• 关于 企业数据模型 的搜索结果

回答

功能原理 ET工业大脑让机器能够感知、传递和自我诊断问题,通过分析工业生产中收集的数据,优化机器的产出和减少废品成本。通过并不昂贵的传感器、智能算法和强大的计算能力,ET工业大脑解决的是企业的核心问题。ET工业大脑的部署原理可以分为以下四个步骤: 数据采集:对企业系统数据、工厂设备数据、传感器数据、人员管理数据等多方工业企业数据进行采集。数据预处理:包括过滤脏数据与噪音、解决数据的多源异构、找回丢失的数据以及修正错误的数据等。同时,还要根据用途,对数据进行分割、分解、分类,为下一步的算法建模做好准备。算法建模:通过ET工业大脑AI创作间内置的算法引擎或算法市场提供的算法,对所收集并预处理完成的历史数据进行快速建模,该模型可以是描述模型、预测模型或优化模型。模型应用:将已经建立的算法模型,发布成服务并集成到生产系统中,作用到业务,完成数据智能应用的闭环。

剑曼红尘 2020-03-24 09:42:26 0 浏览量 回答数 0

问题

新一代企业级大数据应用方案实践

福利达人 2019-12-01 20:54:57 517 浏览量 回答数 0

回答

工业大脑让机器能够感知、传递和自我诊断问题,通过分析工业生产中收集的数据,优化机器的产出和减少废品成本。通过并不昂贵的传感器、智能算法和强大的计算能力,工业大脑解决的是制造业的核心问题。工业大脑的部署原理可以分为以下四个步骤。 数据上云。 对企业系统数据、工厂设备数据、传感器数据、人员管理数据等多方工业企业数据进行采集。 数据预处理。 包括过滤脏数据与噪音、解决数据的多源异构、找回丢失的数据以及修正错误的数据等。同时,还要根据用途,对数据进行分割、分解、分类,为下一步的算法建模做好准备。 算法建模。 通过工业大脑AI创作间内置的算法引擎或算法市场提供的算法,对所收集并预处理完成的历史数据进行快速建模,该模型可以是描述模型、预测模型或优化模型。 模型应用。 对已经建立的算法模型,发布成服务并被集成到生产系统中,作用到业务,完成数据智能应用的闭环。

剑曼红尘 2020-03-24 11:18:04 0 浏览量 回答数 0

新用户福利专场,云服务器ECS低至102元/年

新用户专场,1核2G 102元/年起,2核4G 699.8元/年起

回答

"现在行业里大数据平台做的比较有代表性的除了阿里云,就是是袋鼠云了。袋鼠云的数栈具有8大产品模块:离线/实时开发套件:一站式大数据开发平台,帮助企业快速完全数据中台搭建分析引擎:海量数据秒级查询,极速响应能力,帮助企业自由的数据探索数据质量:对过程数据和结果数据进行质量校验,帮助企业及时发现数据质量问题数据地图:可视化的数据资产中心,帮助企业全盘掌控数据资产情况和数据的来源去向数据模型:使企业数据标准化,模型化,帮助企业实现数据管理规范化数据API:快速生成数据API、统一管理API服务,帮助企业提高数据开放效率Easy[V]:在线拖拉拽的方式快速搭建交互式数据可视化大屏,让数据价值看得见 EasyManager:全自动化,全生命周期的运维管家,提供安全稳定的数栈部署与监控服务做的挺不错的,目前,山西商务厅、老板电器、中金易云、河南世纪联华、浙江大学、常州旅游商贸职业技术学校、宁波图书馆、京东方、观远数据、东方龙马等客户和合作伙伴都已经在使用或者参与到他们产品共创。Easy[V] 也是数栈产品吗? 你们确认一下,我记得不是。是否数栈应该还有一个可选的底层计算引擎 RDOS?"

1603144775638512 2019-12-02 01:56:29 0 浏览量 回答数 0

回答

阿里云工业大脑产品的使用流程如下图所示。 系统初始化。 注册云资源初始化系统环境。 数据融合。 将业务应用需求接入业务系统、装备传感数据,完成数据实时、离线的清洗、加工和融合。包括数据汇聚和数据精炼。 数字孪生。 构建企业产线业务流程的物理模型,并在物理模型和生产数据之间建立实时联系。包括产线建模和数字映射。 行业AI配置。 通过行业算法引擎,对预处理完成的数据进行快速建模,并将已经建立的算法模型发布成服务并集成到生产系统中。包括数据链路配置/查看、行业引擎参数配置以及服务发布。

剑曼红尘 2020-03-24 11:18:50 0 浏览量 回答数 0

问题

标签建模

反向一觉 2019-12-01 21:06:40 1639 浏览量 回答数 0

回答

数据源接入:提供多种数据源及多种数据集的接入能力,完成数据源导入及管理,支持接入 AnalyticDB for MySQL 2.0、AnalyticDB for PostgreSQL 数据库。 数据集创建:提供标签数据集、行为数据集、AIPL模型、RFM模型的模型配置能力,针对AIPL和RFM模型可自主配置得分规则和阈值。 用户洞察:提供人群透视分析、RFM分析、AIPL分析及流转分析能力。针对受众人群,通过标签透视和显著性分析功能完成对受众的洞察。 受众圈选:支持用户在人群分析的过程中快速圈选指定数量、指定筛选条件的目标人群。 受众管理:完成对圈选受众的管理,包括受众分析、编辑、下载、更新、推送等功能。 受众分析:基于圈选出来的受众进行进一步的洞察分析,包括透视分析,受众间的对比分析,显著性分析。 全域营销:将企业一方消费者数据一键推送至阿里品牌数据银行,建立品牌全域消费者数据资产,全面提能提效品牌全域消费者运营。

