物聯網數據挖掘論文范文第1篇
近幾年, 物聯網的概念已經深入到人們生活的很多方面, 世界上很多國家已經將物聯網作為各國戰略性產業振興的一部分。物聯網 (The Internet of Things, IOT) 概念最早出現于20世紀90年代末的麻省理工學院, 其定義是把所有物品通過射頻識別、紅外感應器、全球定位系統、激光掃描器等信息傳感設備與互聯網連接起來, 進行信息交換和通訊, 實現智能化識別、定位、跟蹤、監控和管理。物聯網最為核心的技術是無線身份識別 (RFID) 技術, 通俗地講, 也可以簡單地把物聯網認為就是物物相連的互聯網。
工業和信息化部于2012年2月14日發布的《“十二五”物聯網發展規劃》中提出, 2015年我國要在物聯網核心技術研發與產業化、關鍵標準研究與制定、產業鏈條建立與完善、重大應用示范與推廣等方面取得顯著成效, 初步形成創新驅動、應用牽引、協同發展、安全可控的物聯網發展格局。毫無疑問, 如果“物聯網”時代來臨, 人們的日常生活將發生翻天覆地的變化。
2 數據挖掘技術
數據挖掘技術 (Data Mining) 也叫做知識發現, 所謂數據挖掘就是從大量數據中發現對人們有價值的概念、模式和規律等, 它是一個揭示出隱含的、先前未知的并有潛在價值的信息的過程。它是一門交叉科學, 主要涉及數據庫技術、人工智能、機器學習、統計學、信息檢索和模式識別等領域, 有十分廣闊的應用前景。隨著物聯網的發展, 數據挖掘技術也必然會在物聯網得到廣泛運用。
作為一個完整的數據挖掘過程, 其是個很龐大的系統, 主要結構如圖1所示, 主要分為以下幾個部分:
(1) 確定業務對象。在進行數據挖掘之前, 最重要的一步就是要明確業務問題并且弄清數據挖掘的目的, 然后再找數據的來源。數據挖掘的來源很多, 只要具備大量數據的來源都可以進行挖掘, 雖然最后的結構是不可預測的, 但要探索的問題必須是可以預見的, 否則進行數據挖掘時是不會成功的。
(2) 數據預處理。由于數據的來源很多, 其中包含很多的數據信息, 在確定了數據來源后, 必須首先對數據信息進行數據預處理。數據預處理一般包括數據清理、數據集成、數據變換和數據規約四個處理過程。
(3) 數據的轉換。將數據轉換成一個分析模型, 這個分析模型是針對挖掘算法建立的, 建立一個真正適合挖掘算法的分析模型是數據挖掘成功的關鍵。
(4) 數據挖掘過程。對所得到的經過轉換的數據進行挖掘, 除了完善從選擇合適的挖掘算法外, 其余一切工作都能自動地完成。
(5) 模式評估。解釋并評估結果, 其使用的分析方法一般應作數據挖掘操作而定, 通常會用到可視化技術。根據某種興趣度量, 識別表示知識的真正有趣的模式。
(6) 知識的同化。使用可視化和知識表示技術, 向用戶提供挖掘的知識。
(7) 用戶界面。最后需要將數據挖掘的結果展示給用戶, 提供給用戶適當的操作界面進行操作, 以得到相關的結果。
3 數據挖掘技術在物聯網應用的必要性
物聯網作為一門新興技術, 發展還處于初級階段, 在技術、市場、客戶等多個方面還面臨著諸多問題。在我國宏觀經濟調控政策的指導下, 經濟快速增長的推動下, 一旦物聯網大規模普及, 小巧而又智能的傳感器加裝到無數的物品上, 用于動物、植物、機器等物品的傳感器與電子標簽及配套接口裝置數量將大大超乎于尋常想象。因此, 隨著物聯網在人們生活中各個方面的廣泛應用, 已經為數據挖掘技術的運用奠定了基礎, 主要有以下幾個方面。
3.1 企業物流信息化的快速發展
對于是否是現代物流企業, 最重要的衡量標準之一就是企業信息化程度的高低, 因此對于現代物流企業來說, 大力發展物流信息化, 是現代物流企業的主要發展趨勢。以物聯網技術為依托, 以企業的供應鏈作為基礎, 構建企業的信息服務平臺, 這將是第三方物流企業信息化的一個發展方向。在信息平臺建設中引入物聯網技術, 借助物聯網技術的優勢, 可以有效改善企業物流作業的配送業務和車輛運輸等系統的效率和準確性。
隨著近幾年企業對物流信息化的重視, 投入了一定的資金進行物流基礎設施的購買和更新, 為物聯網的應用提供了硬件方面的支持, 同時, 企業根據其自身的特點選擇相應的物流技術構建了企業的信息服務平臺。但在市場競爭中, 物流企業必然會和不同的行業打交道, 比如海關等, 而不是一個單獨的個體, 因此, 建立一個物流公共信息平臺是必然的趨勢。同時, 公共信息平臺的構建也為企業使用物聯網奠定了一定的基礎。
3.2 物聯網擁有海量的數據積累
海量的數據積累是數據挖掘技術實施的一個重要的前提條件。不容置疑, 物聯網已經處于數據爆炸階段, 數據量已開始呈幾何級數增長, 每天都會產生大量的數據。特別是超大規模數據庫在物聯網的使用, 使數據被自動加速積累。對于如此巨大的數據, 由于人們的能力有限, 無法分析處理所有的數據, 因此陷入了數據豐富、信息貧乏的局面。為了不讓數據被浪費, 要從海量數據中找出對人們有價值的信息知識, 只能依靠數據挖掘技術, 通過專業機構的數據質量評價體系來實現。
3.3 物聯網產生的信息十分復雜, 涉及的信息面很廣
由于物聯網的運用十分廣泛, 不僅僅運用在物流管理方面, 也被廣泛運用到了政府工作、智能交通、環境保護、公共安全、消防、工業測試、老人護理、個人以及個人健康等多個領域。國際電信聯盟于2005年的一份報告曾這樣描述“物聯網”時代的圖景:當司機出現操作失誤時汽車會自動語音報警;當主人出門時公文包會提醒主人需帶哪些物品;衣服會“告訴”洗衣機因衣服材質和顏色不同選擇什么樣的水溫和清洗方式等等。物聯網把新一代IT技術運用到各行各業中, 使得各行各業操作更智能化與人性化。
3.4 強大的多處理器計算機和先進的技術
不管是物聯網的運用, 還是數據挖掘技術的運用, 都離不開計算機技術的發展。日新月異的計算機硬件發展可以說始終是超越人類的應用需求, 超越人類的需求欲望。在硬件方面已經生產出來強大的多處理器計算機, 具有更快和更大的計算能力和并行體系結構, 在軟件方面已經出現了超大規模數據庫, 例如商業數據倉庫和計算機自動收集的數據記錄, 為物聯網的運用以及數據挖掘技術的運用奠定了基礎。
3.5 相關人才的大力培養和儲備
目前, 物流人才的缺少嚴重地限制了物流在我國的發展。我國現有的物流人才已經遠遠滿足不了未來物流業發展的需求。對此, 國內物流企業要以自身為基礎, 按現代物流的內在要求來加強企業員工的素質并強化其的服務能力, 同時重視人才的引進, 大力培養符合企業的高素質人才。
近幾年, 我國一些高校也注意到這些問題, 已經開始陸續設立物流專業, 可是這樣的高校還十分少, 但隨著物聯網的發展, 相關的人才也比以前有了大量的增加, 必將推動物流產業和物聯網的發展。
4 數據挖掘技術在物聯網的應用展望
