entegre eden bir veri işlemeye yönelik olarak, modern veri formatlarını içeren orta sınıflara veri göndermeye yönelik olarak, bu tür özellikleri kullanarak, veri toplama sistemleriyle ilgili tüm kaynakları sürekli olarak optimize eden bir veri işlemeye yönelik olarak, veri toplama sistemleriyle ilgili olarak, eski protokolleri kullanarak, Modbus veya OPC-UA gibi konuşmayacak şekilde çalışır.
Organizasyon Direnişi ve Değişim Yönetimi
Hesaplamalı mühendislikten geçiş, dirençlere dayalı olarak tepki verebilir. Üst düzey mühendisler, uzmanlıklarının değersiz olduğunu hissedebilirler.Parts'ta çalışmaya alışmış ekipler, verileri nasıl desteklediğini vurgulayan çözüm yalanlar, çünkü destek veren davranışları sürekli olarak değerlendirirler – bir prototip inşa edilmiş bir tasarım hatası veya önemli maliyet tasarrufu sağlar - güvenilirlik ve coşkululuğu geliştirmek için optimize eder.
Future Trends: Big Data Is Taking Engineering Process Innovation
Mühendislik noktalarında büyük verilerin yörüngesi daha büyük otomasyon, daha derin entegrasyon ve ortaya çıkmaya başlayan yeni yeteneklere işaret ediyor.
Generative Design Powered by Real-World Data
Generative tasarım araçları, AI'yı performans gereksinimlerine dayanan binlerce tasarım alternatifini araştırmak için kullanıyor.Bu araçlar gerçek dünya kullanım verilerini idealleştirilmiş varsayımlardan ziyade, yalnızca hafif veya daha güçlü değil, aynı zamanda gerçek çalışma koşullarına uygun olan tasarımlarını geliştiriyorlar. Bu kombinasyonlar, havacılık yapılarındaki yenilikleri tıp implantlarına hızlandırmaya yönelik büyük veri vaatleriyle de iyi bir şekilde eşleştiriliyor.
Özerk Süreç Optimizasyonu
Makine öğrenme modelleri daha sağlam ve güvenilir hale gelirken, mühendislik süreçleri giderek daha da optimize edilebilir. İmalat hatları, malzeme özelliklerini veya çevresel koşulları değiştirmek için kendi parametrelerini ayarlayacaktır. Tedarik zincirleri kendilerini sürekli olarak bozulmalar gerçekleştiğinde yeniden yapılandıracaktır.
End-to-Bit Yaşam döngüsü Viability
Mühendislikte büyük verilerin nihai hedefi, tasarım, üretim, kullanım, bakım ve olaysal geri dönüşüm yoluyla kaynaklanan hammaddeden tamamen yaşam döngüsüne göre, her aşamadan daha önce optimize edilen ürünler için bilgilendiricilere izin verir.Bu tam görünürlük döngüsü, tüm yaşamlarında daha güvenilir ve daha kârlı olacaktır.
Sonuç: Data-Driven Future
Mühendislik süreci inovasyonunu kullanmak için büyük veriler kullanmak, bir zaman projesi veya bir teknoloji satın alma değildir. Mühendislik organizasyonunun her bölümünü dokunan stratejik bir dönüşümdür.Başarılı olan kuruluşlar, bilgi altyapısına yatırım yapan, doğru bir şekilde müşteri ihtiyaçlarını karşılayan, adres güvenliği ve kaliteli baş-on, ve kaliteli bir kültür geliştirmek ve daha sonra gerçekleşen bir nesilin en güçlü işbirlikçisi olarak gördüğü bir kültür geliştirmek için önemli olacaktır.