LiuWH 2020-03-24 09:32:59 0 浏览量 回答数 0

回答

DSMM(Data security capability maturity model)数据安全能力成熟度模型,由阿里巴巴作为主要起草单位编制的一份关于数据安全管理的标准,目前是报批稿状态,即将成为国家标准。反观现在大规模数据泄露事件不断发生,对用户个人和企业都造成了恶劣的影响,导致经济损失,甚至有生命危险,DSMM必将成为各企业数据安全建设的依据指南。 DSMM借鉴能力成熟度模型(CMM)的思想,将数据按照其生命周期分阶段采用不同的能力评估等级,分为数据采集安全、数据传输安全、数据存储安全、数据处理安全、数据交换安全、数据销毁安全六个阶段。DSMM从组织建设、制度流程、技术工具、人员能力四个安全能力维度的建设进行综合考量。DSMM划分成了1-5个等级,依次为非正式执行级、计划跟踪级、充分定义级、量化控制级、持续优化级,形成一个三维立体模型,全方面对数据安全进行能力建设。 数据生命周期各阶段 数据采集阶段:组织机构内部系统中新产生数据,以及从外部系统收集数据的阶段。 数据传输阶段:数据从一个实体通过网络流动到另一个实体的阶段。 数据存储阶段:数据以任何数字格式进行物理存储或云存储的阶段。 数据处理阶段:组织机构在内部针对数据进行计算、分析、可视化等操作的阶段。 数据交换阶段:组织机构与组织机构及个人进行数据交互的阶段。 数据销毁阶段:通过对数据及数据存储介质通过相应的操作手段,使数据彻底消除且无法通过任何手段恢复的过程。

1457407682036974 2020-03-29 16:20:24 0 浏览量 回答数 0

回答

工业大脑是基于阿里云大数据的一体化计算平台,通过数据工厂对企业系统数据、工厂设备数据、传感器数据、人员管理数据等多方工业企业数据进行汇集,借助语音交互、图像/视频识别、机器学习和人工智能算法,激活海量数据价值,为解决工业制作业的核心问题而打造的数据智能产品。阿里云工业大脑开放平台架构如下图所示。 工业大脑开放平台是集数据工厂、算法工厂、AI创作间以及应用工厂于一体的智能应用平台,各模块说明如下。 数据工厂:负责接入与管理来自不同渠道的数据。包括来自生产设备、仪器仪表、工业软件、图像、语音与视频的数据,甚至是来自外部的电商数据与天气数据都可被有序的、实时的纳入数据工厂管理。根据数据不同的特性与用途进行统一管理,确保数据的全量、干净、与标准,为各种业务应用提供统一标准的数据服务。 AI创作间:所见即所得的可视化业务编排工具,用户可以使用拖拉拽的方式构建制造型企业产线业务流程的物理模型,将设备数据映射到物理模型,实时监控物理设备的运行,且可基于业务数据字典、业务规则、行业引擎进行任意的组装,从而实现业务场景的人工智能建模,可形成对各类业务的预测、推荐、优化等一系列AI模型,作用于业务,完成数据智能应用闭环。 算法工厂:为算法提供各种工具上的支持,包括提供数据格式和数据接入的管理,支持接入多种计算平台的算法,对算法进行版本的管理、定义算法所能使用的数据范围、资源范围和场景等。 应用工厂:为用户提供一站式工业智能应用服务平台,涵盖工业特色的应用开发、部署、运维全生命周期能力。应用工厂通过可视化的应用搭建和应用模板提高应用开发和交付的效率,并通过图形化、3D渲染等数据展示方法提升业务人员的数据访问体验。

剑曼红尘 2020-03-24 11:20:28 0 浏览量 回答数 0

回答

数据中台,解决数据“存”、“通”、“用”难题让一切业务数据化,一切数据业务化具体而说,数据中台并不是一个跨时代的全新理念,就好比笔者当年学习SOA一样,发现其实质还是组件化,模块化,是设计模式与业务端的应用。数据中台建设的基础还是数据仓库和数据中心,并且在数仓模型的设计上也是一脉传承,之所以我们现在处处推崇数据中台建设及应用,一个是因为数据中台确实有过人之处,另一个是这套模型在阿里体现了巨大的应用价值。首先先总结一下数据中台策略中的几个过人之处。第一:数据汇聚,承上启下。数据中台策略的基本理念是,将所有的数据汇聚到数据中台,以后的每个数据应用(无论是指标和分析类的,还是画像类和大数据类的)统统从数据中台获取数据,如果数据中台没有,那么数据中台就负责把数据找来,如果数据中台找不来,就说明当前真没有这个数据,数据应用也就无从展开。按照这种模式,如果企业中数据应用数量大于3-5个,那么数据中台将整体上节约30%的成本,随着数据应用的增长,这样节约的成本还会更大。传统的数据仓库和数据中心,如果做得比较好,设计到位的话,也会做完整的数据模型设计,但是往往偏重于设计和技术,在执行的过程中,很难保障数据的全,也很难保证数据应用不跨过数据中心,重新做数据的话,那么后期数据则会比较混乱。相对而言,数据中台策略中更加强调数据的“全”以及数据中台组织与数据应用组织之间的协作关系,从设计、组织、建设、流程角度保障了模式的落地。袋鼠云数据中台策略第二:纵观大局,推动全局数据业务在企业中应当是一个完整业务,是一个亟需提高定位的业务,是企业的战略业务。所以数据中台策略应当对应企业的数据战略,并提供更有力的支撑,而不是仅仅停留在把数据找到,把数据清洗,把数据算出来。所以,构建数据中台建设,需要详实了解企业的数据情况,数据需求以及构建数据业务的推动蓝图。上述内容应当通过相互衔接的七个数据服务进行完整的构建以及推动袋鼠云数据中台七大数据服务数据资源规划及获取盘点数据资源、规划数据资源、获取数据资源,并将所有数据资源进行完整呈现;数据质量分析及提升从基础数据、业务数据、大数据视角综合分析当前的数据质量问题;基于中台策略的数据整体建模与数据资产管理企业可根据数据资源规划报告指导后续数据治理和数据资产管理平台的建设,最终服务于企业数据应用场景。实体画像及标签引擎对用户、产品、客商、营销各主题域进行标签提取,将其特征数字化,为后续进行精准 营销和用户画像提供必要条件。数据指标体系梳理及计算(BI)构建企业标签体系,着重分析当前需要但是无法获取到的指标,描述使用不便的指标,分析问题原因,绘制数据供应链条;数据应用规划及实现(DI)基于当前外部数据、IOT数据、非结构和半结构化数据进行大数据应用的规划,并论证实现过程和进行成本评估。一旦评估通过可以帮助企业进行大数据应用的完整开发和落地。数据可视化大屏数据可视化大屏,讲述数据背后的价值。在最短的时间内用最具冲击力的视觉语言,将企业最重要的数据/信息传递给最重要的人。袋鼠云数据中台七大数据服务通过上述服务内容,希望将企业数据资源情况完整展现,数据问题展现,数据资产情况展现,数据需求展现(传统数据分析方面、大数据应用方面)从而绘制一张完整的数据供应链地图,最终利用这张地图,辅助数据业务推进。第三:技术升级、应用便捷大数据平台在很长一段时间,甚至直至现在都还是以开源产品为主流的状况,开源产品使用费力,配置繁琐,导致大数据开发门槛高,数据应用受到严重阻碍,甚至在很多地方一直把大数据技术平台和传统的数仓做区别对待,认为大数据产品的特点是流式计算和处理非结构化数据。其实大数据产品如果能够降低使用门槛的话,会迅速替代传统数仓的技术产品。传统数仓无论在海量数据处理能力,节点扩展能力,实时计算能力,软件购买和维护成本等诸多方面都无法与当前的大数据平台进行抗衡。目前业内比较典型的就是阿里云数加平台,数加平台基本让数据开发者能够像使用传统数据库一样的使用大数据平台了,所有操作方式都是通过可视化界面进行,大部分的开发都是通过SQL语句来实现。当笔者使用数加产品时,总是回想起第一次使用java IDE(JBuild、Eclipse) 产品时的感受。袋鼠云数据中台产品(数栈)客观的说则是一款轻量化的,可私有部署的类数加产品,用以解决基于私有云的大数据平台的管理和开发问题。数据中台产品在与数加产品功能对比上不分伯仲,同时又基于私有云大数据应用的特点定制开发了诸多功能以及数据治理模块用以推动企业整体数据化进程。袋鼠云数栈产品体系袋鼠云数栈产品一览袋鼠云数栈产品一览袋鼠云数据中台建设与策略已经脱离了一个单纯的产品概念范畴,更多的是关注于企业的整体数据化建设工作,希望通过数栈产品和七大数据服务贴身参与用户全方位与全过程的数据化建设。同时我们期待这样的数据化建设应当是高效率,高应用价值和低成本的。