數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中, 提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。從物聯網在企業中的廣泛運用可以看出, 數據挖掘技術用于物聯網的條件已經基本具備, 可以在以下幾個方面運用數據挖掘技術。
4.1 幫助企業加強內部質量管理
物聯網作為新興技術, 其應用正在極大地改變著人們的生活, 其在產品質量監督和管理方面的運用正日益受到人們的關注。目前我國的質量監管系統還不完善, 層出不窮的奶粉作假、食品添加劑事件、工程不達標和藥品不合格, 若由政府質檢部門直接干預, 在物聯網技術的基礎上建立了追溯系統。隨著質量監管系統的使用, 會產生大量的相關數據, 通過數據挖掘技術可以從中找到影響質量的環節, 幫助政府質檢部門改進內部質量管理。
4.2 提升企業的物流服務效率
對于物流企業來說, 物聯網的普及及運用, 為企業進一步降低成本帶來了新的機遇。物聯網的使用, 使物流企業借助RFID和互聯網等無線數據通信技術, 實現了每個商品的識別和跟蹤。所有的數據存放到數據庫中, 可以通過數據挖掘技術發掘物流各個環節的潛在信息, 比如運輸、倉儲和管理等環節, 為企業管理者的管理提供必要的參考信息, 能夠大大減少企業的物流成本, 提高服務效率。同時, 幫助企業發現每個部門的人員配置是否合理, 以及車輛安排是否合理等問題, 從而幫助企業管理者做出人員變動和車輛安排等一系列原本繁瑣冗余的決定。
4.3 為企業合理分配資源提供信息
成本的消耗是企業十分關注的一個問題, 所謂成本是指產品的空間移動或時間占有中所耗費的各種人力勞動和物化勞動的貨幣表現, 它的產生十分復雜, 涉及企業運作的各個環節, 因此, 企業想要減少成本的支出是個十分復雜的過程。通過數據挖掘技術可以為企業合理分配資源提供信息, 從而幫助企業減少成本的支出, 降低總成本, 為企業帶來更大收益。通過數據挖掘技術的關聯挖掘可以發現客戶和企業之間一些內在關聯, 從而改進企業的一些環節, 更主動、更好地為客戶提供相關服務。
4.4 提升企業的服務質量
對于企業來說, 客戶對企業服務的滿意度十分重要, 它可以從兩個方面來改善:主動服務和被動服務。主動服務主要是指信息服務的智能化, 主動提供客戶需要的一些信息服務。被動服務主要是是指通過分析客戶需求信息, 使用數據挖掘技術發掘客戶潛在需要的信息服務。兩者是相輔相成、相互依賴的關系。主動服務能夠為被動服務提供相關的數據, 以便進行進一步的數據挖掘使用, 而被動服務能夠為主動服務提供信息參考, 以便企業增加新的服務項目。
5 結語
隨著物聯網的廣泛應用, 必然帶來海量的數據信息, 如何查找出有用的信息是一個亟待解決的問題, 而數據挖掘技術就是從海量數據中發現具備一定規律性并又難為人們通過簡單判斷而得到的知識。因此, 如何更好地利用這些海量的數據信息, 將是物聯網應用后的一個重要問題, 而數據挖掘技術正是解決這個問題的一個很好的方法, 將來一定會被廣泛運用到物聯網中。
參考文獻
[1]魏光興, 盧曉霞.基于物聯網的物流業發展對策研究[J].江蘇商論, 2011 (04) .
物聯網數據挖掘論文范文第2篇
1數據儲存原理及功能
RFID系統由6部分組成, 分別是: 中間件、 標簽、 閱讀器、 天線、 應用軟件、 數據, 如圖1所示。 各部分的功能分析如下: 標簽: 對產品的電子編碼進行表示, 并將其附在產品上; 閱讀器: 對產品的電子編碼進行識別; 天線: 信號傳遞; 數據庫: 數據保存; 應用軟件: 分析處理物品信息; 中間件: 信息傳輸、 事件處理等[3]。
(1) 閱讀器。 閱讀器生成的原始數據是通過三元組格式表示出來的, 這個三元組的形式為 〈EPC, Location, Time〉[4]。 其中EPC———電子編碼; Location———位置; Time———讀取時間。 或者 “time” 可劃分兩種表示方法, 一種是 “time-in” (表示到達時間), 另一種是 “time-out”(表示離開時間); 或者 “time” 會表示為 “duration”, 表示停留時間。
(2) 數據。 數據的表現形式為立方體, 屬于基本模型。 在對高維數據進行查詢時能夠做出快速響應, 同時在必要的情況下, 還能進行數據鉆取和數據切片等工作[5]。 其表示方法為在立方體結構中融入路徑信息, 能夠有效實現對路徑的查詢與存儲。 這種數據結構能夠記錄物體的批次移動信息, 實現數據壓縮, 提升數據查詢效率。
2 RFID數據挖掘
在對復雜信息進行處理時, 使用RFID數據挖掘能夠從中有效地發現物體運動趨勢、 物體運動的異常模型、 物體的頻繁運動路徑、 分類模式和數據流模式等信息。 從路徑挖掘、 分類與聚類、 異常分析3個方面對RFID數據挖掘進行了探究, 具體分析如下:
2.1頻繁路徑序列的挖掘
RFID能夠對不同時間下的物品位置信息進行自動記錄, 通過這種記錄方式能夠達到兩方面的效果, 其一是通過實時監控與追蹤獲取物品的位置信息, 其二是對物品的移動路徑進行分析, 對其走向規律進行探究。 其應用流程為: 給定物品, 該物品在某時間段內的移動記錄會以時間順序為依據形成一個列。 該列分為兩部分, 其一是時間列, 其二是位置列。
(1) 頻繁位置序列挖掘。 該數據挖掘方法對相同序列進行合并得出權值, 可將其記錄為:〈lid, path, w〉[6], 其中lid— ——序列標識, path— ——位置序列, w— ——權值。 通過頻繁位置序列挖掘能夠對物品的移動趨勢做出較為準確的反映, 能夠對物品移動路徑進行優化, 能夠對物品走向進行預測; 能夠對物品的異常移動進行反應, 以達到優化物流管理的目的。
(2) 頻繁路徑挖掘。 頻繁路徑挖掘指的是在路徑數據庫中, 能夠實現對支持數≧給定閾值路徑的挖掘。 對該路徑進行挖掘能獲得某研究對象在特定時間段的移動規律, 能夠對該物品的物流情況有較為明晰的了解。
(3) 多層次路徑挖掘。 一般情況下, 地點與物品在概念層次上的差別往往較為明顯, 從不同層次上對數據進行處理( 泛化或者細化) 能為用戶從不同粒度上提供知識。 如圖2所示, 該數據流包括3部分, 分別是: 商店、 工廠和運輸。 對于商店來說, 其工作人員對該數據流的關注重點是商品在存放地———收銀臺間的流動情況; 但是在運輸環節, 工作人員對該數據流的關注重點為商品從物流中心———卡車之間的流動情況, 因此, 多層次路徑挖掘能夠滿足不同用戶的信息需求。
2.2分類與聚類
