Machine Translated by Google

Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021

Daftar isi tersedia di ScienceDirect

Ilmu dan Teknologi Rekayasa,

sebuah Jurnal Internasional
beranda jurnal: www.elsevier.com/locate/jestch

Tinjauan

Tinjauan data besar industri untuk pengambilan keputusan secara cerdas

manufaktur
b
Chunquan Li , Yaqiong Chen , Yuling Shang b,
sebuah

sebuah

Sekolah Teknik Mesin dan Listrik, Universitas Teknologi Elektronik Guilin, Guilin, Cina
b
Sekolah Teknik Elektronik dan Otomasi, Universitas Teknologi Elektronik Guilin, Guilin, Cina

informasi artikel abstrak

Sejarah artikel: Di bawah tren globalisasi ekonomi, manufaktur cerdas telah menarik banyak perhatian dari
Diterima 2 Maret 2021
akademik dan industri. Teknologi pendukung terkait membuat industri manufaktur lebih cerdas. Sebagai
Direvisi 11 Mei 2021 salah satu teknologi kunci dalam kecerdasan buatan, analisis berbasis data besar meningkatkan daya saing
Diterima 1 Juni 2021
pasar industri manufaktur dengan menambang nilai pengetahuan tersembunyi dan kemampuan potensial dari
Tersedia online 26 Juni 2021
data besar industri, dan membantu para pemimpin perusahaan membuat keputusan yang bijaksana di berbagai manufaktur yang kompleks
lingkungan. Makalah ini memberikan dasar analisis teoretis untuk teknologi berbasis data besar untuk memandu
Kata kunci:
pengambilan keputusan dalam manufaktur cerdas, sepenuhnya menunjukkan kepraktisan yang didorong oleh data besar
Manufaktur cerdas
Kecerdasan buatan
teknologi dalam industri manufaktur cerdas, termasuk keunggulan utama dan motivasi internal.
Data besar industri Kerangka konseptual pengambilan keputusan cerdas berdasarkan teknologi industri yang didorong oleh data besar adalah
Teknologi berbasis data besar diusulkan dalam penelitian ini, yang memberikan wawasan dan pemikiran yang berharga untuk tantangan berat dan
Pengambilan keputusan arah penelitian masa depan di bidang ini.
Universitas Karabuk 2021. Layanan penerbitan oleh Elsevier BV Ini adalah artikel akses terbuka di bawah CC
Lisensi BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).

Isi

1. Perkenalan . . . ................................................................... ................................................................... .... 2

2. Tinjauan big data industri untuk pengambilan keputusan. . . . . . . . . ................................................................... ................ 3
2.1. Arsitektur dan mekanisme komponen platform berbasis data besar. . . . . . . . . . . . . . . . . ................................................... 3
2.2. Pemrosesan data besar industri . . . . . . . . . . ................................................................... ......................... 4
2.2.1. Sumber data besar industri 4 ................................................................... ...................................
2.2.2. Akuisisi dan transmisi data besar 4 . . . . . . . . . . ................................................................... ...........
2.2.3. Penyimpanan dan analisis data besar 5. . . . . . . . . . . . . . . . . ................................................................... ...........
2.2.4. Penambangan dan visualisasi aturan pengetahuan big data.................................................. ................... 5
2.3. Desain dan implementasi sistem berbasis data besar
dalam manufaktur cerdas ................................................................... ................................................... 6
2.4. Model dan algoritme teknologi berbasis data besar industri. . . . . ................................................................... ...... 6
3. Penerapan big data-driven dalam manufaktur cerdas. . . ................................................................... ................ 8
3.1. Pengambilan keputusan yang cerdas dan optimalisasi aliran proses. . . . . . ................................................................... ...... 8
3.2. Diagnosis kesalahan dan kompensasi pemeliharaan prediktif. . . . . . . . ................................................................... ...... 9
3.3. Manufaktur hijau dan pengambilan keputusan kesadaran energi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4. Tantangan data besar industri dalam manufaktur cerdas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5. Metode investigasi 11 ...................................................................................................
6. Kesimpulan dan penelitian masa depan 13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Pernyataan Kepentingan Bersaing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Referensi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Penulis yang sesuai.

Alamat email: lcq@guet.edu.cn (C. Li), syl@guet.edu.cn (Y.Shang).