hiekay 2019-12-02 01:41:35 0 浏览量 回答数 0

回答

首先,我们先来聊聊各类数据模型。下列相关信息参考自Emil Eifrem的博文及NoSQL数据库说明。文档类数据库传承:受Lotus Notes启发而来。数据模型:文档汇总,包括键-值汇总。实例: CouchDB, MongoDB优势: 数据建模自然、程序员易于上手、开发流程短、兼容网页模式、便于达成CRUD(即添加、查询、更新及删除的简称)。图形类数据库传承:来自 Euler 及图形理论。数据模型:节点及关系,二者结合能够保持键-值间的成对状态实例: AllegroGraph, InfoGrid, Neo4j优势:轻松玩转复杂的图形问题、处理速度快关系类数据库传承:源自 E. F. Codd在大型共享数据库中所提出的数据关系模型理论数据模型:以关系组为基础实例: VoltDB, Clustrix, MySQL优势:性能强大、联机事务处理系统扩展性好、支持SQL访问、视图直观、擅长处理交易关系、与程序员间的交互效果优异面向对象类数据库传承:源自图形数据库方面的研究成果数据模型: 对象实例: Objectivity, Gemstone优势:擅长处理复杂的对象模型、快速的键-值访问及键-功能访问并且兼具图形数据库的各类功能键-值存储传承: Amazon Dynamo中的paper概念及分布式hash表数据模型:对成对键-值的全局化汇总实例: Membase, Riak优势:尺寸掌控得当、擅长处理持续的小规模读写需求、速度快、程序员易于上手BigTable Clones传承自:谷歌BigTable中的paper概念数据模型:纵列群,即在某个表格模型中,每行在理论上至少可以有一套单独的纵列配置实例: HBase, Hypertable, Cassandra优势:尺寸掌控得当、擅长应对大规模写入负载、可用性高、支持多数据中心、支持映射简化数据结构类服务传承: 不明实例: Redis数据模型: 执行过程基于索引、列表、集合及字符串值优势:为数据库应用引入前所未有的新鲜血液网格类数据库传承:源自数据网格及元组空间研究数据模型:基于空间的构架实例: GigaSpaces, Coherence优势:优良的性能表现及上佳的交易处理扩展性我们该为自己的应用程序选择哪套方案?选择的关键在于重新思考我们的应用程序如何依据不同数据模型及不同产品进行有针对性的协同工作。即用正确的数据模型处理对应的现实任务、用正确的产品解决对应的现实问题。要探究哪类数据模型能够切实为我们的应用程序提供帮助,可以参考“到底NoSQL能在我们的工作中发挥什么作用?”一文。在这篇文章中,我试着将各种不同特性、不同功能的常用创建系统中的那些非常规的应用实例综合起来。将应用实例中的客观需求与我们的选择联系起来。这样大家就能够逆向分析出我们的基础架构中适合引入哪些产品。至于具体结论是NoSQL还是SQL,这已经不重要了。关注数据模型、产品特性以及自身需要。产品总是将各种不同的功能集中起来,因此我们很难单纯从某一类数据模型构成方式的角度直接找到最合用的那款。对功能及特性的需求存在优先级,只要对这种优先级具备较为清晰的了解,我们就能够做出最佳选择。如果我们的应用程序需要…复杂的交易:因为没人愿意承受数据丢失,或者大家更倾向于一套简单易用的交易编程模式,那么请考虑使用关系类或网格类数据库。例如:一套库存系统可能需要完整的ACID(即数据库事务执行四要素:原子性、一致性、隔离性及持久性)。顾客选中了一件产品却被告知没有库存了,这类情况显然容易引起麻烦。因为大多数时候,我们想要的并不是额外补偿、而只是选中的那件货品。若是以扩展性为优先,那么NoSQL或SQL都能应对自如。这种情况下我们需要关注那些支持向外扩展、分类处理、实时添加及移除设备、负载平衡、自动分类及整理并且容错率较高的系统。要求持续保有数据库写入功能,则需要较高的可用性。在这种情况下不妨关注BigTable类产品,其在一致性方面表现出众。如有大量的小规模持续读写要求,也就是说工作负载处于波动状态,可以关注文档类、键-值类或是那些提供快速内存访问功能的数据库。引入固态硬盘作为存储媒介也是不错的选择。以社交网络为实施重点的话,我们首先想到的就是图形类数据库;其次则是Riak这种关系类数据库。具备简单SQL功能的常驻内存式关系数据库基本上就可以满足小型数据集合的需求。Redis的集合及列表操作也能发挥作用。如果我们的应用程序需要…在访问模式及数据类型多种多样的情况下,文档类数据库比较值得考虑。这类数据库不仅灵活性好,性能表现也可圈可点。