數據挖掘任務可以根據學習方法的不同分為兩種類型, 一種類型為有指導學習, 另一種類型則可稱之為無指導學習。 有指導學習以人工標注的已知類別標識為應用基礎; 以一組訓練樣本數據為應用范疇; 對已知類別與樣本關系進行一一分析, 進而對新樣本數據類別進行預測, 該過程就是所說的分類。 無指導學習根據 “物以類聚” 原理, 以未知樣本類別為應用基礎; 將相似的樣本歸為一類, 此過程稱之為聚類。 分類和聚類這兩種學習在RFID數據挖掘中同樣存在, 因為在此過程中路徑信息被附加于被處理樣本中, 所以, 分類又可以稱為基于路徑分類; 聚類又可以稱為基于路徑聚類。
(1) 基于路徑分類。 該分類的應用基礎是: 特定時間段內的物體移動路徑, 其應用原理是對研究對象的屬性進行判斷。 比如, 應用物聯網對物流過程進行監控, 根據路徑分類標準, 將貨物輸送軌跡劃分為兩種類型, 一種是正常運行路徑; 一種是異常運行路徑, 以這兩種軌跡為依據對貨物的可疑運輸行為實行監測。
(2) 聚類。 根據研究對象的運功特征, 將其分為兩種類型, 一種類型為自由空間物體運動, 另一種為約束空間物體運動, 后者可以對交通網上被研究對象的運動軌跡進行研究, 前者可以以幾何空間內被研究對象的運動坐標為依據將被研究對象的運動軌跡表示出來, 對其相似度進行測量。 路徑的相似度量同樣可以劃分為兩種方式, 其一是時間相似度量, 其二是空間相似度量。 前者考慮的主要內容是時間距離, 后者考慮的主要內容是空間距離。 以聚類對象為標準, 可以將其劃分為兩種, 其一是路徑聚類, 其二是路徑段聚類。 在某個路徑長度上, 可能路徑不存在很高的相似性, 但是路徑段卻存在很高的相似性。 同時, 在很多情況下, 路徑是不完整的, 因此路徑段聚類分析的價值更高。
2.3異常分析
異常分析指的是通過一定的方式對數據流進行分析, 發現其中的異常模式。 在實際情況中, 對于決策來說, 往往異常事件的價值更高。 異常分析可以通過其他方法來完成。 比如, 在進行海關檢查時, 對物品路徑進行分析, 可以發現可以物品。 通過聚類分析, 能發現數別存在差異的噪聲數據。 之后以趨勢分析為基礎, 能夠發現異?，F象, 一般情況下, 異?，F象的判定標準為與主趨勢相背離的現象。 以頻繁模式分析為依據, 能夠通過出現頻率查找異?，F象。
某些場所的安全性要求比較高, 在這些場所, 為了保證安全, 可以使用RFID標簽在物聯網中通過設置權限進行訪問, 或者可以挖掘物聯網中的歷史數據, 從而獲取相關路徑模式, 以對非法入侵與可疑人員進行識別。 例如在醫院中, 可以將人員分為4類, 分別是: 訪客(V)、 病人(P)、 工作人員(W)、 醫護人員(D), 將場所劃分為電梯(LT)、 接待處(R)、 普通病房(GW)、 重癥監護室(ICU)、 特殊病房(SW)、 手術室(OR) 。 根據這種分類方式建立正確的運行模型, 一旦運行路徑發生異常, 就能很容易發現, 能有效起到安全保護的作用。
3 RFID的應用
3.1保證物品安全
在物流過程中, 貨物失竊是經常發生的事件, 也是對公司利益產生損害的事件。 應用物聯網對其進行管理, 通過RFID對物品進行識別與跟蹤, 能夠有效降低物品在運輸過程中的遺失概率。 在庫存管理中, 通過RFID技術能夠減少人為差錯的發生幾率, 能促使倉庫管理效率得以有效提升, 能在一定程度促使倉庫管理成本減少。
3.2供應鏈柔性管理
在供應鏈的柔性管理中, RFID技術有著廣闊的應用空間。 在供應鏈管理中, 貨物遺失是困擾人們許久的問題之一。 在供應鏈管理中使用RFID技術, 對庫存信息和運輸信息進行跟蹤, 實時獲取貨物信息, 對貨物的動態進行實時監控, 能有效減少貨物遺失現象, 能有效減少企業損失, 實現供應鏈的柔性管理。 例如, 超市可以通過RFID技術對庫存和貨物積壓情況進行管理, 以降低不必要的損失。
3.3建立新的業務流
RFID技術的應用能夠激發新產品研發, 能夠生成新的業務流。 比如, 某藥品生產公司, 在生產藥品時為了保證藥品質量要進行高溫殺菌, 高溫殺菌經常會對條形碼產生破壞。 該公司對條形碼進行了改革, 使用RFID電子編碼對其進行替換, 從而實現了自動滅菌控制, 讓工作效率得到了有效的提升, 有效地改善了工作環境。
4結語
物聯網數據挖掘論文范文第3篇
美國麻省理工學院在1999年提出了物聯網概念, 包括狹義和廣義兩種說法。狹義的物聯網指“物物相連的互聯網”, 所涉及的是物品與物品或物品與識別管理設備的連接;而廣義的物聯網指信息空間和物理空間的融合, 所涉及的是通過對物體和事件的數字化、網絡化, 在人與人、人與物、物與物之間實現信息交互, 完成物品的自動識別、監控和遠程管理。為實現物聯網數據的有效傳輸, 目前的物聯網傳輸網絡主要以互聯網和各種專用網為基礎, 傳輸信道分為有線和無線網絡。然而, 由于缺少統一的物聯網傳輸協議, 目前的物聯網分組數據的傳輸基本上是各自為陣, 這勢必對數據的傳輸和網絡融合帶來麻煩, 因此有必要探索一種規范的物聯網傳輸協議來協調數據的傳輸[1]。
1 現有物聯網分組數據傳輸協議分析
根據物聯網分組數據所在區域的不同, 可將物聯網分組傳輸協議分為內層協議和外層協議。物聯網傳輸的內層協議負責傳感器或控制器對目標物品的數據采集、監測點的控制, 屬于接入層的范疇;而物聯網分組數據傳輸協議的外層協議則主要完成遠距離、大容量數據的集中傳輸。如圖1所示為物聯網傳輸協議的分層結構。
(1) 物聯網分組數據傳輸協議的外層協議
由于外層協議所傳輸的分組數據量較大、距離較遠, 專門為物聯網組建這樣的網絡變得很困難甚至不可能, 因為這樣的網絡可能是跨國、跨省的。因此目前主要依賴的是現有通信骨干網絡, 通過SDH、ATM設備將基于TCP/IP、MPLS協議的分組數據打包傳送。使用最多的是用TCP/IP協議來打包分組數據。由于IPv4地址即將耗盡, 須向IPV6地址過渡。但IPv6提出之初并未考慮物聯網技術的使用, 一旦每個物品都分配一個地址, 將導致IPv6地址的枯竭, 因此新一代IP傳輸協議被提了出來。解決物聯網地址不足的一種方法是通過內層傳輸協議來處理, 將IP地址作為外部目標地址, 而將物品標識作為內部地址在內層中進行訪問。
(2) 物聯網分組數據傳輸協議的內層協議
物聯網分組數據傳輸協議的內層協議負責在區域網內的分組數據傳輸。其特點是每個傳感器或監測點都需要分配一個地址, 每個地址都含有一定數量的分組數據, 所監測的范圍具有區域性, 監測的內容具有同質性。對住宅小區進行的物業監測會包含防火、防盜、急救、水、電、汽儀表等方面的傳感器, 而對工廠監測會包含氣體、污水、閥門、開關的監測, 物流公司的監測對象會包含貨物的進出、位置變化等信息。為了傳輸這些感知和控制信息分組數據, 除采用有線聯接方式外, 大多采用無線傳輸方式, 以減少布線對監測點位置的機動性的影響。常見的無線傳輸技術包括Wi Fi技術、GPRS技術、紅外技術、Zig Bee技術、藍牙技術、RFID技術, 具體選用何種技術取決于監測目標的距離和數據量。這些無線傳輸技術都有各自成熟的傳輸協議, 但要將來自不同技術的分組數據進行區域內傳輸時, 就存在協議間的數據格式轉換問題, 否則只能是各自為陣的數據孤島[2~4]。