https://doi.org/10.1016/j.jestch.2021.06.001
2215-0986/2021 Universitas Karabuk. Layanan penerbitan oleh Elsevier BV
Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
1. Perkenalan
Di era data besar, sejumlah besar data besar dihasilkan
oleh industri manufaktur memiliki karakteristik dimensi yang sangat tinggi [1].
Bagaimana menangani dimensi ultra-tinggi ini
data, ketuk nilai potensialnya, dan kembangkan model aliran data yang sesuai
untuk lingkungan manufaktur baru adalah masalah yang menantang
[2]. Saat ini, analisis berbasis data besar akan membawa lebih banyak ideal
manfaat bagi sektor manufaktur dengan saling mendukung
teknologi yang muncul terkait di bawah latar belakang Industri
4.0. Proses analisis data bertujuan untuk meningkatkan transparansi
pengambilan keputusan [3]. Pengambilan keputusan berdasarkan analisis berbasis
data besar memaksimalkan fungsi seluruh sistem manufaktur sesuai dengan
struktur internal perusahaan.
Itu membuat penggunaan sumber daya manufaktur secara efektif untuk memastikan:
memaksimalkan manfaat ekonominya.
Di era interkoneksi informasi cerdas dan penggerak pengetahuan [4], data
besar memicu gelombang revolusi digital.
Solusi berdasarkan analisis data besar dan komputasi cerdas
secara bertahap digunakan untuk mengurangi kompleksitas dan beban kognitif
memproses data dalam jumlah besar [5]. Perusahaan semakin
mengadopsi strategi kuat yang didorong oleh data untuk meningkatkan daya
saingnya [6]. Teknologi berbasis data besar memberikan peluang luar biasa untuk
mode manufaktur saat ini ke transisi dari tradisional
manufaktur untuk manufaktur cerdas. Dalam beberapa tahun terakhir, dengan
pengembangan cerdas pabrik industri, analisis data besar
telah menjadi kekuatan pendorong utama bagi perusahaan untuk menyediakan
nilai industri, membuat produksi industri lebih cerdas.
Data yang dikumpulkan dari berbagai sumber telah diterapkan untuk
riset produksi industri. Riset produksi diaktifkan oleh
data telah bergeser dari yang berdasarkan model analitis menjadi data driven [7].
Analisis data besar adalah lompatan revolusioner dalam analisis data
tradisional. Karakteristik data besar dapat diringkas dan didefinisikan
oleh 5 V seperti yang ditunjukkan pada Gambar. 1 [1,8,9]: kapasitas tinggi (sejumlah besar
data), kecepatan tinggi (data dihasilkan dan diperbarui dengan kecepatan tinggi), tinggi
keragaman (data yang dihasilkan oleh berbagai sumber muncul dalam
bentuk), akurasi tinggi dan nilai tinggi (nilai potensi luar biasa
Gambar 1. Karakteristik 5 V dari data besar.
2
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
tersembunyi dalam data). Di era big data di industri manufaktur, karakteristik unik
dari sistem big data adalah real-time,
dinamis dan adaptif [10]. Dibandingkan dengan data tradisional
sistem analisis, data yang dikelola oleh platform data besar datang
dari dunia entitas fisik atau dunia digital virtual. Karena
berbagai sumber data, kemampuan untuk memproses data secara efisien
menyoroti prospek yang lebih baik. Industri manufaktur
sedang mengalami informasi revolusioner dan transformasi cerdas [11]. Sangat
penting untuk menyediakan komunikasi sesuai permintaan
layanan untuk memastikan keandalan yang tinggi, skalabilitas yang kuat, dan
ketersediaan sistem manufaktur.
Manufaktur cerdas mencakup banyak aspek bidang turing pabrikan, tidak
hanya teknologi tetapi juga integrasi semua
aspek bidang manufaktur dan teknologi informasi, bertujuan
untuk mengubah data yang diperoleh di seluruh siklus hidup produk menjadi
kecerdasan manufaktur untuk menghasilkan dampak positif pada semua aspek
manufaktur (seperti produk cerdas, cerdas
produksi, layanan cerdas, dll.). Big data dapat menciptakan solusi real time untuk
menjawab tantangan semua lapisan masyarakat [12]. Besar
metode berbasis data akan berdampak pada manajemen kualitas sistem produksi.
Menambang dan menganalisis data terkait
untuk kualitas produk dapat memberikan dukungan keputusan untuk kontrol kualitas
dan jaminan dalam sistem manufaktur. Turing pabrikan cerdas bertujuan untuk
membangun produksi kolaboratif yang sangat terintegrasi
ekosistem, yang dapat merespons perubahan yang dinamis
tuntutan dan kondisi lingkungan di seluruh rantai nilai
secara real-time. Inti dari manufaktur cerdas terletak pada interkoneksi dan
integrasi mendalam antara dunia fisik dan
dunia digital [13]. Fokus strategis kontemporer
industri manufaktur mengintegrasikan informasi digital canggih
teknologi ke berbagai bidang aplikasi manufaktur
industri. Dengan munculnya Industri 4.0, berbagai aspek produksi manufacturing
dan proses penciptaan nilai dan bisnis
model telah mengalami perubahan yang luar biasa. Perusahaan manufaktur dari
semua ukuran di seluruh dunia terus berkembang ke arah
kecerdasan, dan merumuskan digital yang wajar dan efisien
strategi akan terus meningkatkan keunggulan kompetitif mereka.
Dengan perkembangan lebih lanjut dari penyimpanan data dan teknologi
analisis, analisis berbasis data besar merupakan kekuatan pendorong yang penting untuk
menciptakan nilai utama industri manufaktur [14].
Metode pengambilan keputusan para pemimpin juga terus berubah,
mengandalkan terutama pada analisis data besar daripada pengalaman untuk membuat
nilai manufaktur lebih. Teknologi berbasis data besar menyediakan
prospek yang luas untuk industri manufaktur dan meletakkan dasar untuk
manufaktur berkelanjutan di masa depan [15], mempromosikan
praktik dan pengembangan Industri 4.0.
Dalam konteks persaingan saat ini, perusahaan tidak tertarik
hanya dalam memahami aspek teknis analitik data besar
(BDA) tetapi juga, dan semakin, dalam mempelajari cara mengeksploitasi
pengetahuan dan potensi penciptaan wawasan dari data yang mereka miliki,
dan untuk secara efektif menggunakan pengetahuan ini dalam strategi dan
pengambilan keputusan operasional dan proses inovasi. Data besar memiliki
sudah menjadi hotspot penelitian di bidang manufaktur cerdas.
[16] menyangkut interkoneksi antara data besar (BD) dan
inovasi bersama dan menggunakan BD sebagai perspektif umum analisis
serta konsep yang menggabungkan aliran penelitian yang berbeda (terbuka).
inovasi, kreasi bersama, dan inovasi kolaboratif). [17] menyelidiki peran Internet of
Things (IoT) dan Big Data dalam hal
tentang bagaimana bisnis mengelola transformasi digital mereka. [18]
menyampaikan pengakuan dan tantangan big data dan
microgrid, dan area peningkatan yang diringkas di microgrid
seperti peningkatan stabilitas, manajemen aset, energi terbarukan
prediksi, dan dukungan pengambilan keputusan. [19] menawarkan analisis
standar yang relevan untuk sistem manufaktur yang dibuat untuk cluster Platform
Manufaktur Digital (DMP) di
untuk mengidentifikasi standar-standar yang mungkin relevan untuk Zero
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
manufaktur cacat (ZDM), serta untuk proyek lebih lanjut atau
desainer platform manufaktur. [20] menyoroti bagaimana keandalan
dapat digunakan untuk mendukung berbagai jenis keputusan strategis dalam
konteks Industri 4.0 dan memperkenalkan perlunya penelitian yang mengaitkan
keputusan manajemen dengan teknologi Industri
4.0. Namun, sampai saat ini tidak ada tinjauan sistematis mengenai
hubungan antara pengambilan keputusan yang cerdas dan besar
data (BD) di bidang manufaktur. Kami bertujuan untuk mengisi celah ini, menunjukkan
bagaimana eksploitasi efektif kemampuan analitik data besar
(BDAC) sangat penting untuk menerapkan pengambilan keputusan yang sukses
dalam manufaktur cerdas.
Kontribusi utama dari makalah ini adalah sebagai berikut:
Artikel ini menyajikan gambaran sistematis tentang industri besar
data untuk pengambilan keputusan cerdas, dan memperkenalkan penerapan
teknologi berbasis data besar dalam kecerdasan
manufaktur.
Studi ini memberikan dasar analisis teoretis untuk teknologi yang digerakkan
oleh data besar untuk memandu pengambilan keputusan dalam manufaktur
manusia yang cerdas, yang sepenuhnya menunjukkan kepraktisan teknologi
yang digerakkan oleh data yang besar dalam industri manufaktur yang cerdas,
termasuk keuntungan utama dan motivasi internal.
Makalah ini mengedepankan kerangka kerja analisis keputusan cerdas
berdasarkan teknologi berbasis data besar industri dan memperkenalkan
konsep desain inti kerangka kerja ini.
Metode ini mengembangkan manufaktur cerdas baru
paradigma, yang berfokus pada persepsi dinamis real-time dan
pengambilan keputusan yang akurat berdasarkan analisis berbasis data besar di
lingkungan manufaktur.
Artikel ini bertujuan untuk memperkenalkan peran teknologi big data-driven di
bidang pengambilan keputusan yang cerdas di
manufaktur.
Sisa dari makalah ini disusun sebagai berikut: Bagian 2 menyediakan
ikhtisar data besar industri untuk pengambilan keputusan dalam manufaktur
cerdas. Penerapan kecerdasan berbasis data besar
manufaktur dibahas dalam Bagian 3. Bagian 4 menyajikan
tantangan data besar industri dalam manufaktur cerdas. Bagian 5, kerangka
konseptual pengambilan keputusan cerdas
analisis berdasarkan teknologi big data-driven industri diusulkan. Akhirnya,
kesimpulan dan penelitian masa depan ditarik dalam
Bagian 6.
2. Ikhtisar data besar industri untuk pengambilan keputusan
2.1. Arsitektur dan mekanisme komponen yang digerakkan oleh data besar
platform
Pada tahap ini, sistem akuisisi data, Internet of Things dan
Sistem Cyber-fisik diterapkan pada proses industri. Besar
jumlah data yang dikumpulkan dan disimpan dalam database industri.
Oleh karena itu, skala seluruh data industri terus menerus
berkembang dan telah memasuki era big data. Umumnya, sebagian besar data
proses terdeteksi dan diperoleh di lingkungan yang bising, yang
menunjukkan bahwa data yang terdeteksi akan terpengaruh oleh derau acak
lingkungan. Dalam proses industri, data input dari model prediksi seringkali
merupakan data proses yang diperoleh dengan rapid sampling,
dan output biasanya merupakan variabel faktor kritis kualitas.
Namun, pada kenyataannya, hanya beberapa set data dalam proses industri
ditandai, dan sebagian besar data sering hilang tanda. Data tidak berlabel ini juga
dapat berisi sejumlah besar informasi proses,
yang akan memberikan kontribusi penting untuk pemodelan. Ke
mengatasi masalah ini, beberapa organisasi menerapkan
metode pemodelan semi-dipantau ke dalam data proses industri
analisis, memaksimalkan nilai semua data yang diperoleh, termasuk
3
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
data yang ditandai dan tidak berlabel. Namun, serangkaian metode pemodelan,
seperti semi-supervised probabilistic principal component regression (SSPPCR),
terbatas pada kumpulan data kecil dan tidak cocok untuk
kumpulan data besar yang meningkat setiap hari. Kerangka kerja MapReduce
digunakan untuk menangani pemodelan paralel terdistribusi dari
prediksi kualitas data besar industri. SSPPCR tradisional
model dikerahkan pada kerangka MapReduce melalui pelatihan, pembelajaran,
dan pengambilan keputusan dari model paralel terdistribusi
[21]. Metode pemodelan paralel terdistribusi ini memiliki banyak
keunggulan dalam prediksi kualitas data besar. Bisa juga diperpanjang
ke banyak kumpulan data skala besar real-time yang perlu diproses.
Manufaktur intelijen adalah teknologi yang memanfaatkan mesin dan alat yang
saling terhubung untuk mengoptimalkan kinerja manufaktur [12].
Dari perspektif inklusivitas, model inklusif dari
produksi dan konsumsi dapat diartikan sebagai fungsional
redistribusi, yang menunjukkan redistribusi fungsi
antara perusahaan dan pemangku kepentingan. ''Redistribusi" berarti bahwa
konsumen menunjukkan partisipasi yang lebih tinggi dalam desain dan produksi
proses. Tujuh persyaratan proses pemrosesan data besar di:
bidang manufaktur dikemukakan [22]:
Menyediakan metode yang dapat diperluas untuk mendistribusikan dan mengonfigurasi sensor
peralatan selama proses manufaktur, dan menyimpan
data dalam proses dan model deskriptif.
Menyediakan metode untuk mendeteksi dan memecahkan masalah kejadian/
metode produksi man ufacturing yang canggih di sensor yang digunakan
aliran data.
Menyediakan metode untuk menyimpan data waktu nyata, dan melakukan
analisis korelasi pada kumpulan data besar dan aliran data sesuai dengan