需要完备的脱机报告与大型数据集的话,首选产品是Hadoop,其次则是支持映射简化的其它产品。不过仅仅支持映射简化还不足以提供如Hadoop一样上佳的处理能力。如果业务跨越数个数据中心,Bigtable Clone及其它提供分布式选项的产品能够应对由地域距离引起的延迟现象,并具备较好的分区兼容性。要建立CRUD应用程序,首选文档类数据库。这类产品简化了从外部访问复杂数据的过程。需要内置搜索功能的话,推荐Riak。要对数据结构中的诸如列表、集合、队列及发布/订阅信息进行操作,Redis是不二之选。其具备的分布式锁定、覆盖式日志及其它各种功能都会在这类应用状态下大放异彩。将数据以便于处理的形式反馈给程序员(例如以JSON、HTTP、REST、Javascript这类形式),文档类数据库能够满足这类诉求,键-值类数据库效果次之。如果我们的应用程序需要…以直观视图的形式进行同步交易,并且具备实时数据反馈功能,VoltDB算得上一把好手。其数据汇总以及时间窗口化的表现都非常抢眼。若是需要企业级的支持及服务水平协议,我们需要着眼于特殊市场。Membase就是这样一个例子。要记录持续的数据流,却找不到必要的一致性保障?BigTable Clone交出了令人满意的答卷,因为其工作基于分布式文件系统,所以可以应对大量的写入操作。要让操作过程变得尽可能简单,答案一定在托管或平台即服务类方案之中。它们存在的目的正是处理这类要求。要向企业级客户做出推荐?不妨考虑关系类数据库,因为它们的长项就是具备解决繁杂关系问题的技术。如果需要利用动态方式建立对象之间的关系以使其具有动态特性,图形类数据库能帮上大忙。这类产品往往不需要特定的模式及模型,因此可以通过编程逐步建立。S3这类存储服务则是为支持大型媒体信息而生。相比之下NoSQL系统则往往无法处理大型二进制数据块,尽管MongoDB本身具备文件服务功能。如果我们的应用程序需要…有高效批量上传大量数据的需求?我们还是得找点有对应功能的产品。大多数产品都无法胜任,因为它们不支持批量操作。文档类数据库或是键-值类数据库能够利用流畅的模式化系统提供便捷的上传途径,因为这两类产品不仅支持可选区域、添加区域及删除区域,而且无需建立完整的模式迁移框架。要实现完整性限制,就得选择一款支持SQL DLL的产品,并在存储过程或是应用程序代码中加以运行。对于协同工作极为依赖的时候就要选择图形类数据库,因为这类产品支持在不同实体间的迅速切换。数据的移动距离较短且不必经过网络时,可以在预存程序中做出选择。预存程序在关系类、网格类、文档类甚至是键-值类数据库中都能找到。如果我们的应用程序需要…键-值存储体系擅长处理BLOB类数据的缓存及存储问题。缓存可以用于应对网页或复杂对象的存储,这种方案能够降低延迟、并且比起使用关系类数据库来说成本也较低。对于数据安全及工作状态要求较高的话可以尝试使用定制产品,并且在普遍的工作范畴(例如向上扩展、调整、分布式缓存、分区及反规范化等等)之外一定要为扩展性(或其它方面)准备解决方案。多样化的数据类型意味着我们的数据不能简单用表格来管理或是用纵列来划分,其复杂的结构及用户组成(也可能还有其它各种因素)只有文档类、键-值类以及Bigtable Clone这些数据库才能应付。上述各类数据库都具备极为灵活的数据类型处理能力。有时其它业务部门会需要进行快速关系查询,引入这种查询方式可以使我们不必为了偶尔的查看而重建一切信息。任何支持SQL的数据库都能实现这类查询。至于在云平台上运行并自动充分利用云平台的功能——这种美好的愿望目前还只能是愿望。如果我们的应用程序需要…支持辅助索引,以便通过不同的关键词查找数据,这要由关系类数据库及Cassandra推出的新辅助索引系统共同支持才能实现。创建一套处于不断增长中的数据集合(真正天文数量级的数据)然而访问量却并不大,那么Bigtable Clone是最佳选择,因为它会将数据妥善安排在分布式文件系统当中。需要整合其它类型的服务并确保数据库提供延后写入同步功能?那最好的实现方式是捕捉数据库的各种变化并将其反馈到其它系统中以保障运作的一致性。通过容错性检查了解系统对供电中断、隔离及其它故障情况的适应程度。若是当前的某项技术尚无人问津、自己却感觉大有潜力可挖,不妨在这条路上坚持走下去。这种情况有时会带来意料之外的美好前景。尝试在移动平台上工作并关注CouchDB及移动版couchbase。哪种方案更好?25%的状态改善尚不足以让我们下决心选择NoSQL。选择标准是否恰当取决于实际情况。这类标准对你的方案有指导意义吗?如果你的公司尚处于起步阶段,并且需要尽快推出自己的产品,这时不要再犹豫不决了。无论是SQL还是NoSQL都可以作为参考。