2 物聯網分組數據內網傳輸協議
協調不同物聯網區域內不同傳輸協議的一種思考是在外層傳輸協議和內層傳輸協議之間建立一個接入層協議, 如圖2所示。
在圖2中, 接入層傳輸協議從內層各種不同標準協議中提取數據, 并為傳感器或監測點添加一個地址識別碼, 從而得到一個含有物品身份標識的數據分組。該分組數據作為一個原始數據與將要傳輸的目標地址組合在一起, 形成可在骨干網上的SDH、TCP/IP、MPLS上傳輸的數據包。
物聯網分組數據內網傳輸協議可分為如下兩類。
(1) 微型區內物聯網數據傳輸協議
區域內物聯網分組數據傳輸距離直接影響到數據的傳輸方式和傳輸協議。像Wi Fi、Zig Bee這類傳輸方式可在幾十至上百米的微型區域范圍內形成微型物聯網覆蓋區, 每個區設置一個訪問接入點, 實現該微型小區與外層網絡的連接, 區域內可采用Wi Fi、Zig Bee自身的數據傳輸協議。將各訪問接入點直接與外層網絡相連會加大接入層傳輸的設備數量, 因此可將多個訪問接入點通過共用內層網傳輸信道匯集起來, 使內層網信道上的數據量更大, 再由接入層的接入點設備與外層網相接。這里所采用的匯集各訪問接入點數據的信道是一個共用信道, 傳送數據會造成對信道的搶占和數據的破壞。
(2) 近距離傳感區物聯網數據傳輸協議
對于通過使用紅外技術、藍牙技術、RFID技術完成信號傳感的物聯網, 由于傳感器到信號接入點傳輸距離通常只有幾米, 在這個距離內的各傳感器可采用紅外、藍牙、RFID自身的協議, 但將這些數據傳輸到更遠的地方則很難, 雖然可通過Ad-Hoc方式組網, 但由于技術復雜, 實施難度較大, 采用有線連接方式或GPRS連接方式形成區域網會更簡捷。為了簡化布線, 區域網內采用信道共享的方式實現各傳感器或控制點連接。但這樣就會出現對信道的競爭使用問題, 如果不能解決數據沖突, 勢必造成數據的丟失。
解決物聯網在內層網絡中信號傳輸的信道共享是一個需要考慮的問題。因此需要定義一個接入層傳輸協議來協調物聯網內層與外層的數據接口。
3 接入層傳輸協議結構
由前面分析可知, 無論是微型區內物聯網訪問接入點的數據匯集還是近距離傳感區物聯網的數據匯集, 都需要設置一個內層公共信道來集中各傳感器傳輸過來的分組數據, 并解決信道競爭問題。
(1) 物聯網數據傳輸的特點
分析物聯網數據可發現這樣的特點:其一, 除圖像信號外, 絕大多數傳感器或控制器的數據量都比較少, 如檢測溫度、濕度、流量的節點, 所傳輸的只是一個數值量;而對于開關控制節點, 所傳輸的數據僅是信號的有無;對于RFID只傳輸是否識別到物體, 其信息是有無標識符。如果采用IP協議來傳輸這些數據, 則會是數據包頭字節數比要攜帶的數據所占字節還要多, 從而造成浪費。其二, 物聯網上要傳輸的數據往往不是連續不斷地發送的, 常常是在傳感器狀態變化時或要控制目標時才傳輸信號, 因此對信道的使用是非常少的。例如防止火災發生的煙霧報警傳感器, 可能永遠也不會工作。物聯網這種數據少、信道使用率低的特點是這種網絡獨有的特點, 也是考慮接入層傳輸協議的依據。
圖3所示為物聯網接入層網絡上設備的連接方式。圖3 (a) 為訪問接入點的連接方式, 圖3 (b) 為近距離傳感器接收設備的連接方式。
(2) 接入層傳輸信道的使用
有兩種方式可解決接入層傳輸數據時產生數據沖突的問題。一種是同步傳輸方式, 另一種是異步傳輸方式。
在同步傳輸方式中, 將信道分為N個時隙, 每個接入點占用一個固定的時隙, 由接入點設備向內層網絡發送一個固定的同步時隙, 各訪問點接收到這個時隙, 并以此為定時器的參考點, 在此參考點過后的某個時隙傳輸自己的數據, 這樣就不會帶來數據沖突。由于物聯網每個節點的數據字節少, 因此內層網信道中可以有大量的時隙供接入點使用。
在異步傳輸方式中, 信道仍被劃分為時隙, 但不發送同步時隙, 對傳輸時隙的使用由各接入點進行搶占。接入點在使用信道時, 先對信道進行偵聽, 如果沒有數據占用信道, 則立即發送自己的數據。如果信道上有數據傳輸, 則隨機等待M個時隙后再進行對信道的偵聽并決定是否發送數據。
(3) 接入層傳輸協議的數據格式
在接入層內層側, 每個檢測點或控制點傳輸的數據包括地址或身份和該點所檢測到的數據, 由于各檢測點的數據量不大, 因此可用兩個字節來表示檢測點傳感器需要傳輸的數據, 另用兩個字節表示地址, 其中第一個字節表示傳感器所在的微型區號, 微型區號共有128個;第二個字節表示該區中傳感器的編號地址, 編號地址共有128個。這樣在一個物聯網內層可有128個微型區, 每個微型區有128個傳感器或控制點, 一個內層網共計最多可管理216=65536個傳感器或控制點。
圖4為接入層內層傳輸協議數據格式。按此數據格式, 每個時隙所需傳輸的數據分組為4個字節, 因此可以有巨大數量的時隙信道數。這對傳輸視頻監測信號有利, 因為許多監測點對信道的使用率非常低, 在異步傳輸方式中可將這些信道讓給視頻監測點。
接入點設備將來自接入層內層側的數據存入存儲后, 根據接入層外層側所使用的骨干網傳輸協議進行數據包封裝, 形成諸如SDH、TCP/IP、MPLS等數據格式后在骨干網上傳輸。
4 結語
物聯網分組數據傳輸協議國內外都在研究, 但尚未形成統一的認識。在實際使用中主要依據具體的檢測對象和特點選取相應的傳輸信道和傳輸協議, 這對解決企業實際工作中所需要的物聯網是最簡單有效的, 但這不是真正意義上萬物相通的物聯網。實現不同種類、不同部門的物物相聯, 必須在網絡外層與內層間有一個很好的協調與配合, 這既是一個技術問題也是一個管理問題, 有待進一步研究。
摘要：在對現有物聯網分組數據傳輸協議分析的基礎上, 比較了物聯網分組數據內網傳輸協議中的微型區內傳輸協議和近距離傳感區傳輸協議, 提出了接入層傳輸協議結構模型和接入層傳輸信道的使用方法及內層傳輸協議的數據格式。所得結果為物聯網接入層傳輸協議的進一步研究提供了參考。
關鍵詞：物聯網,傳輸協議,分組數據
參考文獻
[1]龐慧娟.淺談物聯網中無線傳輸協議[J].網絡安全技術與應用, 2012 (5) .
[2]殷樂.面向物聯網的嵌入式以太網終端平臺設計與實現[J].電子設計工程, 2012 (13) .
[3]嚴萍, 張興敢, 柏業超, 杜仲林.基于物聯網技術的智能家居系統[J].南京大學學報 (自然科學版) , 2012 (1) .