dimensi tertentu.
Menyediakan metode untuk menyesuaikan dan beradaptasi dengan model prediksi peristiwa
yang kompleks secara terus-menerus.
Berikan metode membuat prompt alarm sebagai
respon deviasi yang diharapkan terhadap target produksi/manufacturing yang
direncanakan berdasarkan analisis perhitungan.
Memberikan saran dan metode pengambilan keputusan otomatis untuk
mengurangi kesalahan produksi produksi.
Menyediakan metode untuk secara aktif beradaptasi dengan proses produksi
berdasarkan perhitungan dan analisis.
Karena globalisasi dan meningkatnya permintaan untuk batch kecil
produk yang disesuaikan, kegiatan operasi manufaktur adalah
menjadi semakin tersebar. Banyak bentuk manufaktur
penelitian tampaknya berorientasi pada layanan. Untuk meningkatkan bisnis
efisiensi kerjasama perusahaan manufaktur dan mempersingkat
siklus pengembangan produk, Lu et al. [23] membahas beberapa tantangan
dalam mengembangkan peralatan manufaktur berbasis cloud dan
teknologi pendukung. Ini mengusulkan arsitektur sistem umum
peralatan manufaktur berbasis cloud di bawah sistem produksi fisik Cyber dan
analisis data besar. Arsitektur ini
menghubungkan peralatan manufaktur ke cloud untuk menyediakan layanan
manufaktur sesuai permintaan yang dengan mudah menyesuaikan dan
mengoptimalkan output untuk memenuhi kebutuhan target. Kerangka konseptual dari big
analisis data dikembangkan untuk menganalisis dampak data besar pada
redistribusi manufaktur [24], menciptakan nilai bersama, dan
membuat rantai nilai manufaktur lebih inklusif. Di era
data besar, pengambilan keputusan manajemen rantai pasokan adalah
semakin didorong oleh data daripada pengalaman tradisional. SEBUAH
arsitektur distribusi data terdesentralisasi diterapkan [25],
yang menggunakan paradigma komputasi kabut untuk meningkatkan potensi
ketersediaan data. Rekayasa ujung ke ujung dari seluruh produk
siklus hidup mengacu pada mengintegrasikan dan mendigitalkan data yang dihasilkan
di setiap tahap siklus hidup produk untuk menciptakan pengetahuan baru
terkait dengan kehidupan produk [26], yang melibatkan proses pengambilan
keputusan dari produksi hingga pasokan dan operasi.
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
2.2. Pemrosesan data besar industri
2.2.1. Sumber data besar industri
Semua data besar industri dalam siklus hidup produk mencakup produk
desain, manufaktur, rantai pasokan, pemasaran, dan pelanggan
masukan. Menurut sumber data, data besar industri adalah
dibagi menjadi data sistem (data yang dihasilkan dari berbagai perusahaan
sistem informasi) dan data IoT (data ditangkap oleh sensor, seperti:
sebagai pembaca identifikasi frekuensi radio dan pembaca barcode). Itu
sumber utama data besar industri ditunjukkan pada Gambar. 2. Sensor
penyematan di perangkat pintar mengumpulkan sejumlah besar industri
memproses data tentang peralatan lantai toko dan status produk. Itu
industri manufaktur sering mewakili lingkungan produksi dan operasi dengan
data yang makmur [26], yang terus menerus
menghasilkan data yang semakin kompleks dalam proses manufaktur. Namun,
pemimpin hanya menggunakan sebagian kecil dan tidak memaksimalkannya
seluruh fungsi sistem nilai data. Ada banyak sumber
big data, seperti aplikasi e-commerce, catatan belanja, transaksi perbankan,
jejaring sosial, perangkat jaringan, dan sensor,
dll. Pada tahap ini, produk biasanya dilengkapi dengan sensor dan
chip penginderaan terkait, yang nyaman untuk melaporkan status waktu nyata
produk ke produsen atau pelanggan untuk
bersama-sama menciptakan Internet of Things (IoT). Di banyak lingkungan
manufaktur canggih, sumber data ditransmisikan ke pengambil keputusan
hampir secara real-time dan memberikan lebih banyak peluang untuk
mengetahui mode operasi potensial perusahaan setiap saat,
yang nyaman untuk membuat keputusan real-time [27]. Data besar
di bidang manufaktur biasanya mengacu pada data besar yang dihasilkan dari
siklus hidup produk [28], termasuk desain, produksi, dll
sumber data di bidang manufaktur biasanya dibagi menjadi aspek-aspek berikut:
Data sumber daya manufaktur: data kinerja real-time dari
perangkat pintar yang dikumpulkan melalui Internet industri
Hal teknologi, data produksi dalam sistem pelayanannya.
Sistem manufaktur dan data bantuan komputer termasuk produk
desain, konfigurasi pesanan, alokasi material, produksi
perencanaan, manajemen bisnis, dll.
Data internet: Buka situs web seperti sosial pemerintah publik
situs layanan, platform e-commerce (Wal-Mart, Amazon, dll.),
platform jejaring sosial (YouTube, Facebook, Twitter, dll.).
Gambar 2. Sumber big data industri.
4
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
Biasanya, sejumlah besar data mentah industri tidak banyak digunakan
secara praktis. Data asli memiliki multi-sumber, heterogen, multi skala,
kebisingan tinggi, dan karakteristik lainnya harus diproses dan
dianalisis untuk ekstraksi nilai. Pertama, kumpulkan data dari sumber data
dengan berbagai cara, seperti API (Application Programming Interface),
Perayap Web, IoT (Sensor Cerdas dan RFID), lalu menambang dan
menganalisis data real-time dan historis melalui serangkaian teknologi informasi
baru (seperti pembelajaran mesin, pembelajaran mendalam,
dll.). Analisis data besar industri dapat memainkan peran utama dalam
konsep manufaktur cerdas hanya ketika transit dari
terstruktur, mode statis dan terpusat ke terstruktur campuran,
mode dinamis dan terdistribusi [29]. Data penjelajahan membutuhkan
analisis data tingkat lanjut, dan pengetahuan informasi dapat
diekstraksi dari data besar melalui analisis lanjutan [30], metode,
dan alat seperti pembelajaran mesin dan model prediktif. Dalam manufaktur
cerdas, pengetahuan informasi manufaktur berasal dari analisis data besar
industri, dan
karakteristik analisis data meningkatkan daya saing manufaktur di pasar global.
2.2.2. Akuisisi dan transmisi data besar
Dengan pertumbuhan berkelanjutan dan peningkatan pabrik modern,
banyak data yang merekam proses manufaktur historis
ditangkap dan disimpan oleh sejumlah besar sensor untuk dijelaskan
proses perilaku manufaktur masa lalu. Biasanya dianalisis dan
dievaluasi dengan teknologi pemantauan proses canggih untuk menjelaskan
informasi perkembangan tren proses manufaktur historis kepada para insinyur.
Namun, teknologi pemantauan terbaik
proses perlu memilah data dan mengelompokkannya ke dalam kelas
sebelum menganalisisnya. Dibutuhkan banyak sumber daya untuk membuat ini
kelompok data terklasifikasi. Hanya status kesalahan yang dapat ditemukan sebagai hasilnya
eksekusi, yang tidak memiliki pemahaman tentang manufaktur
proses. Penelitian terkait dilakukan pada menara pemisahan industri [31]. Tren
proses penting dari data manufaktur berdimensi tinggi dan multivariat dijelaskan
dengan algoritma pengelompokan data dan ekstraksi fitur. Bevilacqua
dkk. [32] bertujuan untuk mengintegrasikan informasi pabrik yang ada
sistem dan manajemen energi berbasis IoT, arsitektur analitik data
dikembangkan untuk mengumpulkan data dari berbagai sumber untuk
meningkatkan pengambilan keputusan yang sadar energi, pendekatan yang diusulkan
mendukung pengembangan pabrik cerdas dari perspektif energi dengan
meningkatkan efisiensi peralatan secara keseluruhan dan produktivitas
peralatan mesin dalam manufaktur.
Pengumpulan data untuk tingkat perincian yang berbeda, sadar konteks
analisis data, dan evaluasi berdasarkan data historis dan real-time
[26]. Data perkiraan keluaran memicu koordinasi diri sistem
mekanisme untuk memainkan fungsi konfigurasi ulang/alokasi dan
penyesuaian diri untuk mengurangi frekuensi kegagalan manufaktur
acara. Penyimpanan data dan akuisisi informasi sangat penting bagi perusahaan.
Saat pengguna menyimpan dan menggunakan data, mode usia penyimpanan
data yang didukung oleh penyedia penyimpanan jelas dan intinya
teknologi biasanya tidak bocor. Namun, layanan penyimpanan ini
seringkali tidak cukup aman. Itu mudah dipengaruhi oleh banyak faktor, seperti
seperti hak akses, kegagalan perangkat lunak, dan perangkat keras serta ketidakstabilan
sistem, yang mengakibatkan keruntuhan dan kerugian ekonomi akibat penyalahgunaan data. Itu
masalah yang terkait dengan kerahasiaan dan keamanan data menarik
semakin banyak perhatian dari personel terkait. Berulang
Residual Number System (RRNS) digunakan untuk membagi file data pengguna
menjadi beberapa blok yang dapat direplikasi dan mendistribusikannya secara paralel ke
penyedia penyimpanan multi-cloud hybrid (cloud pribadi, publik
cloud, dan hybrid cloud) penyedia penyimpanan [33]. Karena setiap awan
penyedia penyimpanan tidak dapat membangun kembali dan membagi data
yang diunggah, sistem merupakan jaminan penting dari keandalan replikasi data
penyimpanan. Ini menjamin privasi dan kerahasiaan data melalui data
strategi kebingungan dan enkripsi. Dalam proses prediksi
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
pemodelan data sensor, karena kebisingan data ini, mungkin ada
menjadi masalah seperti transmisi data, kesalahan pengukuran, deteksi teknis, dan
sebagainya. Metode deteksi anomali biasanya digunakan untuk memantau data
abnormal yang menyimpang dari
tren yang diharapkan. Metode semi-diawasi digunakan untuk menangani kehilangan
dan data yang tidak ditandai. Namun, metode ini tidak cocok untuk
deteksi anomali online, dan tidak dapat memecahkan masalah kehilangan data dan
kebisingan secara real-time. Corizzo dkk. [34] memberikan
kerangka kerja deteksi anomali data real-time online dan novel
strategi deteksi anomali. Pertama, pembuat enkode otomatis bertumpuk
dilatih dengan data standar, dan proyeksi data uji di
encoder dibandingkan dengan data standar terdekatnya. Metode
berdasarkan deteksi jarak dan pembelajaran dinamis dapat mewujudkan
deteksi anomali data multi-target, prediksi nilai target
variabel dan rentang waktu target, dan temukan posisi sumber data
secara real-time. Industri generasi baru mengandalkan data besar untuk ditingkatkan
efisiensi kerja. Node pintar mengumpulkan data besar dan mengirimkannya ke
awan secara nirkabel. Namun, ukuran smart node terbatas.
Kong dkk. [35] mengusulkan koleksi berbasis penginderaan tekan
kerangka kerja untuk mengurangi konsumsi energi, yang dapat meminimalkan
jumlah koleksi sambil memastikan kualitas data dan
produktifitas.
2.2.3. Penyimpanan dan analisis data besar
Industri manufaktur sering mewakili produksi dan
lingkungan operasi dengan data yang makmur, yang terus menerus
menghasilkan data yang semakin kompleks dalam proses manufaktur. Pada
kenyataannya, pemimpin hanya menggunakan sebagian kecil dan tidak
memaksimalkan sistem nilai data secara keseluruhan. Analisis dan evaluasi
data yang diekstraksi langsung dari bengkel mungkin menyimpang,
langkah-langkah harus diambil untuk mencegah kondisi abnormal secara efektif,
dan intervensi manusia dipicu melalui mekanisme koordinasi diri atau alarm untuk
mengembalikan eksekusi normal
[26]. Kecerdasan sistem manufaktur bergantung pada
kemampuan untuk mengumpulkan dan menganalisis data besar. Analisis data besar
dapat meningkatkan layanan pelanggan, meningkatkan kualitas produk, dan menciptakan
nilai lebih bagi perusahaan.
Kemampuan pengambilan keputusan big data secara langsung menentukan kualitas
dari pengambilan keputusan manufaktur. Metode kuadrat terkecil adalah
digunakan untuk menguji pengaruh kemampuan pengambilan keputusan big data terhadap
kualitas pengambilan keputusan [36]. Hasil penelitian menunjukkan bahwa analisis big
data merupakan prasyarat penting untuk kemampuan pengambilan keputusan big data.
Analisis data besar mengacu pada proses pengumpulan, pengelolaan,
pemrosesan, analisis, dan visualisasi. Data dikumpulkan dengan penyimpanan
tempo rary dan persisten di bawah teknologi big data-driven di
sistem manufaktur jaringan [37]. Pengambil keputusan data besar
dapat membuat keputusan berdasarkan "informasi pengetahuan yang diketahui"
alih-alih ''imajinasi mereka'' dan tingkatkan dan tingkatkan
sistem pengetahuan yang terbentuk [36]. Efektivitas kualitas keputusan dapat
dianalisis dan dievaluasi oleh kepuasan pembuat keputusan
derajat untuk mencapai hasil yang diharapkan. Data besar adalah istilah yang digunakan untuk