a123456678 2019-12-02 03:00:14 0 浏览量 回答数 0

回答

工业互联网企业级平台(数字工厂)简介 工业互联网企业级平台(数字工厂)为制造企业提供基于阿里云物联网平台的物联网、云技术和工业大数据的技术,为企业实现业务操作都由真实可靠的数字化的信息支持,构建了一套用数字化控制并管理资源、收集分析历史信息、基于数据分析结果进行业务决策和优化的技术和方法。数字工厂将制造企业中的对象通过数字模型来表示,通过统一系统平台、统一门户入口、统一权限管理和统一的数据模型来集成制造企业从产品研发、生产、销售、物流到售后整个价值链过程中需要的所有应用。数字工厂为制造企业提供可持续性和可扩展性的信息系统,不但为制造企业提供供应链上下游的随时随地信息分享提供可行性方案,也为数字化的智能产品在售后和运维领域提供高效可靠的工具和方案,实现数据采集、状态感知与远程控制,提高产品的附加值,增加服务收入。数字工厂是数字工厂运行管理的统一门户入口,汇聚整合各个业务应用的数据,具备如下功能:业务协同处理,提供产品制造全生命周期的业务系统处理,实现工厂事件的快速响应;综合监测,对数字工厂的事件和指标进行实时监控和可视化展示;分析决策,基于物联网数据进行分析挖掘实现高效决策和反馈。

垚tutu 2020-03-30 17:35:11 0 浏览量 回答数 0

回答

阿里云工业互联网企业级平台(数字化工厂)通过统一系统平台、统一门户入口、统一权限管理和统一的数据模型来集成制造企业从产品研发、生产、销售、物流到售后整个价值链过程中需要的所有应用。依据数字工厂的集成指南进行改造的工业应用,就能实现整合到数字工厂中,为企业用户提供业务服务。 在集成工作概述中定义了应用类型以及介绍了不同的应用类型的免登方式,以及数据变更通知订阅的基本数据获取方式。 在基于应用免登和数据订阅以后,按照以下几个部分进行集成改造: 交互框架集成:工业应用需要集成到数字工厂统一的门户中,需要通过以下几步完成: 交互框架集成是指工业应用需要集成到数字工厂统一的门户中,需要通过完成以下几步,来实现统一交互: 通过实现应用描述接口,说明应用需要集成的功能; 账号集成,应用能获得数字工厂的账号、角色和权限相关信息; 日志集成,应用能够使用数字工厂的日志管理功能; 消息集成,应用能够使用数字工厂的消息功能。 基础数据集成:工业应用能直接使用数字工厂提供的主数据、工厂模型、工艺路径和库存地点,实现多应用的标准统一的基础数据来进行业务服务数据的交互: 元数据定义,可以通过接口定义本应用需要的元数据; 主数据集成,保证应用之间的主数据统一; 工厂模型集成,保证应用能同步数字工厂的工厂模型; 工艺路径集成,保证应用能同步数字工厂的工艺路径; 库存地点集成,保证应用能同步数字工厂的库存地点。 应用服务集成:工业应用可以集成数字工厂提供的服务,最终为数字工厂用户提供完整的业务功能,服务包括以下几类: OEE,数字工厂企业用户开通并使用数字工厂的OEE后,第三方工业应用可以通过OEE提供的服务来同步生产设备的状态变化也可以获得设备综合效率的计算结果 生产过程追溯,数字工厂企业用户开通并使用数字工厂的生产过程追溯后,第三方工业应用可以通过生产过程追溯应用提供的服务来同步生产过程的产质耗数据。 获取工厂日历数据,应用能获得用户在数字工厂的工厂日历中进行排班和计划停产的数据。 业务数据集成:数字工厂提供以下标准经营分析功能,工业应用通过以下工业服务接口上报业务数据,用户可以直接通过经营驾驶舱查看对应经营分析结果: 通过接口上报生产成品入库和人员出勤,得到人均产量(能)分析的结果; 通过接口上报生产报工和过程质检数据,得到成品率分析的结果; 通过接口上报生产报工和过程质检数据,得到质量缺陷分析的结果; 通过接口上报设备综合效率,得到设备效率分析的结果; 通过接口上报生产成品入库和能源数据,得到能耗分析的结果; 通过接口上报人员出勤,得到人员出勤分析的结果; 应用需要授权才能获得调用数字工厂提供的工业服务权限,权限的申请查看应用授权。

垚tutu 2020-03-31 11:32:07 0 浏览量 回答数 0

问题

数据产品经理最佳实践-数据战略规划

福利达人 2019-12-01 21:21:16 2180 浏览量 回答数 0

回答

您好,MaxCompute作为一款云原生、高效能的企业级数据仓库服务,构建在阿里云大规模计算、存储资源之上,以Serverless架构提供全托管的在线数据仓库服务,消除了传统数据平台在资源扩展性和弹性方面的限制,并最小化用户的运维投入。MaxCompute支持多种经典计算模型(批处理、机器学习、交互式分析等)和完善的企业管理功能,借助MaxCompute,企业可轻松集成和管理企业数据资产,简化数据平台架构,加速价值实现。MaxCompute被广泛用于构建现代化企业数据平台,开展BI分析、数据化运营、画像及推荐、智能预测等应用场景。 MaxCompute兼容原生Spark:https://help.aliyun.com/document_detail/102357.html MaxComptue兼容原生MapReduce:https://help.aliyun.com/document_detail/27875.html

亢海鹏 2020-04-23 16:21:26 0 浏览量 回答数 0

回答

您好,两款产品是不同类型的云产品哈。 MaxCompute是一款云原生、高效能的企业级数据仓库服务。 它构建在阿里云大规模计算、存储资源之上,以Serverless架构提供全托管的在线数据仓库服务,消除了传统数据平台在资源扩展性和弹性方面的限制,并最小化用户的运维投入。MaxCompute支持多种经典计算模型(批处理、机器学习、交互式分析等)和完善的企业管理功能,借助MaxCompute,企业可轻松集成和管理企业数据资产,简化数据平台架构,加速价值实现。 DataWorks(数据工场,原大数据开发套件)是阿里云重要的PaaS平台产品,为您提供数据集成、数据开发、数据地图、数据质量和数据服务等全方位的产品服务,一站式开发管理的界面,帮助企业专注于数据价值的挖掘和探索。 DataWorks为MaxCompute提供一站式的数据同步、业务流程设计、数据开发、管理和运维功能。 温馨提示:MaxCompute可以简拼为MC或MaxC。 如果可以的话,麻烦您把提问的错误拼写修改一下哈。 十分感谢。 如有其他疑问,您可以加入MaxCompute开发者社区钉群进行咨询。点击加入