物聯網數據挖掘論文范文第4篇
1 關于大數據時代
1.1 大數據概念
大數據, 顧名思義, 可以理解為大規模和超大規模的數據集。麥肯錫公司作為全球最為知名的咨詢公司最早提出了大數據的概念, 麥肯錫公司在《大數據:創新、競爭和生產力的下一個前沿領域》報告中提出過“數據, 已經滲透到當今每一個行業和業務職能領域, 成為重要的生產因素。人們對于海量數據的挖掘和運用, 預示著新一波生產率增長和消費者盈余浪潮的到來?！辈⑶姨岢隽岁P于大數據的定義, 他說:大數據及是指大小超出常規的數據庫工具獲取、存儲、管理和分析能力的數據集。并且對于大小超出常規進行了解釋, 說不一定要超過特定的TB級別的數據集才能被稱得上是大數據。同時, 大數據也是云計算、物聯網之后人類文明史上的又一次顛覆性的革命。
1.2 大數據技術
大數據的處理技術正在對整個世界的人類的生活進行著改變, 同時也在改變著計算機的運行模式, 大數據的處理技術幾乎可以處理任何一種類型的數據, 在海量的數據當中進行有價值信息的獲取, 無論這種類型是博客、郵件、文檔、音頻或者是視頻, 乃至于其他形態的數據等, 都可以高效、實時的呈現出所需的結果, 大數據主要是依托云計算, 將任務分布在大量的計算機構成的廉價的資源池上, 用戶便可以按需的獲取計算的資源、存儲的資源、網絡的資源或者是信息服務等, 大數據處理可以通過云計算的應用來使處理和利用變為可能。大數據技術是對海量的數據進行采集、傳輸和處理等, 使用一系列的非傳統的工具對大量的數據包括結構化、非結構化和半結構化的進行數據處理, 這樣以此對數據進行獲取分析和結果預測等處理, 這樣就可以被理解為大數據處理技術。
2 關于物聯網
2.1 物聯網的概念
物聯網是1999年起源于麻省理工學院, 是由Auto-ID實驗室最早提出的物聯網的思想, 這種思想是利用無線射頻識別也就是RFID來對物品進行編碼, 通過互聯網的技術, 來組建全球信息共享的事務性互聯網。并隨著物聯網技術的發展, 已經越來越多的被關注。物聯網的概念在學術界有不同的定義, 基本可以被理解為, 物聯網在廣義上來說就是物理世界與信息世界相融合, 將一切事物都網絡化、數字化, 實現物與物之間、人與人之間、環境與人之間的一種高效率的信息交互, 使得信息技術真正的融入到人類社會之中,
2.2 物聯網的特征
根據物聯網的概念可以確定物聯網的特征主要有三個, 即:利用傳感器、RFID、二維碼掃描技術等, 對產品和用戶的信息隨時隨地的獲取的全面感知的特點;通過通信網和互聯網, 將信息隨時隨地的交互和共享的可靠傳輸的特點;利用云計算技術、模式識別等各種智能的計算機技術, 來對海量的數據進行挖掘、處理和應用, 實現智能決策與控制的智能處理的特點。
3 大數據時代下的物聯網
3.1 物聯網的大數據與一般大數據的區別
因為物聯網是一種虛擬的運行的管理, 在這個過程中, 勢必會產生許多的數據資源, 那么這樣就會產生海量的數據, 也會構成大數據, 但是事實上, 物聯網的大數據是與一般的大數據是有所不同的。物聯網的數據是具有異構性、多樣性、非結構性和有噪聲的特點, 增長率極高也是不同之處, 另外, 物聯網的數據是有明顯顆粒性的, 這種數據通常來說是有時間、位置、環境和行為等信息。
3.2 大數據時代下物聯網的應用
(1) 智能環境領域;物聯網對于如今的智能生活起到了重要的作用, 比如通過智能化的對房間內的各個設施設備進行遙控, 通過一些感知器來實現自動化的運作, 對電氣設備進行自動的開啟和關閉的操作, 對房間的溫度及適度等可以根據變化進行適當的調節, 這些都是可以通過RFID來進行實現的。 (2) 醫療衛生領域;物聯網在醫療衛生領域也有應用, 主要體現在通過追蹤設備, 可以來獲取患者的相關信息, 這樣可以使得醫務人員能夠全面的掌握患者的病情, 能夠對癥下藥, 避免出現一些不必要的醫療事故, 這樣取代了傳統的用手寫容易出錯的情況, 醫患關系簡化, 通過追蹤系統和輔助的電子設備, 可以將這些信息實時的傳遞到相關的單位。 (3) 智能物流領域;物聯網最徹底的應用便是智能物流, 在物流過程中, 每個運載的貨物和馬路上的設備都裝有個相應的傳感器, 并設有相應的標簽, 通過這些便可以給控制中心進行實時信息的傳送, 來監控整個物流供應鏈的供應情況, 這樣來確保在整個物流過程中可以保證每個環節都能正常運行, 從而可以極大的提高工作的效率。
4 結語
總之, 在科學技術高速發展的今天, 伴隨著物聯網、云計算、大數據等新興技術的產生, 已經越來越受到專家學者的廣泛關注, 同時, 也被應用到各個領域之中, 充分發揮著他們巨大的作用。在這樣大數據爆發的時代, 物聯網技術也正從一種單一的數據處理向著一種基礎資源改變的過程。因此, 如何在來勢洶洶的大數據時代, 可以更好的將物聯網的數據資源進行描述、共享、管理和利用, 如何在這樣的信息時代, 物聯網能最大的發揮其作用, 迎接它新的機遇, 又能迎刃而解所面臨的挑戰, 勢必成為未來大數據時代物聯網的問題所在!
摘要：隨著物聯網技術、云計算技術、移動互聯技術等各種新興技術的迅猛發展, 大數據的定義一定提出, 就吸引了越來越多學者專家和科研人員的廣泛關注, 就連日常的生活中也隨處可以聽到“大數據”的字眼, 可見“大數據”的時代真正的到來了, 正在改變著人們的生活, 為社會也帶來了巨大的挑戰。本文將首先從大數據的相關概念進行解釋, 再對物聯網的內容進行分析, 進而提出大數據時代下的物聯網的發展情況等。
關鍵詞：大數據,云計算,物聯網
參考文獻
[1]方巍, 鄭玉, 徐江.大數據:概念、技術及應用研究綜述[J].南京信息工程大學學報 (自然科學版) , 2014 (05) .