menggambarkan volume besar baik terstruktur dan tidak terstruktur
data yang terlalu besar sehingga sulit untuk diproses menggunakan database
konvensional dan teknik perangkat lunak. Meskipun Big Data ada di
tahap awal, itu telah sangat mengubah setiap sektor di
industri. Itu juga telah mengubah Manajemen Rantai Pasokan
memberinya dimensi baru dengan meningkatkan efisiensi produksi
dan optimalisasi operasi. Teknologi Delphi digunakan untuk
mengidentifikasi masalah terkait manajemen rantai pasokan dan
memecahkan masalah ini dengan mengintegrasikan analisis data besar [38]. Itu
popularitas data besar umumnya dianggap sebagai suplemen untuk
proses manajemen di berbagai industri. Analisis data besar
dapat meningkatkan kemampuan strategis operasional dan perusahaan, seperti:
sebagai analisis bisnis, manajemen rantai pasokan, dan proses industri, dan menjadi
vital dalam manajemen rantai pasokan [39]. Pemantauan proses waktu nyata
terintegrasi dengan sensor IoT dan data besar
5
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
analisis, Shah et al. [40] mengembangkan model prediksi berbasis data
menggunakan representasi domain frekuensi dari sinyal getaran untuk
menyimpulkan variabel pemantauan proses kunci.
Analisis sejumlah besar data manufaktur dapat
memperluas basis pengetahuan dan meningkatkan pengambilan keputusan untuk
tahap manufaktur yang berbeda [29]. Analisis data besar meningkat
layanan pelanggan dan kualitas produk dan menciptakan nilai lebih untuk
perusahaan [27]. Kualitas pengambilan keputusan berdasarkan data
tidak hanya bergantung pada data itu sendiri tetapi juga terkait erat dengan
proses akuisisi dan analisis data. Hanya menggali yang asli
hubungan tersembunyi dalam data dapat memainkan peran penting dalam
industri manufaktur [36]. Alat penambangan data adalah alat yang efektif
metode untuk menganalisis dan memproses data untuk mengakses semua situs
data untuk analisis multidimensi dan pendukung keputusan [41]. Integrasi data
memperluas dimensi kumpulan data, terutama untuk menetapkan struktur data
standar guna memfasilitasi pemrosesan. Ketika aspek
data yang dihasilkan oleh proses manufaktur meningkat tajam,
memproses kumpulan data besar dalam rentang waktu yang dapat diterima adalah yang utama
fokus analisis data besar. Model pabrik berbasis data bersama adalah
diterapkan untuk menangani data besar produksi industri [42]. Model ini
mencakup pengambilan data, transmisi, integrasi, penyimpanan, dan
proses analisis. Prinsip dasarnya adalah untuk mempromosikan pertukaran data
antara penyedia data dan pengguna data, menganalisis data dengan pemrosesan
batch secara terdistribusi, dan berkomitmen pada interoperabilitas data
dan standardisasi. Data besar industri, entah bagaimana terorganisir
melalui analitik, dapat menjadi sumber daya yang berharga bagi perusahaan untuk
menciptakan nilai. Analisis informasi data besar secara bertahap
menjadi fokus strategis perusahaan. Dalam lingkungan intensif data yang cukup
besar, keputusan para pemimpin, dan organisasi eksternal untuk membangun
jaringan kolaboratif memiliki dampak positif pada
kinerja perusahaan [43]. Analisis data besar juga tidak berwujud
sumber. Itu tidak lagi memandu pekerjaan berdasarkan pengalaman dan intuisi tetapi
merupakan semacam kemampuan untuk mengembangkan, mengeksplorasi, mengumpulkan, berbagi,
dan mengubah informasi dan pengetahuan untuk memandu pengambilan keputusan.
Merangsang lebih banyak kreativitas dan kreativitas pengambilan keputusan
pemikiran, dan tujuan strategis menggunakan alat data besar secara efektif
akan menciptakan keunggulan kompetitif yang berkelanjutan bagi perusahaan.
2.2.4. Penambangan dan visualisasi aturan pengetahuan data besar
Salah satu tantangan utama analitik data besar adalah visualisasi hasil untuk
mendukung pengambilan keputusan di semua tingkatan dalam
industri manufaktur [29]. Keputusan tingkat tinggi biasanya
dibuat dalam situasi yang tidak pasti berdasarkan pengalaman pemimpin
dan pengetahuan [44], meninggalkan celah yang signifikan dalam ruang untuk menjadi
dibuat. Kemampuan perusahaan untuk beradaptasi dengan perubahan pasar
menghalangi perkembangan ekonomi pasar. Dinamika dan
fleksibilitas industri manufaktur meningkatkan daya saing mereka, dan evolusi
konstan jaringan manufaktur
struktur juga merupakan tantangan yang cukup besar. Asal usulnya
tugas pengambilan keputusan adalah internet manufaktur, industri
proses manufaktur, dan alokasi sumber daya yang rasional, membutuhkan persiapan
penuh, analisis logis, dan pengembangan berkelanjutan
skema evaluasi real-time untuk membuat keputusan yang efektif.
Elemen kunci dari Industri 4.0 adalah pengumpulan, evaluasi,
dan analisis kuantitatif data industri. Saat ini, digital
peralatan manufaktur cerdas dan produksi otomatis
lini telah banyak diperkenalkan ke perusahaan manufaktur produk yang kompleks
[45]. Secara umum, karena biayanya yang tinggi
akuisisi data, metode akuisisi data dinamis real-time di beberapa lingkungan
produksi yang sangat kompleks sebagian
terbatas pada teknologi RFID (Radio Frequency Identification), yang
tidak dapat mengevaluasi proses produksi secara real-time dan efisien,
dan butuh waktu terlalu lama untuk mengandalkan database real-time. Itu
metode pengumpulan data multi-mode diadopsi untuk menebus
keterbatasan teknologi semi-otomatis tradisional [46]. Di
proses produksi, konsep digital twin (DT) diambil
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
untuk membuat sistem entitas produksi dan sistem analog-digital
pasangan secara setara, kurangi waktu tunda transmisi informasi, pastikan
konsistensi dan kesatuan proses, dan izinkan
kontrol produksi waktu nyata untuk meningkatkan transparansi visual
informasi untuk mendukung penuh rencana produksi strategis dan
rencana operasi perusahaan.
2.3. Desain dan implementasi sistem berbasis data besar
dalam manufaktur cerdas
Sistem data besar biasanya terdiri dari enam subsistem yang diperlukan:
generasi data, akuisisi data, transmisi data, pengolahan data, penyimpanan, dan
metode analisis [14]. Pabrik cerdas baru
kerangka kerja dengan fungsi agen independen dan integrasi
umpan balik dan koordinasi analisis data besar diselidiki
[47]. Kerangka kerja secara organik menggabungkan jaringan industri,
cloud dan terminal pengawasan dan kontrol dengan objek bengkel kerja cerdas
(mesin, konveyor dan produk, dll.), dan membagi
pemodelan objek cerdas menjadi empat jenis agen, proses
bekerja secara efisien melalui pengambilan keputusan otonom dan
mendistribusikan kerja sama di antara agen, mendefinisikan koordinator pusat
di cloud untuk umpan balik dan koordinasi, dan mengusulkan mekanisme
negosiasi yang cerdas untuk memfasilitasi kolaborasi antar-lembaga. Empat
strategi pelengkap dirancang untuk meningkatkan
pengambilan keputusan agen dan perilaku koordinator untuk mencegah
kebuntuan sistem. Untuk memverifikasi kelayakan dan efektivitas dari
mekanisme negosiasi yang diusulkan dan pencegahan kebuntuan
strategi, dua jenis simulasi pemrosesan produk
digunakan. Hal ini menunjukkan bahwa penerapan smart factory dapat
secara efektif menghindari kebuntuan yang disebabkan oleh jenis multi-operasi dan
agen multi-fungsi dan secara dinamis dapat menangani berbagai jenis produk.
Namun, prototipe pabrik pintar tidak dibuat untuk
mengoptimalkan kinerja sistem secara keseluruhan berdasarkan umpan balik di
seluruh sistem dan koordinasi untuk analitik data besar.
Karena big data sulit untuk dipelihara, diperluas, dan dikolaborasikan, tidak
mudah untuk mengontrol biaya operasi perusahaan yang berpartisipasi dalam
rantai pasokan, Lu et al. [48] mengembangkan empat tingkat
platform cloud yang dapat diperluas untuk mewujudkan layanan kolaboratif di
rantai pasokan, dan membangun model layanan kolaboratif dari
perspektif penjualan, pengadaan dan manufaktur dapat
mencapai pertukaran data, informasi dan pengetahuan, dengan demikian
meningkatkan daya saing perusahaan dan mengurangi biaya.
Meskipun telah memainkan peran penting di era Industri 4.0, Internet of Things
saat ini dihadapkan pada banyak tantangan pengumpulan data, untuk mengisi
celah ini, Ji et al. [49] disajikan heterogen
model penyerapan data perangkat untuk platform data besar industri. Empat
strategi kunci dari model yang diusulkan, yaitu pengindeksan data, data
sinkronisasi, pemotongan data, dan pemisahan data, digunakan untuk
mencerna data perangkat heterogen multi-tipe dan skala besar.
Model ini telah diverifikasi di platform big data industri kami.
Untuk mengimplementasikan Industri 4.0 dengan lebih baik, arsitektur yang mendasarinya
platform berbasis data besar berdasarkan CPS ditunjukkan pada Gambar. 3, yang
umumnya mencakup tiga karakteristik berikut [50]:
Integrasi horizontal melalui jaringan nilai: Mempromosikan kerjasama yang
efisien di antara perusahaan, dan membentuk yang efisien
sistem operasi melalui integrasi yang lancar dan mutual
korelasi.
Integrasi vertikal dan sistem manufaktur jaringan:
berarti pabrik yang sangat fleksibel, dapat dikonfigurasi ulang, dan cerdas.
Konfigurasi dinamis dari manajemen produksi, manufaktur, dan kontrol
diwujudkan melalui aktuator dan sensor.
Sejumlah besar informasi nilai data dikumpulkan dan diproses untuk
meningkatkan transparansi manufaktur
proses.
6
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
Gambar 3. Arsitektur dasar platform big data-driven berbasis CPS.
Rekayasa integrasi digital ujung ke ujung dari seluruh nilai
rantai: pengaturan integrasi vertikal adalah pabrik, yang mendukung
kustomisasi produk.
2.4. Model dan algoritme teknologi berbasis data besar industri
Analisis data besar bukanlah konsep baru. Itu berasal dari Internet
perusahaan seperti Google, Yahoo, Amazon, dan Netflix yang ingin
untuk meningkatkan kinerja rantai pasokan dengan menganalisis pasar
analisis kualitatif data besar, yang tidak digunakan dengan baik karena kurangnya
keahlian. Tabel 1 memberikan gambaran tentang pendekatan pada Big Data.
Analisis data besar di industri manufaktur terutama digunakan
untuk menangani data yang sangat besar dalam berbagai kegiatan manufaktur,
yang secara dramatis melampaui pemrosesan data konvensional
kemampuan sistem. Analisis data besar menjadi semakin
populer di kalangan perusahaan manufaktur [60]. Ini menantang
untuk mengumpulkan data tidak terstruktur, yang biasanya berasal dari internet
Inter, log peristiwa, komunikasi sosial multimedia, dll. dan kebutuhan
inovatif, teknologi praktis untuk menangkap, memproses, dan mengelola
mereka. Vafeiadis dkk. [61] menggunakan teknik dan metode terbaru
mulai dari analisis data besar, pembelajaran mendalam, dan prediksi. Kebanyakan
bengkel manufaktur menggunakan sensor yang sama, dan mereka menyediakan
data serupa di bengkel virtual. Sistem pendukung keputusan adalah
dirancang untuk beradaptasi dengan lingkungan manufaktur. digital
model pabrik (DFM) mengintegrasikan informasi manufaktur
dan pengetahuan tentang produk dan mesin.
Untuk meningkatkan kemampuan manufaktur, [62] mengusulkan
metode interaksi komputer manusia cerdas berdasarkan non
sinyal EMG redundan. [63] mengedepankan kerangka kerja pembelajaran yang
mendalam untuk fusi multi-modal untuk menggenggam objek multi-target,
dan tingkat keberhasilan model ditingkatkan dengan menggabungkan
kotak kandidat multi-skala. [64] mengusulkan partikel yang dioptimalkan
filter menggunakan algoritma resam pling segmentasi bobot varians maksimum.
[65] mempresentasikan SMC berbasis TDE untuk mewujudkan
kontrol decoupling dari sistem robot luar angkasa multi-lengan. [66] menempatkan
meneruskan algoritma yang efektif untuk merencanakan konfigurasi sambungan
yang mendekati optimal untuk kandang pregrasping.
Kebutuhan dan manfaat potensial untuk penggunaan gabungan simulasi dan
data besar dalam manufaktur cerdas telah banyak
dikenali. [67] mengusulkan metode baru untuk optimasi desain kapal yang
didorong simulasi dan holistik di bawah ketidakpastian dalam skala besar
era data. [68] mengemukakan metode simulasi untuk sistem big data berdasarkan
model Markov dan sistem IoT. [69] memperkenalkan pemodelan hierarkis Baye
sian untuk ekspansi dimensi, yang
awalnya hanya dimodelkan menggunakan metode momen
Machine Translated by Google