亢海鹏 2020-07-02 16:45:55 0 浏览量 回答数 0

问题

面向服务的ERP可重构开发模型

hua2012h 2019-12-01 20:13:41 7876 浏览量 回答数 0

问题

【MaxCompute】的产品概述

玄学酱 2019-12-01 21:55:03 1428 浏览量 回答数 0

回答

大数据计算服务(MaxCompute,原名ODPS)是一种快速、完全托管的TB/PB级数据仓库解决方案。MaxCompute向用户提供了完善的数据导入方案以及多种经典的分布式计算模型,能够更快速的解决用户海量数据计算问题,有效降低企业成本,并保障数据安全。通过数据集成服务,可将 RDS 数据导入 MaxCompute,实现大规模的数据计算。下面以 MaxCompute 和 RDS 搭配为例介绍大数据计算方案。前提条件已开通 MaxCompute 服务,并完成项目设置已开通数据集成服务

水中望月888 2019-12-01 23:29:55 0 浏览量 回答数 0

问题

MSSQL数据库日志清理

通天技术 2019-12-01 21:25:28 2379 浏览量 回答数 0

回答

E-MapReduce 是构建于阿里云 ECS 弹性虚拟机之上,利用开源大数据生态系统,包括 Hadoop、Spark、HBase,为用户提供集群、作业、数据等管理的一站式大数据处理分析服务。大数据计算服务(MaxCompute,原名ODPS)是一种快速、完全托管的TB/PB级数据仓库解决方案。MaxCompute向用户提供了完善的数据导入方案以及多种经典的分布式计算模型,能够更快速的解决用户海量数据计算问题,有效降低企业成本,并保障数据安全。

阿里云E-MapReduce团队 2019-12-02 02:37:45 0 浏览量 回答数 0

问题

【教程免费下载】智能制造时代的研发智慧:知识工程2.0

玄学酱 2019-12-01 22:08:34 1512 浏览量 回答数 1

问题

企业大数据平台下数仓架构

福利达人 2019-12-01 21:22:50 537 浏览量 回答数 0

回答

集数据预处理、数据建模、模型应用、预测为一体的机器学习平台。波若机器学习平台封装了Spark内成熟算法和其他领域算法,并向机器开发使用者提供可见即可得的操作体验,真正做到让数据展现企业价值,让价值触手可及。

sdydata 2019-12-02 02:01:40 0 浏览量 回答数 0

回答

Dataphin遵循阿里巴巴集团多年实战沉淀的大数据建设OneData体系(OneModel、OneID、OneService),集产品、技术、方法论于一体,一站式地为您提供集数据引入、规范定义、数据建模研发、数据萃取、数据资产管理、数据服务等的全链路智能数据构建及管理服务。助您打造属于自己的标准统一、资产化、服务化和闭环自优化的智能数据体系,驱动创新。Dataphin的主要功能模块包括: • 平台管理 平台管理是Dataphin的基础功能,主要包含全局化功能设置和首页引导。该功能帮助您系统地了解和熟悉整个产品,快速开始工作,并进行必要的系统管理与控制,保障各模块正常运转。 o 全局化功能设置包括计算设置与成员管理、智能引擎。 o 首页引导详情请参见Dataphin首页。 • 全局设计 基于业务全局,从顶层自下规划设计业务数据总线,包括:划分命名空间、定义主题域及相关名词、划分管理单元(即项目)、定义数据源及计算引擎源。 • 数据引入 数据引入基于全局设计定义的项目空间与物理数据源,将各业务系统、各类型的数据抽取加载至目标数据库。这个过程可以实现各类业务数据的同步与集成,助您完成基础数据中心建设,为后续进一步加工数据奠定基础。 • 规范定义 基于全局设计定义的业务总线、数据引入构建的基础数据中心,根据业务数据需求,结构化地定义数据元素(例如维度、统计指标),保障数据无二义性地标准化、规范化生产。 • 建模研发 基于规范定义的数据元素,设计与构建可视化的数据模型。数据模型提交发布后,系统智能自动化地生成代码与调度任务,完成公共数据中心的全托管建设。 • 编码研发 基于通用的代码编辑页面,灵活地进行个性化的数据编码研发,完成任务发布。 • 资源及函数管理 o 支持管理各种资源包(例如JAR、文本文件),以满足部分数据处理需求。 o 支持查找与使用内置的系统函数。 o 支持用户自定义函数,以满足数据研发的特殊加工需求。 • 数据萃取 基于Dataphin数据建模研发沉淀的数据,萃取提供以目标对象为中心的数据打通和深度挖掘,并生成代码与调度任务,完成实体对象识别、连接及标签生产,可快速应用于各类业务。 • 调度运维 对建模研发、编码研发生成的代码任务进行基于策略的调度与运维,确保所有任务正常有序地运行。调度运维操作包括:部署数据生产任务、查看任务运行情况、管理及维护任务之间的依赖关系。 • 元数据中心 支持采集、解析和管理基础数据中心、公共数据中心、萃取数据中心的元数据。 • 资产分析 o 在元数据中心基础上,深度分析元数据,实现数据资产化管理。 o 为您可视化地呈现资产分布、元数据详情等,方便您快速查找、深度了解数据资产。 • 即席查询 支持用户通过自定义SQL等方式,查询数据资产中的数据。同时,通过查询分析引擎,快速获取物理表、逻辑表(即数据模型,或逻辑模型)的数据查询结果。 • 数据服务 数据服务为您提供高效便捷的主题式查询功能及有效的全链路企业内API生命周期托管,真正实现低门槛API开发,帮助您更好地进行数据资产应用以实现价值化。