物聯網數據挖掘論文范文第5篇
1 數據挖掘的概念分析
在信息技術領域當中, 數據挖掘為一個非常重要的組成部分;數據挖掘一般指在遵循某種規則的基礎上, 從海量信息當中選擇有價值的數據信息, 并對篩選出的信息進行有效整理以及分析。在通常情況下, 可以認為數據挖掘由數據分析發展而來;隨著網絡技術以及計算機技術的不斷發展, 目前已經有許多行業已經開始在應用數據挖掘方面的技術。數據外掘包括了三方面的內容, 即數據準備過程、挖掘數據的過程以及對數據進行有效評估以及解釋的過程。數據準備過程指的是集成數據源當中的數據信息, 并在經過集成處理的數據當中選擇有分析價值的數據;當選定分析數據之后, 便可以對其進行分組, 以便能夠形成分析數據;隨后應整合以及篩選源數據, 完成整合以及篩選等步驟之后, 便可以轉化目標數據, 從而為數據挖掘提供必要的基礎[2]。數據挖掘過程指的是運用特定邏輯對經過處理的目標數據進行有效整理以及分析, 從而獲得特定數據模式的一個分析階段。對數據進行評估以及解釋指的是挖掘知識的過程;在評估數據以及解釋數據時, 可以進行重復挖掘。
2 輔助決策系統以及數據挖掘之間的整合
通過上述分析可知, 數據挖掘具有很重要的作用, 另一方面, 將輔助決策以及數據挖掘整合在一起, 不僅能夠提高數據挖掘能力, 而且還可以有效改善輔助決策系統的運算能力。因此, 要發展物聯網, 則應重視將以上兩者運用于實際工作當中。輔助決策系統的技術支持包括知識庫技術、數據庫技術與模型庫技術以及OLAP技術等, 在使用系統的過程中需要運用到模型結構知識以及數據分析知識等;通過運用該系統進行建模以及分析問題等, 可以有效改善決策方案以及決策過程[3]。整合輔助決策系統以及數據挖掘處理技術的方法如下:第一, 采集原始數據, 并按照一定的規則對原始數據進行預處理;第二, 在數據倉庫當中存儲已經經過處理的數據, 并同時在數據倉庫當中采用OLAP技術分析數據以及交換原有的知識庫;第三, 采用定性以及定量分析的方法處理需要進行決策的問題, 分析完成之后在模型庫當中放入交互分析數據, 以便能夠將數據之間存在的關聯性以及規律找出來;第四, 采用報表以及圖表等相對直觀的形式將分析結果顯示出來。
3 數據挖掘及輔助決策在物聯網當中的應用分析
3.1 應用實例
在本研究中, 筆者以某連鎖便利店作為分析的實例, 以便能夠更有效地說明應用輔助決策系統以及數據挖掘處理技術的方法。通過觀察發現, 該連鎖便利店在公布商品信息時, 采用的技術為RFID技術;RFID技術雖然能夠有效統計商品銷售數量以及庫存數量, 但是無法綜合分析以及處理商品信息, 因此無法在短時間內為顧客提供商品選擇方案。為了能夠彌補RFID技術所存在的不足以及提高連鎖便利店的經營決策水平, 則在考察連鎖便利店實際經營狀況的基礎上, 對當前所使用的物聯網進行了完善, 并構建出了以輔助決策以及數據挖掘為基礎的物聯網模型。該模型具有以下特點:第一, 在引入商品單件標簽的基礎上構建信息管理平臺;第二, 構建好平臺之后, 連鎖便利店當中的銷售人員以及顧客能夠及時獲取RFID閱讀器當中所提供的信息, 如銷售信息、庫存信息以及商品價格信息等;第三, 物聯網模型將會自動對比各類商品信息, 并在對比的基礎上挑選同種類型的不同商品, 從而將優化選擇方案提供給便利店當中的顧客。
3.2 物聯網模型架構分析
該連鎖便利店的經營特色為垂直陳列同種類型的不同商品, 實踐證明采用垂直陳列方式能夠起到促銷商品的作用。因此, 為了確保物聯網模型能夠充分融合垂直陳列經營特色, 則在構建網絡模型的過程中應用了以下架構方案:在采集同類商品標簽信息的基礎上, 保留原有的陳列方式, 以便能夠保證物聯網能夠在短時間內獲取商品信息;模型當中共有四個架構層次, 不同的架構層次具有不同的功能。物聯網架構層為第一層次, 該層次的功能主要為采集商品標簽信息, 并將采集好的信息傳輸到閱讀器當中;該架構層在傳輸信息的過程中所依賴的技術為RFID技術以及傳感技術, 采集好的原始信息可以作為分析決策的數據源。數據挖掘架構層為第二層次, 數據挖掘層次的功能主要為處理數據源, 并對其中的數據信息進行挖掘;在挖掘數據信息的過程中, 架構層可以根據決策分析的具體需求優化選擇挖掘算法, 或提供不同的算法供用戶選擇;采用挖掘算法對數據進行處理之后, 便可以得出物聯網用戶進行決策時需要的知識, 當有價值的知識被提取出來之后, 該架構層就會自動將其輸送到知識庫當中。輔助決策系統構架層為第三層次, 該構架層主要負責支持分析模型的創建;當第二層次將數據之間存在的關系以及變化規律計算出來之后, 該構架層便可以利用量化分析的方法對數據關系進行判斷。交互界面構架層為第四層次, 該構架層負責輸出系統所作出的決策結果, 物聯網用戶可以根據實際情況選擇決策結果, 或者是直接利用系統完成決策結果的選擇, 以便能夠有效完成分析工作與決策工作。下圖為物聯網模型架構圖。
3.3 數據挖掘及其算法的選擇
該物聯網當中所產生的數據以及所包括的硬件計算設備均處于天然分布狀態, 所以在挖掘數據信息時, 應采用分布式的方法, 在進行分布式數據挖掘時, 計算模式應為云計算。在處理物流網當中的數據時, 還應做到實時高效;因此要保證數據挖掘處理的時效性以及快捷性。此外, 對于物聯網而言, 要使其中的數據質量得到有效控制以及確保數據分析結果的真實性, 則應在管理以及儲存數據的過程中做到多格式與多模態以及多源化。在選擇挖掘算法的過程中, 應根據分析對象的實際情況決定采用不同的算法。目前, 存在的挖掘算法主要包括以下幾類。第一類為高效挖掘算法, 此類算法具有較高的并行化水平, 且復雜程度較低;第二類算法為隱私保護挖掘算法, 此類算法比較重視保護物聯網用戶的隱私;第三類為并行挖掘算法, 此類算法適用于調度多任務形式的數據挖掘[4]?？紤]到各方面因素, 在本研究中選擇了聚類算法對數據進行挖掘。
3.4 應用輔助決策系統以及數據挖掘物聯網模型的具體過程
3.4.1 采集信息以及數據挖掘
在采集商品信息時, 需要應用到閱讀器;為了提高商品信息的采集效率, 則對閱讀器的功能進行了完善, 經過改進后的閱讀器具有信息分類功能。在采集信息的過程中, 運用了分段采集法, 即將消費人群的年齡作為分段依據, 由于不同年齡的顧客具有不同的消費習慣, 所以運用分段采集法能夠有效保證商品信息的客觀性。另一方面, 經過改進后的閱讀器具有導向作用, 便利店當中的消費者只需要選擇自身的年齡段, 并點擊閱讀器當中的操作鍵, 便可以及時獲得商品信息。當采集好信息之后, 閱讀器便會將數據信息發送給主機系統, 由主機系統完成預處理工作, 處理好數據之后, 便可以在數據倉庫當中存放信息;在數據倉庫當中存放商品信息的目的在于實現信息共享以及確保聯機分析工作的有效開展, 在物聯網絡當中共享信息時, 應注意更新本店的信息, 以便能夠形成動態數據, 方便于挖掘有價值的信息。
3.4.2 物聯網輔助決策以及選擇過程分析
通過進行挖掘, 可以發現該便利店在一天當中的銷售情況也具有明顯的特征, 年齡不同, 選擇的商品類型也不相同:中年消費者以及老年消費者多選擇購買奶類食品、蛋類食品以及其他營養品, 青年消費者多購買居家用品以及維持日常生活的食品等, 而兒童在便利店中購買的商品多為玩具以及零食等。如果消費者的年齡層次相同, 則在選擇商品時容易出現集中購買的傾向。對此, 為了更好地調整商品采購時間以及采購種類, 則利用輔助決策系統對數據挖掘結果進行二次分析具有非常重要的意義[5]。在本研究中, 輔助決策的模型為DDSBI模型, 此類模型的決策支撐性良好, 運用該模型進行分析將能夠幫助商家作出合理的決策。如青年消費群體比較重視提升自身的生活品質, 在購買商品時, 主要考慮商品性能以及商品質量, 所以為了能夠提升青年消費群體的購物欲望, 則可以按照物聯網系統所提供的參考比例, 購進適量的高品質商品。
3.5 應用前景
將數據挖掘以及輔助決策系統應用于物聯網當中, 能夠有效改善物聯網理論模型, 并優化了數據挖掘過程以及信息采集過程。在商業領域, 應用此類物聯網模型, 則可以方便于企業經營者以及消費者作出有效的決策。對于消費者而言, 則節省了購物時間;對于商家而言, 則有利于提升經營業績。關于以上分析的內容, 在本研究中已經得到了證實。就當前的發展情況而言, 基于輔助決策以及數據挖掘理念構建的物聯網模型還具有非常廣闊的應用前景, 在許多領域當中均能夠發揮重要作用。如將此類物聯網模型應用于農業領域當中, 則可以通過傳感器對農作物生長情況進行判斷, 當主控制系統接收到傳感器所傳送的生長信息時, 就可以將自然氣候條件變化與作物生長狀況結合起來進行數據分析以及數據挖掘, 當數據挖掘工作完成后, 輔助決策系統就會根據分析結果, 自動提供澆灌次數以及化肥種類等參考信息;隨后用戶就可以根據系統所提供的參考信息, 科學灌溉農作物以及選擇能夠促進農作物生長的化肥。當前, 我國的物聯網建設進程正在不斷加快, 物聯網的智能化水平也得到了一定程度的提高, 另一方面, 物聯網當中的硬件設備還需要不斷的更新, 只有保證硬件設備滿足分析需要, 才能夠確保物聯網實現進一步發展。
4 結束語
在工程信息技術領域, 輔助決策與數據挖掘以及物聯網均是備受人們關注的熱點, 數據挖掘對于物聯網以及輔助決策的發展均能夠起到非常重要的推動作用;對此, 為了能夠進一步發展物聯網以及輔助決策系統, 則應積極探索數據挖掘方法, 并在實際運用的過程中不斷完善挖掘技術。另一方面, 當物聯網實現發展時, 也會促進數據挖掘的發展, 兩者是相輔相成的關系, 所以要重視同時完善數據挖掘與物聯網。
摘要：該文分析了數據挖掘的概念, 探討了輔助決策系統以及數據挖掘之間的整合方法, 并研究了數據挖掘及輔助決策系統在物聯網當中的應用情況, 包括物聯網模型架構, 數據挖掘及其算法的選擇, 輔助決策系統以及數據挖掘應用的具體過程等。
關鍵詞：物聯網,輔助決策,數據挖掘,應用分析
參考文獻
[1]張蕾, 李小平, 張曉華.基于數據倉庫和數據挖掘的電力企業決策支持系統[J].電力科學與工程, 2012, 17 (24) :371-372.