C. Li, Y. Chen dan Y. Shang Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021

Tabel
1 Ikhtisar pendekatan pada Big Data.

Metode/Model Referensi Aplikasi Keterangan

Zhang Fuzzy DEMATEL (Laboratorium Uji Coba dan Sistem layanan produk Berikan beberapa nilai referensi untuk meningkatkan dan melengkapi arsitektur
dkk. Evaluasi Pengambilan Keputusan) manufaktur cerdas
[51]
Zhou dkk. Generative Adversarial Net-works (GAN) dan Lingkungan data besar industri Tingkatkan akurasi klasifikasi kesalahan
[52] dibantu oleh Gaussian Discriminant
Analisis (GDA)
Chitrakant Korelatif Naive berbasis serigala Cuckoo-Grey Klasifikasi data besar Lakukan klasifikasi untuk setiap sampel data berdasarkan tabel indeks
dkk. [53] Pengklasifikasi Bayes dan Model MapReduce probabilitas dan probabilitas posterior data
(CGCNB-MRM)
Madhu Pola fitur probabilistik (PFP) Integrasi dan pemanfaatan data yang efisien Mengindeks beberapa sumber data cluster terintegrasi yang heterogen
dkk. dan tidak terawasi
[54]
Alguliyev Indeks Davies-Bouldin Terapkan ke sistem pakar untuk membantu para Tetapkan bobot ke metode pengelompokan tunggal menggunakan fungsi
dkk. [55] ahli membuat keputusan kelompok berdasarkan utilitas kemurnian
beberapa alternatif
Badar dkk. Model prediktif dengan faktorisasi Sistem rekomendasi Big Data Model ini mampu secara signifikan mempercepat pelatihan yang
[56] matriks dan hutan acak didistribusikan, serta meningkatkan kinerja dalam konteks Big
Data
Yu dkk. Algoritma pengelompokan tipe-K Data objek matriks hibrid cluster Tentukan ukuran ketidakmiripan baru antara dua objek matriks numerik
[57]
Ada dkk. IDEaaS (Eksplorasi Data Interaktif Manajemen data besar Berikan representasi ringkasan dari aliran data yang dikumpulkan
[58] Pendekatan As-a-Service)
Jain dkk. Teknik Delphi Data besar dalam manajemen rantai pasokan Identifikasi masalah terkait Manajemen Rantai Pasokan dengan
[38] menggunakan teknik Delphi dan bertujuan untuk menyelesaikannya
dengan memasukkan Big Data Analytics
Zhuang Algoritma koloni lebah buatan Jadwal buka toko Mencapai hasil terbaik dalam masalah skala besar
dkk.
[59]