LiuWH 2020-03-23 11:15:47 0 浏览量 回答数 0

问题

【教程免费下载】Python数据分析与挖掘实战

沉默术士 2019-12-01 22:07:58 1710 浏览量 回答数 2

回答

工业大脑的使用场景如下图所示: ** 良率提升** 您可以使用工业大脑平台,提升生产良品率,具体应用场景如下: 企业借助工业大脑的人工智能技术提升光伏电池片生产A品率。公司首先把从车间实时采集到的上千个生产参数传入工业大脑,通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的30个关键参数,并搭建参数曲线模型,在生产过程中实时监测和调控变量,最终将最优参数在大规模生产中精准落地,提升生产A品率7% ,创造数千万元利润。 质检效率提升 您可以使用工业大脑平台,高效低成本地完成图像质检,提高生产质量,具体应用场景如下: 企业在生产电池片过程中都是通过肉眼做产品质检,成本高、效率低。如今,企业使用AI图像技术,将带有产品缺陷的5万多张图片上传到云计算平台,通过深度学习与图像处理技术进行算法训练。优化的AI算法,其识别准确度可达到95%以上,碎片率(瑕疵品)下降50%。不仅如此,从图像拍摄到数据接收、处理,然后到数据上传MES系统做缺陷判定,再到最后MES系统下达指令给机械手臂抓取缺陷产品, 整个流程耗时不到一秒,仅为原先的一半,且检测过程无需人工参与。 测试效率提升 您可以使用工业大脑平台,提升产品检测效率,具体应用场景如下: 产品调试一直是通信生产过程中的瓶颈工序。调测成本占总生产成本比重高达30-40%,单个产品平均耗时超过1个小时。企业通过云端汇总、打通生产关键环节数据,以测试/检测数据为主体,使用算法模型进行制程能力的综合分析、评估、优化。最终,检测指标项从平均300个点位降到200个,产品整体调试效率优化35%。 能耗优化 您可以使用工业大脑平台,对产业能耗进行优化,降低生产消耗量,具体应用场景如下: 化纤属于高耗能行业,公司每年煤炭消耗达几亿元人民币。公司以提升燃煤发电效率做为首个突破口,使用喷煤到产出蒸汽整个流程中采集到的数据,基于工业大脑构建算法优化模型,准确实时预测蒸汽量,并向燃煤工程师推荐最优燃煤工艺参数指导实际生产,进而降低总体燃煤消耗。最终,燃煤效率提升2.6%,这意味着一家工厂一年可节省上千万元的燃煤成本。 设备维护成本降低 您可以使用工业大脑平台,预测设备故障并进行维护,具体应用场景如下: 企业使用物联网与算法模型技术提前预测风机故障。通过温度传感器对整个风机的温度测点进行实时监控,并对海量温度数据进做深度学习,构建风机故障检测与感知预测模型,最终做到提前1-2周识别风机微小故障并预警,单台风机单次重大事件维护成本大大降低。 生产工艺优化 您可以使用工业大脑平台,进行生产工艺的优化,提升产品合格率,具体应用场景如下: 作为一种天然植物,橡胶并不能像工业化流水线的出品一样标准,不同原产地、不同批次等因素,都可能带来指标的波动。ET工业大脑对橡胶的各类数据进行深度运算和分析,并给出最优方案。比如,哪几个产地的原料组合在一起质量最好,某个工艺处理环节该用怎样的参数可以使混炼胶的性能更稳定。通过云计算,企业的混炼胶平均合格率提高3到5个百分点,达到国际水平。

剑曼红尘 2020-03-24 09:49:27 0 浏览量 回答数 0

回答

阿里云工业互联网平台简介 阿里云工业互联网平台是在阿里云物联网平台的基础上,全面整合阿里云在制造企业数字化转型方面已有的信息化改造能力,以及阿里生态在电商销售平台、供应链平台、金融平台、物流平台等多方面的能力,为制造业数字转型的企业、服务商、行业运营商以及区域运营商提供的工业互联网领域全面的支撑平台。 阿里云工业互联网企业级平台 阿里云工业互联网企业级平台为制造企业搭建基于业务中台和数据中台的云上数字工厂解决方案。平台基于阿里云的物联网、云计算和工业大数据的技术,构建用数字化控制并管理资源、收集分析历史信息、基于数据分析结果进行业务决策和优化的技术和方法。工业互联网企业级平台将制造企业中的设备通过物联网技术连接到云端,把运营业务对象通过数字模型来表示,再通过数字模型来集成产品研发、生产、销售、物流到售后整个价值链过程中需要的工业应用,实现业务协同处理。基于工业智能应用产生的业务数据以及物联网采集的智能设备的运营数据进行关联和追溯,对制造企业中的事件和指标进行综合监测和可视化展示,实现工厂事件的快速响应,并通过多维度分析和数据挖掘实现高效智能的决策和反馈。 面向设备及应用开发服务商,阿里云数字工厂平台提供云、管、边、端全面的开发工具及API支持,帮助服务商可以基于平台快速开发具有其业务特色的软硬件产品,为制造企业的产品研发、经营管理、生产执行、物流管理及销售服务提供全面的业务服务。通过ICA(IoTConnectivityAlliance)帮助设备、应用开发服务商实现行业接口的标准化建设,通过物联网市场实现从产品开发到销售闭环。区别与黄页型工业互联网平台,阿里云数字工厂平台可以实现工厂企业与服务商的产品做到在线交易与生产,真正落地制造企业上云上平台商业模式闭环。 面向集成服务商,阿里云数字工厂平台提供适合数字工厂集成实施的集成工作台,以项目的形式,可以实现标准化的工厂设备接入和集成;根据工业企业的需求,从物联网市场购买或者自建对应的应用,并进行应用的初始化设置;针对用户特殊的定制需求,可以通过可视化云组态的方式,结合规则设定及脚本开发,快速实现用户的定制服务开发;在用户授权的情况,可以帮助用户实现数字工厂各项工厂模型、工艺及组织人员权限管理的初始设置,并可以对用户的业务进行定制化导航及展示配置;最终可以一键式在线实现项目内容交付,工厂用户可在数字工厂运营中心中接受项目,并即可应用。 阿里云工业互联网行业级平台 阿里云工业互联网行业级平台为行业运营商提供行业工业互联网平台的产品能力,借助行业级的工业互联网平台,可以实现针对特定行业用户的应用开发和推广,通过行业运营商对行业用户的深入理解,可以更好的提升对行业用户的服务能力,并且借助平台提供的运维工具,进行行业服务创新。 阿里云工业互联网区域级平台 阿里云工业互联网区域级平台为区域运营商提供区域工业互联网平台的产品能力,借助区域级的工业互联网平台,可以实现针对区域用户的应用开发和推广,通过区域运营商对区域内用户的深入理解,可以更好的提升对区域内用户的服务能力,并且借助平台提供的运维工具,为区域内的制造企业提供转型升级和业务创新的服务。