[2]戴艷麗.基于數據倉庫和數據挖掘的評教決策支持系統的研究[J].牡丹江教育學院學報, 2012, 19 (25) :546-547.
[3]於實.基于關系數據庫的教學評價數據的關聯規則挖掘[J].吉林省教育學院學報 (上旬) , 2012, 16 (29) :309-310.
[4]王其, 劉青山, 錢承山, 陳煒峰.物聯網工程專業電路實踐教學內容與方法研究與探索[J].科技信息, 2013, 11 (10) :515-516.
物聯網數據挖掘論文范文第6篇
隨著信息化與工業化的深度融合, 信息技術滲透到了工業企業產業鏈的各個環節, 條形碼、二維碼、RFID、工業傳感器、工業自動控制系統、工業物聯網、ERP、CAD/CAM/CAE/CAI等技術在工業企業中得到廣泛應用, 尤其是互聯網、移動互聯網、物聯網等新一代信息技術在工業領域的應用, 工業企業也進入了互聯網工業的新的發展階段, 工業企業所擁有的數據也日益豐富。工業企業中生產線處于高速運轉, 由工業設備所產生、采集和處理的數據量遠大于企業中計算機和人工產生的數據, 從數據類型看也多是非結構化數據, 生產線的高速運轉則對數據的實時性要求也更高。因此, 工業大數據應用所面臨的問題和挑戰并不比互聯網行業的大數據應用少, 某些情況下甚至更為復雜。
工業大數據應用將帶來工業企業創新和變革的新時代。通過互聯網、移動物聯網等帶來的低成本感知、高速移動連接、分布式計算和高級分析, 信息技術和全球工業系統正在深入融合, 給全球工業帶來深刻的變革, 創新企業的研發、生產、運營、營銷和管理方式。這些創新不同行業的工業企業帶來了更快的速度、更高的效率和更高的洞察力。工業大數據的典型應用包括產品創新、產品故障診斷與預測、工業生產線物聯網分析、工業企業供應鏈優化和產品精準營銷等諸多方面。本文將對工業大數據在制造企業的應用場景進行逐一梳理。
1. 加速產品創新
客戶與工業企業之間的交互和交易行為將產生大量數據, 挖掘和分析這些客戶動態數據, 能夠幫助客戶參與到產品的需求分析和產品設計等創新活動中, 為產品創新作出貢獻。福特公司是這方面的表率, 他們將大數據技術應用到了福特?？怂闺妱榆嚨漠a品創新和優化中, 這款車成為了一款名副其實的“大數據電動車”。第一代福特?？怂闺妱榆囋隈{駛和停車時產生大量數據。在行駛中, 司機持續地更新車輛的加速度、剎車、電池充電和位置信息。這對于司機很有用, 但數據也傳回福特工程師那里, 以了解客戶的駕駛習慣, 包括如何、何時以及何處充電。即使車輛處于靜止狀態, 它也會持續將車輛胎壓和電池系統的數據傳送給最近的智能電話。
這種以客戶為中心的大數據應用場景具有多方面的好處, 因為大數據實現了寶貴的新型產品創新和協作方式。司機獲得有用的最新信息, 而位于底特律的工程師匯總關于駕駛行為的信息, 以了解客戶, 制訂產品改進計劃, 并實施新產品創新。而且, 電力公司和其他第三方供應商也可以分析數百萬英里的駕駛數據, 以決定在何處建立新的充電站, 以及如何防止脆弱的電網超負荷運轉。
2. 產品故障診斷與預測
這可以被用于產品售后服務與產品改進。無所不在的傳感器、互聯網技術的引入使得產品故障實時診斷變為現實, 大數據應用、建模與仿真技術則使得預測動態性成為可能。在馬航MH370失聯客機搜尋過程中, 波音公司獲取的發動機運轉數據對于確定飛機的失聯路徑起到了關鍵作用。我們就拿波音公司飛機系統作為案例, 看看大數據應用在產品故障診斷中如何發揮作用。在波音的飛機上, 發動機、燃油系統、液壓和電力系統等數以百計的變量組成了在航狀態, 這些數據不到幾微秒就被測量和發送一次。以波音737為例, 發動機在飛行中每30分鐘就能產生10TB數據。
這些數據不僅僅是未來某個時間點能夠分析的工程遙測數據, 而且還促進了實時自適應控制、燃油使用、零件故障預測和飛行員通報, 能有效實現故障診斷和預測。再看一個通用電氣 (GE) 的例子, 位于美國亞特蘭大的GE能源監測和診斷 (M&D) 中心, 收集全球50多個國家上千臺GE燃氣輪機的數據, 每天就能為客戶收集10G的數據, 通過分析來自系統內的傳感器振動和溫度信號的恒定大數據流, 這些大數據分析將為GE公司對燃氣輪機故障診斷和預警提供支撐。風力渦輪機制造商Vestas也通過對天氣數據及期渦輪儀表數據進行交叉分析, 從而對風力渦輪機布局進行改善, 由此增加了風力渦輪機的電力輸出水平并延長了服務壽命。
3. 工業物聯網生產線的大數據應用
現代化工業制造生產線安裝有數以千計的小型傳感器, 來探測溫度、壓力、熱能、振動和噪聲。因為每隔幾秒就收集一次數據, 利用這些數據可以實現很多形式的分析, 包括設備診斷、用電量分析、能耗分析、質量事故分析 (包括違反生產規定、零部件故障) 等。首先, 在生產工藝改進方面, 在生產過程中使用這些大數據, 就能分析整個生產流程, 了解每個環節是如何執行的。一旦有某個流程偏離了標準工藝, 就會產生一個報警信號, 能更快速地發現錯誤或者瓶頸所在, 也就能更容易解決問題。利用大數據技術, 還可以對工業產品的生產過程建立虛擬模型, 仿真并優化生產流程, 當所有流程和績效數據都能在系統中重建時, 這種透明度將有助于制造商改進其生產流程。再如, 在能耗分析方面, 在設備生產過程中利用傳感器集中監控所有的生產流程, 能夠發現能耗的異?；蚍逯登樾? 由此便可在生產過程中優化能源的消耗, 對所有流程進行分析將會大大降低能耗。
4. 工業供應鏈的分析和優化
當前, 大數據分析已經是很多電子商務企業提升供應鏈競爭力的重要手段。例如, 電子商務企業京東商城, 通過大數據提前分析和預測各地商品需求量, 從而提高配送和倉儲的效能, 保證了次日貨到的客戶體驗。RFID等產品電子標識技術、物聯網技術以及移動互聯網技術能幫助工業企業獲得完整的產品供應鏈的大數據, 利用這些數據進行分析, 將帶來倉儲、配送、銷售效率的大幅提升和成本的大幅下降。