pendekatan dan perluasan dimensi gabungan dengan metode spektral
untuk memodelkan bidang spasial non-stasioner besar dengan cara yang
efisien secara komputasi. [70] mengembangkan sistem pendukung
keputusan, yang terdiri dari gudang data besar dan model simulasi. Yang
pertama menyimpan dan menyediakan data nyata yang terintegrasi ke
model simulasi, yang memodelkan bahan dan arus informasi masing-
masing. [71] mengembangkan model simulasi berbasis CAD baru untuk
pembuatan roda gigi spiral bevel dengan penggilingan wajah. Model ini
mencapai simulasi kinematik 3D dari proses penggilingan wajah dan
hobbing wajah, menghasilkan geometri chip padat yang tidak terdeformasi
serta geometri solid gigi yang disimulasikan dari pinion roda gigi spiral lebah buatan yang ditingkatkan [59]. Galletta dkk. [81] berfokus pada
bevel dan roda roda gigi spiral bevel sebagai output. [72] mempresentasikanprogram loyalitas pelanggan dan mengusulkan strategi pemasaran 'retensi'
model sumber panas volumetrik yang terdistribusi dengan baik untuk
simulasi numerik proses pembuatan aditif busur kawat. [73] mengedepankan
pendekatan simulasi-optimasi untuk perencanaan kapasitas manufaktur
adaptif di perusahaan kecil dan menengah. Pendekatan ini mencakup
jaringan saraf tiruan untuk simulasi model dan pengenalan hubungan
data, dikombinasikan dengan algoritme genetika untuk mengoptimalkan
konfigurasi sumber daya manufaktur. [74] mengembangkan model hierarkis
untuk menggabungkan ketidakpastian pengukuran referensi dan efek dari
ambang batas pencitraan yang berbeda untuk eksperimen dan simulasi.
[75] menyajikan metode stepping multi-waktu yang digabungkan secara
optimal untuk simulasi konduksi panas transien untuk pembuatan aditif.
Ini memungkinkan stabilitas numerik dari model langkah multi-waktu,
bahkan dengan bahan atau jerat yang berbeda di kedua sisi antarmuka
subdomain. [76] memperkenalkan kerangka kerja untuk penilaian berbasis
simulasi strategi pemeriksaan kualitas dan analisis efek klasifikasi
kesalahan pada sistem manufaktur secara keseluruhan berkaitan dengan
tokoh kunci yang dipilih.
Untuk memaksimalkan keuntungan, perusahaan menerapkan teknologi
cerdas untuk industri manufaktur tradisional. Kerangka layanan
berdasarkan peramalan berbasis data besar diusulkan [77], yang
mencakup lapisan persepsi informasi, lapisan aplikasi informasi, dan
lapisan layanan data besar. Kerangka kerja ini dapat mendukung
pengambilan keputusan untuk mengurangi biaya dan menyediakan
metode yang efektif untuk sistem produk-layanan. Meskipun ada banyak jenis luas dan lebih akurat ke dalam ruang keputusan yang dipertimbangkan.
data, jumlah data yang dihasilkan sangat besar, dan kecepatan
memperoleh data (big data) sangat cepat, kualitas big data jauh dari
sempurna [78]. Teknologi data mining dapat memodelkan,
mengklasifikasikan, dan menggabungkan sejumlah besar data dan
menemukan korelasi antar data [79]. Penggunaan analisis keputusan
optimal real-time untuk memecahkan masalah pengambilan keputusan
[80] meningkatkan kompleksitas dan volume data. Berbagai penelitian
sedang dilakukan ke arah ini untuk memenuhi tantangan data besar yang
kompleks. Model perencanaan linier hibrida dibuat untuk mencapai hasil
terbaik dalam database manufaktur skala besar melalui algoritma koloni
yang menggunakan perangkat lunak berbasis cloud sebagai model
layanan untuk menyimpan dan menganalisis data besar yang terkait
dengan pembelian dan tingkat produk untuk menyediakan pelanggan
dengan daftar produk yang direkomendasikan untuk memaksimalkan
pendapatan. Internet of Things membuat komputasi pervasif menjadi
konektivitas berbagai aplikasi yang disebarkan secara global dengan memperluas Inte
Agregasi data skala besar dari berbagai sumber, seperti Internet of
Things, media sosial, dan mesin pencari, telah memberikan organisasi
pemasaran bisnis-ke-bisnis kemampuan untuk menyediakan analisis
online dari pendekatan perencanaan untuk pengembangan bisnis. [83].
Jelajahi hubungan implisit antara data besar, pemasaran terprogram, dan
pemasaran keputusan dalam industri dengan mengandalkan teknologi
berbasis data besar. Sebuah fitur karakteristik penilaian analisis keputusan
multi-kriteria (MCDA) manufaktur berkelanjutan adalah keterlibatan
pembuat keputusan atau ahli (untuk berbagai derajat) (termasuk
mendefinisikan pentingnya atau "bobot" dari setiap standar). Namun,
biasanya biayanya tinggi.
Metode MCDA tipikal umumnya dilakukan untuk satu standar.
Kerugian terbesar adalah bahwa rentang analisis sensitivitas bobot
terbatas, dan sulit untuk menunjukkan "gambaran penuh" dari ruang
keputusan. Penyortiran kombinasi yang teratur dilakukan oleh empat
distribusi bobot yang telah ditentukan secara objektif menetapkan standar
[84]. Solusi ini menyediakan metode yang cepat, masuk akal, dan
sistematis untuk penambangan data dan memberikan wawasan yang lebih
7
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
Kombinasi komputasi seluler dan cloud mengedepankan a
paradigma komputasi awan mobile baru, Tawalbeh et al. [85] mengusulkan model
komputasi awan mobile hybrid yang berguna, yang menggabungkan konsep metode
terpusat dan kolaboratif, menggunakan
komputasi awan untuk analisis data besar. Model cloud hybrid dengan
simulator komputasi awan seluler 75% lebih tinggi dari model awan tradisional.
Sistem manufaktur berbasis Industri 4.0
ditandai dengan optimalisasi diri, belajar mandiri, dan pelatihan diri. Saat ini, mesin
cerdas canggih banyak digunakan
dalam sistem manufaktur. Penelitian ini memecahkan dua tujuan
masalah penjadwalan toko aliran acak dan membentuk model pemrograman integer
campuran dengan waktu pemrograman paling sedikit dan
waktu tunda sebagai pengoptimal yang sangat baik untuk memecahkan masalah [86]. Pada
pada saat yang sama, algoritme kembang api dan program percikan ledakan dibuat
untuk membantu para insinyur dan pemimpin membuat keputusan yang masuk akal dan
keputusan yang efisien. Namun, kerjasama dan kerjasama
model penjadwalan sistem manufaktur tidak secara menyeluruh
dianggap memenuhi spesifikasi standar sistem produksi Industri 4.0. Kerangka
konseptual analisis data besar adalah
dikemukakan dari perspektif siklus hidup produk, menciptakan konsep manufaktur
cerdas yang berkelanjutan [87].
Analisis data besar diharapkan memberikan kontribusi yang luar biasa untuk
pengembangan manufaktur cerdas dan mempromosikan
implementasi Industri 4.0. Pemantauan proses statistik
Metode (SPM) berdasarkan karakteristik proses atau fungsi diusulkan untuk
memfasilitasi pemrosesan terpusat dari berbagai data besar [88].
Analisis statistik waktu nyata dan pemantauan online dapat direalisasikan
analisis kecepatan tinggi, kerja sama otonom, koordinasi, dan
mekanisme dan strategi pengambilan keputusan. Konektivitas dan
respon model dianalisis [89]. Dengan mendirikan
model berbasis data yang akurat dan fleksibel untuk data unik, model baru
metode analisis berdasarkan analisis dan mesin pemrosesan data besar
algoritma pembelajaran disediakan. Kerangka kerja yang diusulkan bertujuan untuk
selesaikan fungsi threading dari lima mekanisme pembelajaran mesin
untuk masalah klasifikasi [90]. Indeks margin keuntungan per jam
digambarkan sebagai parameter kontrol proses target dalam proses
dari produksi industri. Metode kontrol tangkas diusulkan untuk
membantu membuat keputusan operasional yang lebih efektif [3]. Teknologi data
besar memiliki penerapan yang bagus di industri manufaktur, tetapi itu
kemajuan belum sepenuhnya dieksplorasi dalam banyak hal.
Ini adalah upaya pertama untuk menguji pengaruh data besar pada hasil perusahaan
manufaktur dengan mengintegrasikan pengambilan keputusan dan tes penilaian
[91]. Metode hibrida baru DEMATEL-ANFIS adalah
diusulkan untuk mengungkapkan pentingnya dan ketergantungan data besar pada
kinerja perusahaan manufaktur Malaysia. penelitian
mengungkapkan bahwa faktor teknologi big data (pendapatan yang dirasakan,
sumber daya teknis, kualitas dan integrasi big data, kompleksitas) memiliki
dampak terbesar pada kinerja perusahaan, dan merupakan salah satu pelopor
penggunaan metode DEMATEL-ANFIS dalam pembuatan data besar,
menyoroti potensi strategis data besar di bidang manufaktur untuk
sebagian besar. Untuk mengurangi tekanan persaingan yang dihadapi
oleh perusahaan, teknologi data besar membangkitkan perhatian perusahaan
untuk manajemen hubungan pelanggan. Semantik dan teks kabur
teknologi penambangan digunakan untuk mengklasifikasikan fitur data teks [92]. SEBUAH
model analisis teks baru diusulkan, yang nyaman untuk
pemimpin perusahaan untuk membuat keputusan pemasaran yang efisien. Fahmideh
dkk. [93] menerapkan metode analisis rintangan tujuan yang menggunakan informasi
yang tidak sempurna untuk memilih keputusan arsitektur, menggunakan logika fuzzy
analisis untuk menentukan peringkat arsitektur kandidat, dan akhirnya menemukan yang terbaik
struktur untuk memecahkan risiko yang tidak pasti. Untuk mewujudkan pengambilan
keputusan yang cerdas dan beradaptasi dengan variabilitas produksi konvensional
hierarki, pengambilan keputusan multi-kriteria yang lebih efektif dan
teknologi komputer banyak digunakan dalam strategi produksi.
Meskipun penelitian yang ada telah mengembangkan banyak metode pengambilan
keputusan multi kriteria baru (MCDM), para pemimpin menghadapi konflik
dalam standar pengambilan keputusan yang relevan setiap hari, Wu et al. [94]
8
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
mengembangkan skema verifikasi untuk memeriksa efektivitas
Metode MCDM, yang merupakan tujuan pengambilan keputusan dan studi
pengaruh variabel kontrol (seperti adanya praktik
solusi, metode normalisasi, metode agregasi dan interaksi dengan pengambil
keputusan) pada efektivitas multi-kriteria
pengambilan keputusan.
Manufaktur cerdas telah mendapatkan minat yang luar biasa dalam
penelitian dan industri dalam beberapa tahun terakhir. Selama hampir
periode waktu yang sama, pembelajaran mesin (ML) telah membuat fenomenal
kemajuan, menemukan jalan ke banyak aspek manufaktur. Penerapan
perkembangan terbaru di bidang kecerdasan buatan telah menjadi sangat umum
dalam aplikasi nyata
sistem pendukung keputusan. Sistem pendukung keputusan dapat terjadi
melalui penggunaan metode pembelajaran mesin untuk aplikasi yang berbeda [95].
Pembelajaran mesin (ML) adalah bagian dari kecerdasan buatan (AI) dan teknik
komputasi terapan dengan
kemampuan untuk memproses dan belajar dari data yang besar, kompleks dan
multidimensi, untuk membangun model prediktif [96]. Pembelajaran mesin memiliki
menjadi topik hangat di bidang pembuatan data besar industri, menyediakan banyak
alat yang berguna untuk memproses dan menganalisis
data mesin. Beberapa algoritma dan model pembelajaran telah
diterapkan dalam kasus teknik, seperti Support Vector Machine
(SVM), Naive Bayes (NB), K-nearest Neighbors (KNN), Keputusan
Pohon (DT), Regresi Logistik (LR), Jaringan Saraf Dalam (DNN),
Convolutional Neural Network (CNN) dan sebagainya. Dukungan vektor
mesin (SVM) adalah metode yang biasanya digunakan untuk biner
klasifikasi. [97] menganalisis kinerja dalam mendeteksi cacat internal, melalui
pelatihan dan pengoperasian Support Vector
Mesin (SVM) dengan informasi kontras termal yang diperoleh dari
Teknik Kompensasi Termal Latar Belakang dengan Penyaringan (BTCF).
[98] menganalisis data untuk produk cacat dengan Particle Swarm
Metode Optimasi (PSO) dan Nave Bayes Classifier. [99] menyediakan metode
kesamaan berbasis kNN (k-nearest neighbor) untuk
diagnosis proses yang cepat dan pemantauan kinerja proses.
[100] memberikan verifikasi dalam penerapan algoritma pembelajaran mesin
berbasis pohon keputusan untuk pemeliharaan yang optimal
pengambilan keputusan. [101] gabungan jaringan saraf dalam (DNN)
dan proses keputusan Markov (MDP) untuk pengiriman dinamis
dari sistem produksi re-entrant. [102] mengusulkan dinamika
mekanisme penjadwalan pengumpanan bagian untuk perakitan model campuran
garis berdasarkan jaringan saraf yang dimodifikasi dan basis pengetahuan.
[103] memperkenalkan MIGRATE (Pembelajaran mesin untuk Energi Cerdas),
kerangka kerja tiga langkah baru untuk memprediksi beban khusus mesin
profil melalui disagregasi energi, yang pada gilirannya digunakan untuk memprediksi
status aktivitas mesin dan produksi masing-masing
kapasitas. Pembelajaran mesin (ML) memainkan peran penting dalam
kelayakan manufaktur maju. Berbagai pembuatan ML
implementasi ada di bidang serupa termasuk kekasaran permukaan
prediksi [104], pembelajaran kontrol [105], optimasi parameter
[106], kelas optimal [95] dan prediksi distorsi [107]. Ini
algoritma kecerdasan buatan yang diusulkan menggambarkan potensi
metode pembelajaran mesin dalam aplikasi manufaktur.
Pembelajaran mesin (ML) telah menjadi topik yang menarik dalam proses
industri. Analisis data besar dan pembelajaran mesin dapat membantu sistem
pabrikasi memahami lingkungan, menemukan, dan mengidentifikasi
pengetahuan informasi, dan membuat keputusan secara otomatis.
3. Penerapan big data-driven dalam manufaktur cerdas
3.1. Pengambilan keputusan yang cerdas dan optimalisasi aliran proses
Analisis data besar dapat menciptakan peluang kompetitif baru dengan
mengekstraksi nilai yang berguna dan menghadirkan wawasan prediktif tingkat lanjut
ke dalam manajemen proses strategis, banyak digunakan dalam rantai pasokan
operasi seperti perencanaan permintaan, pengadaan, produksi,