垚tutu 2020-03-30 17:33:46 0 浏览量 回答数 0

回答

可以参考袋鼠云为云南某金融机构搭建日志平台方案设计逻辑:通过前期调研了解数据现状,袋鼠云将整个运维数据分析平台建设的核心思想定义在通过实时采集业务运行数据(如客户交易流水、业务执行流水、日志等),以及实时系统运行数据(包括应用服务器、中间件、数据库和主机等),然后通过一定的数据模型将这些数据关联起来,以业务的角度动态展示,并使用一系列算法进行在线和离线分析,并使系统根据分析结果进行自动化处理,从而达到将企业业务运行状况和IT资源协同监控和管理的目的。整个系统工作的逻辑过程如下:首先是数据采集服务器从业务系统和其对应的IT资源中,实时获取相应的运行状态数据,经过预处理之后,向两个方向发送:一个方向是监控分析服务器,在其中对数据进行实时处理,主要是报表引擎对数据进行格式化之后,产生动态报表,业务规则引擎判断数据是否具有某种特点从而激活对应的业务规则;另一个方向是将这些原始数据存储在适合流式数据的数据库中,并结合相应的管理数据,由数据分析引擎进行更为全面和复杂的数据分析。系统提供一个 web 应用界面,使得监控人员、管理人员和数据分析人员能够通过标准的IE 浏览器访问应用。这一套逻辑很有参考价值,可以学习参考。

1603144775638512 2019-12-02 01:48:51 0 浏览量 回答数 0

回答

工业大脑的使用场景如下图所示。 良率提升 您可以使用工业大脑平台,提升生产良品率,具体应用场景如下。 光伏行业:企业借助工业大脑的人工智能技术提升光伏电池片生产A品率。公司首先把从车间实时采集到的上千个生产参数传入工业大脑,通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的30个关键参数,并搭建参数曲线模型,在生产过程中实时监测和调控变量,最终将最优参数在大规模生产中精准落地,提升生产A品率7% ,创造数千万元利润。 ** 质检效率提升** 您可以使用工业大脑平台,高效低成本地完成图像质检,提高生产质量,具体应用场景如下。 ** 电池片生产行业**:企业在生产电池片过程中都是通过肉眼做产品质检,成本高、效率低。如今,企业使用AI图像技术,将带有产品缺陷的5万多张图片上传到云计算平台,通过深度学习与图像处理技术进行算法训练。优化的AI算法,其识别准确度可达到95%以上,碎片率(瑕疵品)下降50%。不仅如此,从图像拍摄到数据接收、处理,然后到数据上传MES系统做缺陷判定,再到最后MES系统下达指令给机械手臂抓取缺陷产品, 整个流程耗时不到一秒,仅为原先的一半,且检测过程无需人工参与。 ** 测试效率提升** 您可以使用工业大脑平台,提升产品检测效率,具体应用场景如下。 ** 通信行业**:产品调试一直是通信生产过程中的瓶颈工序。调测成本占总生产成本比重高达30-40%,单个产品平均耗时超过1个小时。企业通过云端汇总、打通生产关键环节数据,以测试/检测数据为主体,使用算法模型进行制程能力的综合分析、评估、优化。最终,检测指标项从平均300个点位降到200个,产品整体调试效率优化35%。 能耗优化 您可以使用工业大脑平台,对产业能耗进行优化,降低生产消耗量,具体应用场景如下。 ** 化纤行业**:化纤属于高耗能行业,公司每年煤炭消耗达几亿元人民币。公司以提升燃煤发电效率做为首个突破口,使用喷煤到产出蒸汽整个流程中采集到的数据,基于工业大脑构建算法优化模型,准确实时预测蒸汽量,并向燃煤工程师推荐最优燃煤工艺参数指导实际生产,进而降低总体燃煤消耗。最终,燃煤效率提升2.6%,这意味着一家工厂一年可节省上千万元的燃煤成本。 ** 设备维护成本降低** 您可以使用工业大脑平台,预测设备故障并进行维护,具体应用场景如下。 设备行业:企业使用物联网与算法模型技术提前预测风机故障。通过温度传感器对整个风机的温度测点进行实时监控,并对海量温度数据进做深度学习,构建风机故障检测与感知预测模型,最终做到提前1-2周识别风机微小故障并预警,单台风机单次重大事件维护成本大大降低。 ** 生产工艺优化** 您可以使用工业大脑平台,进行生产工艺的优化,提升产品合格率,具体应用场景如下。 橡胶行业:作为一种天然植物,橡胶并不能像工业化流水线的出品一样标准,不同原产地、不同批次等因素,都可能带来指标的波动。工业大脑对橡胶的各类数据进行深度运算和分析,并给出最优方案。例如,哪几个产地的原料组合在一起质量最好,某个工艺处理环节该用怎样的参数可以使混炼胶的性能更稳定。通过云计算,企业的混炼胶平均合格率提高3到5个百分点,达到国际水平。

剑曼红尘 2020-03-24 11:23:03 0 浏览量 回答数 0
阿里云大学 云服务器ECS com域名 网站域名whois查询 开发者平台 小程序定制 小程序开发 国内短信套餐包 开发者技术与产品 云数据库 图像识别 开发者问答 阿里云建站 阿里云备案 云市场 万网 阿里云帮助文档 免费套餐 开发者工具 SSL证书 小程序开发制作 视频内容分析 企业网站制作 视频集锦 代理记账服务 2020阿里巴巴研发效能峰会 企业建站模板 云效成长地图 高端建站 2020中国云原生 阿里云云栖号