以海爾公司為例, 海爾公司供應鏈體系很完善, 它以市場鏈為紐帶, 以訂單信息流為中心, 帶動物流和資金流的運動, 整合全球供應鏈資源和全球用戶資源。在海爾供應鏈的各個環節, 客戶數據、企業內部數據、供應商數據被匯總到供應鏈體系中, 通過供應鏈上的大數據采集和分析, 海爾公司能夠持續進行供應鏈改進和優化, 保證了海爾對客戶的敏捷響應。美國較大的OEM供應商超過千家, 為制造企業提供超過1萬種不同的產品, 每家廠商都依靠市場預測和其他不同的變量, 如銷售數據、市場信息、展會、新聞、競爭對手的數據, 甚至天氣預報等來銷售自己的產品。
利用銷售數據、產品的傳感器數據和出自供應商數據庫的數據, 工業制造企業便可準確地預測全球不同區域的需求。由于可以跟蹤庫存和銷售價格, 可以在價格下跌時買進, 所以制造企業便可節約大量的成本。如果再利用產品中傳感器所產生的數據, 知道產品出了什么故障, 哪里需要配件, 他們還可以預測何處以及何時需要零件。這將會極大地減少庫存, 優化供應鏈。
5. 產品銷售預測與需求管理
通過大數據來分析當前需求變化和組合形式。大數據是一個很好的銷售分析工具, 通過歷史數據的多維度組合, 可以看出區域性需求占比和變化、產品品類的市場受歡迎程度以及最常見的組合形式、消費者的層次等, 以此來調整產品策略和鋪貨策略。在某些分析中我們可以發現, 在開學季高校較多的城市對文具的需求會高很多, 這樣我們可以加大對這些城市經銷商的促銷, 吸引他們在開學季多訂貨, 同時在開學季之前一兩個月開始產能規劃, 以滿足促銷需求。對產品開發方面, 通過消費人群的關注點進行產品功能、性能的調整, 如幾年前大家喜歡用音樂手機, 而現在大家更傾向于用手機上網、拍照分享等, 手機的拍照功能提升就是一個趨勢, 4G手機也占據更大的市場份額。通過大數據對一些市場細節的分析, 可以找到更多的潛在銷售機會。
6. 生產計劃與排程
制造業面對多品種小批量的生產模式, 數據的精細化自動及時方便的采集 (MES/DCS) 及多變性導致數據劇烈增大, 再加上十幾年的信息化的歷史數據, 對于需要快速響應的APS來說, 是一個巨大的挑戰。大數據可以給予我們更詳細的數據信息, 發現歷史預測與實際的偏差概率, 考慮產能約束、人員技能約束、物料可用約束、工裝模具約束, 通過智能的優化算法, 制定預計劃排產, 并監控計劃與現場實際的偏差, 動態的調整計劃排產。幫我們規避“畫像”的缺陷, 直接將群體特征直接強加給個體 (工作中心數據直接改變為具體一個設備、人員、模具等數據) 。通過數據的關聯分析并監控它, 我們就能計劃未來。雖然, 大數據略有瑕疵, 只要得到合理的應用, 大數據會變成我們強大的武器。當年, 福特問大數據的客戶需求是什么?而回答是“一匹更快的馬”, 而不是現在已經普及的汽車。所以, 在大數據的世界里, 創意、直覺、冒險精神和知識野心尤為重要。
7. 產品質量管理與分析
傳統的制造業正面臨著大數據的沖擊, 在產品研發、工藝設計、質量管理、生產運營等各方面都迫切期待著有創新方法的誕生, 來應對工業背景下的大數據挑戰。例如在半導體行業, 芯片在生產過程中會經歷許多次摻雜、增層、光刻和熱處理等復雜的工藝制程, 每一步都必須達到極其苛刻的物理特性要求, 高度自動化的設備在加工產品的同時, 也同步生成了龐大的檢測結果。這些海量數據究竟是企業的包袱, 還是企業的金礦呢?如果說是后者的話, 那么又該如何快速地撥云見日, 從“金礦”中準確地發現產品良率波動的關鍵原因呢?這是一個已經困擾半導體工程師們多年的技術難題。
某半導體科技公司生產的晶圓在經過測試環節后, 每天都會產生包含一百多個測試項目、長度達幾百萬行測試記錄的數據集。按照質量管理的基本要求, 一個必不可少的工作就是需要針對這些技術規格要求各異的一百多個測試項目分別進行一次過程能力分析。如果按照傳統的工作模式, 我們需要按部就班地分別計算一百多個過程能力指數, 對各項質量特性一一考核。這里暫且不論工作量的龐大與繁瑣, 哪怕有人能夠解決了計算量的問題, 但也很難從這一百多個過程能力指數中看出它們之間的關聯性, 更難對產品的總體質量性能有一個全面的認識與總結。然而, 如果我們利用大數據質量管理分析平臺, 除了可以快速地得到一個長長的傳統單一指標的過程能力分析報表之外, 更重要的是, 還可以從同樣的大數據集中得到很多嶄新的分析結果。
8. 工業污染與環保檢測
《穹頂之下》令人印象深刻的一點是通過可視化報表, 柴靜團隊向觀眾傳遞霧霾問題的嚴峻性、霧霾的成因等等。
這給我們帶來的一個啟示, 即大數據對環保具有巨大價值?！恶讽斨隆穲D表的原生數據哪里來的呢?其實并非都是憑借高層關系獲取, 不少數據都是公開可查, 在中國政府網、各部委網站、中石油中石化官網、環保組織官網以及一些特殊機構, 可查詢的公益環保數據越來越多, 包括全國空氣、水文等數據, 氣象數據, 工廠分布及污染排放達標情況等數據等等。只不過這些數據太分散、太專業、缺少分析、沒有可視化, 普通人看不懂。如果能夠看懂并保持關注, 大數據將成為社會監督環保的重要手段。近日百度上線《全國污染監測地圖》就是一個很好的方式, 結合開放的環保大數據, 百度地圖加入了污染檢測圖層, 任何人都可以通過它查看全國及自己所在區域省市, 所有的在環保局監控之下的排放機構 (包括各類火電廠、國控工業企業和污水處理廠等) 的位置信息、機構名稱、排放污染源的種類, 最近一次環保局公布的污染排放達標情況等?？刹榭淳嚯x自己最近的污染源, 出現提醒, 該監測點檢測項目, 哪些超標, 超標多少倍。這些信息可以實時分享到社交媒體平臺, 告知好友, 提醒大家一同注意污染源情況及個人安全健康。