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
persediaan, dan logistik [108]. Analisis data besar dapat meningkatkan sistem
manufaktur manusia dan membantu perusahaan membuat keputusan yang bijaksana, seperti:(MPC) adalah metode yang menarik dalam kontrol lanjutan dari proses percobaan
seperti peramalan produk, manajemen kinerja perusahaan, desain produk, layanan
pelanggan, dan sebagainya [109]. Data besar dapat digunakan
untuk meningkatkan efisiensi kerja sistem manufaktur penuaan.
Metode pengurangan dimensi hierarkis baru diusulkan
[110], dan pendekatan probabilistik berdasarkan jarak umum
pengukuran dikembangkan untuk mendeteksi dan menghindari kesalahan.
Pengenalan cacat dan teknik penjadwalan sangat penting untuk
strategi keputusan yang didorong oleh data besar dalam manufaktur cerdas.
[111] mengusulkan metode pengenalan intelli gent berbasis representasi (ESRIR)
yang ditingkatkan, yang melibatkan dua tahap
desain kamus terstruktur dan pengenalan cacat yang cerdas.
[112] melatih model pengenalan cacat presisi tinggi untuk mengenali cacat
permukaan dan dibuat untuk membagi permukaan komponen
dan menemukan cacat pada potongan permukaan komponen. [113] mengusulkan
metode pembelajaran semi-diawasi menggunakan metode convolutional
jaringan saraf untuk pengenalan cacat permukaan baja. [114] mengembangkan
metode pengenalan pola diagnostik kesalahan berdasarkan :
indikator kesehatan baru untuk manufaktur cerdas. [115] disajikan
metode baru pengoptimalan biaya untuk beban kerja data besar berbasis
pada penjadwalan dinamis dan penyetelan ukuran cluster. [116] diusulkan
algoritma penjadwalan yang efisien yang mengurangi biaya sumber daya
penggunaan di kluster Apache Spark yang diterapkan di cloud. [117] dikemukakan
penjadwal tugas sadar memori Spark dinamis (DMATS), yang
tidak hanya memperlakukan memori dan jaringan I/O sebagai komputasi
sumber daya tetapi juga secara dinamis menyesuaikan konkurensi saat
menjadwalkan tugas.
Untuk memahami proses manufaktur secara mendalam, perlu
untuk menggunakan banyak proses analisis data dan penggalian pengetahuan untuk
meningkatkan keamanan dan stabilitas proses, yang merupakan jaminan penting
untuk menciptakan produk berkualitas tinggi. Banyak diagnosis kesalahan dan
metode identifikasi berdasarkan data bergantung pada
pembelajaran "terawasi". Data keluaran perlu ditandai dalam
kelompok, termasuk prosedur normal, abnormal, atau operasi. Di
bengkel produksi yang sebenarnya, ini memakan waktu dan
tugas padat karya untuk menandai waktu nyata secara efisien dan akurat
data manufaktur karena lingkungan manufaktur yang rumit dan faktor interferensi
yang rumit [46]. Tidak diawasi
pembelajaran meliputi metode pengelompokan dan pengurangan dimensi,
yang memiliki fungsi pengelompokan otomatis. Ini mengekstrak informasi proses
penting dari klaster data besar industri melalui
penambangan data, mengidentifikasi pengetahuan informasi untuk mempromosikan
pengambilan keputusan manajemen, dan melaksanakan tugas-tugas manufaktur di
mode operasi paling sederhana. Proses ini dapat dijelaskan kekuatan sepenuhnya.
Cara membuat keputusan keselamatan yang efektif selalu menjadi topik hangat
topik dalam manajemen keselamatan. Data Terkait Keselamatan (SRD) adalah yang paling
aset berharga Pengambilan Keputusan Keselamatan (SDM) [118], yang
menjaga keamanan komponen sistem dan memainkan peran penting
peran dalam mempromosikan pembangunan berkelanjutan industri. Dalam
proses desain produk mekanis tradisional, produk memiliki persyaratan kinerja dan
banyak persyaratan ekonomi, seperti:
biaya produksi, laba operasi dan penjualan, dan
ketidakpastian dalam banyak kasus [119]. Perusahaan manufaktur biasanya
menggunakan data real-time heterogen multi-sumber untuk analisis,
seperti analisis asosiasi, analisis prediksi, analisis cluster,
dan penemuan pengetahuan, dll. [120], yang membantu pengambil keputusan
mendapatkan wawasan dan inspirasi baru.
Identifikasi awal cacat manufaktur dan pengerjaan ulang tepat waktu
dalam lingkungan produksi multi-tahap yang kompleks akan menghindari
pemeliharaan berulang selama periode berikutnya. yang dapat diperluas
sistem pendukung keputusan hibrida (DSS) dikembangkan [121]. Dia
menggabungkan sistem dengan aplikasi untuk menganalisis secara visual
data karakteristik proses manufaktur dan mengintegrasikan
data yang terus meningkat dari departemen industri. yang cepat
pertumbuhan informasi mendesak perusahaan untuk mencari strategi baru
9
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
untuk revolusi industri [122]. Kontrol Prediktif Model
industri, yang mengekspresikan perilaku sistem dan merencanakan
urutan kontrol terbaik berdasarkan model matematika yang dikenal.
Namun, metode ini tidak representatif dalam praktiknya. Di bawah beberapa
gangguan tak terduga dan kebisingan acak, analisis data
metode dan pembelajaran mesin biasanya diadopsi untuk melengkapi
satu sama lain, dan model prediksi data yang tidak diketahui dibuat dengan
menyesuaikan data historis, yang nyaman untuk membagi
ketidakpastian menjadi bagian yang diketahui dan bagian kesalahan acak dan
membangun kumpulan data ketidakpastian. Pengambilan keputusan berbasis data adalah
paradigma yang muncul [44]. Sementara analitik data besar sedang dibentuk kembali
industri manufaktur, sebagian besar pendekatan berbasis data
belum digunakan secara efisien dalam praktek. Analisis sederhana
dan presentasi tidak bisa menyelesaikan semua masalah dan tantangan yang dihadapi
kita sekarang atau di masa depan. Perlu untuk mempertimbangkan dan menganalisis
interpretabilitas model berbasis data sebagai faktor utama dalam mendukung
aplikasi industri praktis. Kekebalan yang cerdas
sistem berdasarkan data besar dikembangkan [123], dan smart
mekanisme kekebalan dirancang untuk beradaptasi dengan proses dinamis
dan perubahan kondisi sistem pemrosesan. Pemantauan real-time dari kondisi
manufaktur yang tidak normal memicu
algoritma penjadwalan ulang, yang telah dilakukan melalui pelacakan,
mempelajari dan mengoptimalkan proses siklus hidup produk untuk mencapai
optimalisasi produksi dan efisiensi energi. Itu berhasil
tujuan optimasi output hemat energi multi-tujuan.
Analisis data besar mengacu pada proses menemukan potensi
nilai dari data besar [124]. Meningkatnya data di industri
proses manufaktur menunjukkan bahwa era big data secara bertahap merambah
bidang industri. Sanders dkk. [125] diterapkan a
kerangka implementasi berbasis pelajaran dan memajukan pasokan
rantai melalui analitik data besar. Analisis data besar khususnya
penting dalam pasar yang dinamis dan kompetitif [126]. spasial
skala dan kompleksitas fungsional dari proses produksi industri modern meningkat
pesat. Proses produksi sering
dipengaruhi oleh gangguan dan kegagalan, yang menyebabkan abnormal
acara. Oleh karena itu, perlu untuk membuat keputusan yang fleksibel dalam
real-time untuk menghadapi berbagai situasi kompleks di eksternal
lingkungan. Era data besar saat ini telah menyaksikan luas
aplikasi analisis data dalam industri proses [44], dari aplikasi pasif dalam kontrol
proses (pemantauan proses dan transfer sensing) hingga aplikasi aktif (kontrol
optimal dan
pengambilan keputusan lanjutan). Aplikasi pasif bertujuan untuk membantu
orang mengamati dan memanipulasi proses peralatan proses
efisien. Sebaliknya, aplikasi aktif cenderung bertindak dan membimbing
proses industri melalui pengambilan keputusan secara langsung dan memiliki
dampak positif pada hasil yang ditargetkan. Pemeliharaan prediktif
proses ini terutama untuk mendapatkan waktu terbaik untuk pemeliharaan peralatan
melalui simulasi [32], sehingga memastikan pengoperasian peralatan yang efisien
dan mendapatkan manfaat hasil tertinggi dalam batch
produksi.
3.2. Diagnosis kesalahan dan kompensasi pemeliharaan prediktif
Analisis data besar telah digunakan untuk mengekstrak informasi yang cukup
dan mendapatkan manufaktur cerdas yang efisien. Pemrosesan
metode dan formula dipilih sesuai dengan pengalaman, jadi
efisiensi diagnosis cacat dan deteksi kesalahan dalam pembuatan produk sangat
rendah. Untuk menutupi kesenjangan ini, Bumblauskas et al.
[127] mengembangkan dua model analisis keputusan cerdas untuk memprediksi
kegagalan bagian tertentu, dan menciptakan sistem yang dapat memberikan
dukungan keputusan bagi pengguna dan meningkatkan siklus hidup produk.
Pengelolaan komponen penting dalam sistem produksi ditujukan untuk menangani
komponen dengan keandalan yang sangat rendah atau dengan risiko tertinggi, yang
menyebabkan gangguan produksi. SEBUAH
metode untuk mengidentifikasi komponen penting dan pendukung keputusan
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
alat untuk mengelola kegiatan pemeliharaan komponen penting dalam
sistem manufaktur diusulkan [128]. Dalam pembuatan
dan pemeliharaan, realitas virtual meningkatkan kecepatan operasi dengan
simulasi mendalam dari proses pemeliharaan dan augmented
realitas memberikan panduan waktu nyata interaktif untuk operator, yang
dapat membantu memantau cacat produk tanpa prototipe fisik,
sehingga meningkatkan proses pengambilan keputusan dan meningkatkan
visibilitas informasi dari proses.
Dalam manufaktur semikonduktor, Niu et al. [129] dikembangkan
sistem peningkatan hasil, sistem diagnosis peralatan, sistem manajemen
pendapatan, simulasi pemeliharaan prediktif
sistem, dan menerapkan pengukuran virtual otomatis (AVM) ke pabrik untuk
mewujudkan inspeksi benda kerja yang komprehensif. Besar
analisis data digunakan untuk mengekstrak informasi yang cukup dan memperoleh
manufaktur cerdas yang efektif. Memang, metode pemrosesan
dipilih dari pengalaman sebelumnya, efisiensi cacat
diagnosis dan deteksi kesalahan dalam pembuatan produk sangat
rendah. Untuk menutupi kesenjangan tersebut, Khakifirooz dkk. [130] dikembangkan
kerangka kerja berdasarkan inferensi Bayesian dan pengambilan sampel Gibbs untuk
menganalisis data manufaktur semikonduktor yang kompleks untuk kesalahan
deteksi untuk meningkatkan manufaktur cerdas. Yan dkk. [131]
menjelaskan konsep sentral terkait dengan merancang elektrokardio gram
(DECG). Kemudian, operasi regresi dan denoising yang dalam
algoritma autoencoder disajikan untuk memprediksi sisanya
masa manfaat peralatan industri. Alur kerja algoritme dan
arsitektur algoritma DDA terintegrasi disediakan.
Konsep dan algoritma yang diusulkan memiliki potensi besar untuk mempercepat
pengembangan intelijen industri.
Alat analisis data tingkat lanjut dapat menganalisis data yang diambil,
mencegah kegagalan prediktif dan secara efektif mengurangi waktu henti
disebabkan oleh kesalahan manufaktur yang tidak terduga. Analisis data besar adalah
terutama didasarkan pada tinjauan peristiwa manufaktur di prediktif
pemeliharaan, dan prediksi kejadian di masa depan. Secara umum, pemantauan
getaran terutama digunakan untuk kondisi sistem
pemeliharaan. Namun, efek pemeliharaan prediktif dengan analisis getaran tidak
ideal, dan tujuan utama prediksi
adalah deteksi kesalahan. Meskipun masih banyak hambatan dalam deteksi
sistem berdasarkan data besar, semakin banyak manufaktur
perusahaan berusaha keras untuk mengeksplorasi kepraktisan dan penerapan
teknologi big data dan teknologi pendukung terkait
[14]. Melalui uji coba dan peningkatan berkelanjutan untuk memecahkan masalah spesifik
masalah dalam produksi aktual, seluruh nilai data perusahaan
rantai dibangun.
Proses manufaktur yang efektif memastikan produksi terbaik
hasil dan kegiatan pemeliharaan diambil berdasarkan informasi tentang status
operasi yang sehat dari setiap sistem untuk mencegah kegagalan dan kecelakaan.
Sebuah arsitektur sistem pendukung keputusan adalah
diusulkan untuk mengevaluasi kondisi berjalan komponen penting
dari sistem [41]. Ini terutama menganalisis pola sejarah dan
data inspeksi real-time untuk membantu pengambil keputusan menerapkan
langkah-langkah pemeliharaan sistem manufaktur yang benar. Data yang besar
kerangka analisis berdasarkan pemeliharaan negara diusulkan
[132], yang memperkirakan ketidakpastian berdasarkan fitur mundur
eliminasi dan algoritma induksi aturan gangguan fuzzy untuk memprediksi
kesalahan. Ini juga meningkatkan akurasi prediksi dan mengoptimalkan
keandalan peralatan dengan mengukur risiko prediksi sisa umur. Proses
pencetakan injeksi plastik banyak digunakan di:
Proses Pembuatan Siklik dari produksi suku cadang plastik, dan
kontrol kualitas proses ini adalah tugas yang sangat sulit. Kozjek dkk.
[133] menggunakan pendekatan holistik untuk memprediksi kesalahan yang jarang terjadi dalam siklus
manufaktur, termasuk pembuatan data, akuisisi, pemrosesan,
dan prediksi.
Sistem manufaktur dianalisis untuk mempertahankan sistem
kinerja tinggi dan untuk memenuhi dinamika dan ketidakpastian
lingkungan bisnis [134]. Diagnosis kesalahan biasanya ditujukan
dalam membedakan jenis kesalahan yang terjadi. Mahalanobis dis
10
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
tance (MD) telah terbukti menjadi jarak multi-dimensi
ukuran. Metode reduksi dimensi data yang biasa dilakukan adalah dengan memetakan
ruang dimensi tinggi ke ruang dimensi rendah ketika
dimensi data asli berlimpah, tetapi pemrosesan
hasilnya tidak akurat karena banyaknya noise dan redundan
faktor. Sebuah ukuran jarak umum diusulkan dalam hubungannya dengan
pendekatan pengurangan dimensi hirarkis novel [110].
Semua titik data kesalahan dipisahkan dari titik data kesehatan, dan
titik data kesalahan diklasifikasikan ke dalam kategori kesalahan yang sesuai.
Metode ini dapat meningkatkan kinerja dalam adegan dimensi tinggi dari metode
klasifikasi standar.
Kerangka kerja algoritma dasar untuk deteksi dan diagnosis kesalahan
terutama dibagi menjadi tiga bagian:
Pisahkan data normal dan abnormal, klasifikasikan secara akurat dan
tandai mereka.
Lakukan deteksi cacat kesalahan berdasarkan pelatihan algoritme
model.
Analisis hasil dan umpan balik untuk memandu pengambilan keputusan dan
membantu dalam memecahkan masalah terkait.
Paradigma tradisional "pemodelan pengetahuan" telah dipertanyakan dalam
industri, Rousseaux et al. [135] mengusulkan data besar dan
algoritme prediktif cerdas berbasis data mendukung kreativitas
di bidang teknik industri, bertujuan untuk memilih pengetahuan yang bermanfaat
spa disposisi tiotemporal. Berdasarkan inovasi ini, konfigurasi relatif dan akurasi
menjadi dua parameter utama
peningkatan pengetahuan.
3.3. Manufaktur hijau dan pengambilan keputusan kesadaran energi
Program Lingkungan Perserikatan Bangsa-Bangsa mendefinisikan produksi
bersih sebagai strategi lingkungan preventif yang komprehensif
yang terus menerus disesuaikan dalam produksi, proses, dan jasa.
Produksi Bersih (CP) adalah sarana penting bagi perusahaan manufaktur untuk
mencapai produksi yang berkelanjutan dan meningkatkan keunggulan kompetitif
yang berkelanjutan, yang bertujuan untuk meningkatkan produksi
efisiensi, pengelolaan lingkungan, dan pembangunan manusia.
Tugas utama di sektor manufaktur adalah untuk mengurangi emisi limbah produksi
pada sumbernya daripada menggantinya dengan sumbernya.
salvage loss setelah akhir proses produksi. Namun, CP
memiliki banyak kendala dalam implementasi strategi yang sebenarnya dan
menghadapi tantangan besar dalam koordinasi dan optimalisasi
pengambilan keputusan dalam seluruh proses implementasi. Kerangka kerja
analisis siklus hidup produk berdasarkan data besar diusulkan
[120], yang berfokus pada proses manufaktur dan pemeliharaan dari siklus hidup
produk, dan menemukan informasi berharga
seperti asosiasi dan pola tersembunyi dari siklus hidup produk
data, sehingga mendorong penerapan produksi bersih
(CP).
Masalah energi dan lingkungan telah menimbulkan kekhawatiran
perusahaan manufaktur tentang konservasi energi dan emisi
pengurangan [136]. Untuk mengurangi konsumsi energi dan emisi
di sektor produksi yang padat energi, Zhang et al. [137] diusulkan
kerangka kerja analitis berbasis data besar untuk mengurangi konsumsi energi
dan emisi. Akuisisi dan penambangan data besar, ini
dua teknologi utama digunakan untuk menganalisis energi data besar. Kerangka
kerja yang diusulkan ditunjukkan dalam skenario aplikasi:
pabrik bola di bengkel pulp. Eksperimen menunjukkan bahwa energi
biaya dan konsumsi energi masing-masing berkurang 4% dan 3%. Metode yang
ditingkatkan ini dapat mendorong keberlanjutan
pengembangan industri manufaktur padat energi.
Popularitas teknologi big data telah mengubah desain model bisnis tradisional
dan keputusan bisnis, yang membantu
produsen untuk membuat keputusan yang akurat, mengurangi keacakan
dan ketidakjelasan logistik terbalik, dan meningkatkan operasional
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
efisiensi dan kinerja layanan produk peralatan daur ulang [138]. Proses
pembuatannya akan menimbulkan banyak energi
konsumsi. Dalam beberapa tahun terakhir, langkah-langkah insentif terkait dengan energi
efisiensi telah mulai berlaku, mempromosikan transformasi manufaktur secara
keseluruhan menuju pembangunan berkelanjutan. Kerangka konseptual analisis
data besar diusulkan untuk dianalisis
dampak data besar pada redistribusi manufaktur, buat
nilai bersama, dan membuat rantai nilai manufaktur lebih banyak
inklusif [24]. Dalam beberapa tahun terakhir, semakin banyak produsen telah
membawa remanufaktur ke dalam sistem manufaktur untuk membentuk a
sistem manufaktur loop tertutup [138]. Mempertimbangkan manfaat ekonomi
dari daur ulang, remanufaktur telah menjadi
langkah strategis yang mendesak bagi perusahaan. Sistem siber-fisik
berdasarkan optimasi proses pemesinan berbasis data besar diusulkan [139],
dan model energi baru dikembangkan untuk mendukung
optimasi efisiensi energi di seluruh masa produksi
siklus, dengan mempertimbangkan sepenuhnya kegagalan dinamis dan yang sesuai
persyaratan penyesuaian sistem peralatan mesin dalam siklus hidup manufaktur.
Manufaktur yang didistribusikan ulang mengacu pada
manufaktur model bisnis, strategi, sistem, dan teknologi
yang mengubah ekonomi dan organisasi industri manufaktur, yang terkait erat
dengan lingkungan manufaktur
dan skala [140]. Manufaktur hijau memperhatikan efisiensi dan keamanan
tingkat tinggi, yang mencerminkan kebijakan lingkungan yang lebih ketat dan
prediksi dan pemeliharaan kesalahan yang lebih efisien [141].
Analisis data besar industri adalah tema strategis penting dari pengembangan
manufaktur manusia. Makalah ini membahas efek sinergis
data besar industri dalam pengumpulan data dan infrastruktur [142]. Sebuah
metode tertanam berdasarkan meta-heuristik dan analisis komponen utama
diusulkan dalam sistem manufaktur seluler
[143]. Ini menggunakan data skala besar untuk memecahkan masalah keberlanjutan,
tata letak peralatan seluler acak yang kuat.
Konsep manufaktur hijau telah menjadi semakin
populer dengan pemanasan global. Di era data besar, teknologi canggih dapat
mengumpulkan sejumlah besar data permintaan untuk analisis dan
mempromosikan pengembangan industri cerdas [144]. Namun,
model pertumbuhan ekonomi polusi tinggi dan konsumsi energi tinggi telah
mengancam lingkungan secara serius, dan pabrikan secara bertahap
memperkenalkan teknologi pintar untuk mendukung
pembangunan industri yang berkelanjutan. Untuk mewujudkan pabrik manufaktur
hijau, remanufaktur telah menjadi bentuk efisien dari
daur ulang sumber daya. Namun, bidang remanufaktur sangat tidak pasti, dan
tidak mudah untuk memenuhi persyaratan keputusan yang optimal [145]. Era
data yang berkembang pesat telah secara dramatis mempengaruhi
industri proses. Harus ada upaya untuk meningkatkan produksi energi,
melaksanakan distribusi energi secara rasional, dan mengurangi energi
konsumsi untuk mencapai manufaktur cerdas [143]. Itu
potensi dinamika, prediktabilitas, kemampuan beradaptasi, fleksibilitas, dan
skalabilitas data besar industri adalah fitur penting dari metode berbasis data.
Data besar yang dihasilkan selama pengoperasian
sistem eksekusi manufaktur digunakan untuk mendukung pengambilan
keputusan manajemen operasional [146], belajar dari pola perilaku historis dan
memprediksi kemungkinan kemacetan dalam
proses manufaktur masa depan akan membantu pengambilan keputusan
proses.
4. Tantangan data besar industri dalam manufaktur cerdas
Industri manufaktur mengubah teknologi
paradigma [147]. Saat ini, analisis berbasis data besar masih dalam
tahap awal Industrial Internet of Things, dan upaya lebih lanjut
perlu dibuat untuk memenuhi kebutuhan industri dan pasarnya untuk
mengubah teknik manufaktur tradisional menjadi teknik data. Penelitian tentang
pengaruh analisis data besar pada pengambilan keputusan manufaktur adalah
topik hangat dan bidang yang muncul saat ini.
11
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
Namun, pengembangan teknologi berbasis data besar industri adalah
juga menghadapi banyak tantangan berat yang didorong oleh perkembangan
zaman. Tantangan yang dihadapi teknologi big data industri pada tahap ini adalah sebagai
berikut:
Masalah manajemen kualitas data: Big data berkualitas tinggi
memainkan peran penting dalam manufaktur cerdas. skala dari
kumpulan data berada di luar jangkauan perangkat lunak umum yang dapat diterima
alat, mengakibatkan kemampuan pemrosesan data yang buruk. Jumlah yang besar
data yang berguna hampir tidak digunakan untuk membantu para pemimpin dan
pengambil keputusan membuat keputusan yang akurat, yang mengakibatkan pemborosan
sumber daya.
Masalah keamanan data dan perlindungan privasi: Agar dapat bersaing di
pasar manufaktur global, perusahaan harus
memastikan keamanan dan keandalan data. Perkembangan dan
penerapan alat analisis data besar membutuhkan banyak investasi
dan pekerjaan ekstra, yang mungkin menghabiskan banyak sumber daya dan
sumber keuangan. Teknologi manajemen big data yang ada saat ini mahal.
Saat ini, sebagian besar teknologi yang ada tidak dapat memenuhi
persyaratan infrastruktur saat ini, dan tidak ada strategi untuk berbagi data
antar organisasi. Berbagai jenis data
dari sumber yang berbeda dapat menyebabkan kompleksitas integrasi data.
Sambil memberikan informasi yang cukup kepada pengguna melalui
penambangan data, ada ancaman serius terhadap privasi dan keamanan
dari informasi data.
Masalah keumuman kerangka konseptual dalam
produksi aktual: Solusinya tidak dapat menggambarkan praktik
metode untuk menyajikan hasil analisis dan kondisi sebenarnya
di lingkungan manufaktur nyata, dan tidak dapat menyediakan
informasi yang lengkap dan benar untuk pengguna akhir dan pengambil
keputusan. Sebagian besar kerangka kerja konseptual dan metode analisis
hanya berguna untuk jenis industri manufaktur tertentu,
tetapi tidak universal dalam produksi industri. Mereka tidak cukup
menggambarkan metode proses analisis data secara rinci
dan tidak memahami elemen penting yang diperlukan untuk mengembangkan
skema analisis data yang spesifik.
Masalah pemrosesan integrasi data dalam sistem manufaktur industri: Big
data industri berisik dan berlebihan,
dan jika sejumlah besar data berharga hilang, kerugian perusahaan terlalu
signifikan, dan kualitas data cukup besar.
signifikan bagi nilai banyak perusahaan. volume data
sangat besar dan beragam, analisis data satu proses tradisional tidak dapat
dengan cepat diintegrasikan untuk mendapatkan pengetahuan data yang
heterogen dan nilai target, karena berbagai variasi
karakteristik, keamanan, dan alasan lain dari data itu sendiri,
industri manufaktur untuk integrasi data besar industri
pengolahannya sangat sulit.
Masalah mengakses data manufaktur primer: data
aksesibilitas dukungan seluruh jaringan manufaktur
data besar untuk menentukan kinerja yang diperlukan untuk strategi
pengambilan keputusan. Ketika dihadapkan dengan data yang tidak lengkap atau tidak valid,
tidak mudah untuk mengekstrak dan mengonversi data manufaktur utama.
Platform analisis data tidak dapat langsung menggunakan data langsung di
sistem manufaktur untuk pemrosesan dan analisis. Itu perlu
buka fungsi akses data, ekspor data sampelnya untuk penyimpanan
kemudian masuk ke tahap preprocessing.
5. Metode investigasi
Makalah ini mengusulkan kerangka konseptual kecerdasan
analisis pengambilan keputusan berdasarkan teknologi teknologi berbasis data
besar industri, dan juga memperkenalkan fungsi dan ide desain inti dari
setiap bagian dari kerangka ini. Ini menggabungkan data besar industri, CPS,
kembar digital dan teknologi lainnya (seperti yang ditunjukkan pada Gambar. 4). Di dalam
studi, model berbasis data bersama disajikan untuk menangani masalah besar
data produksi industri. Model ini mencakup proses data
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
Gambar 4. Kerangka konseptual analisis pengambilan keputusan cerdas berdasarkan teknologi industri yang didorong oleh data besar.
pengumpulan, penyimpanan, pembersihan, integrasi, analisis, penambangan,
dan visualisasi. Metode ini mengembangkan paradigma manufaktur cerdas
baru, yang berfokus pada persepsi dinamis waktu nyata
dan pengambilan keputusan yang akurat berdasarkan analisis berbasis data besar
dalam lingkungan manufaktur. Ini memperhatikan interaktivitas dan standarisasi
data, dan meningkatkan kecepatan data
pertukaran antara penyedia data dan pengguna data melalui pemrosesan data
terdistribusi.
Mekanisme kerja utama dari kerangka konseptual
analisis pengambilan keputusan yang cerdas berdasarkan teknologi industri yang
didorong oleh data besar adalah sebagai berikut:
Mekanisme kerja analisis big data industri: Dalam a
lingkungan manufaktur yang kompleks, produksi industri
data ditangkap oleh banyak sensor di fisik produksi
sistem, dan kemudian seluruh proses pengumpulan, penyimpanan,
pembersihan, integrasi, analisis, penambangan dan visualisasi dilakukan.
Akhirnya, Pusat Analisis Data mengumpulkan industri
data besar, menyimpannya, dan menghasilkan basis aturan pengetahuan yang relevan,
lalu unggah aturan data ini dan fitur yang dianalisis ke
awan untuk berbagi. Sistem operasi berdasarkan teknologi big data
mengumpulkan dan mentransmisikan data sensor yang didistribusikan di
perangkat. Sistem ini memiliki tingkat transparansi yang tinggi, yang
bertujuan untuk merangkum, mengkorelasikan, mengolah dan menganalisis
informasi data, serta mengintegrasikan dan memahami karakteristik data
informasi. Selain itu, fitur informasi data yang dianalisis
dapat diintegrasikan dan dipahami untuk mengendalikan penyebab peristiwa
manufaktur yang sesuai, menyajikan informasi kognitif kepada para
pemimpin dengan cara yang benar untuk membantu mereka membuat keputusan.
Mekanisme kerja analisis pengambilan keputusan yang cerdas
di industri manufaktur: Proses pengambilan keputusan di
manufaktur industri dimulai dengan membangun database besar
keputusan. Basis data keputusan industri terdiri dari input
12
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
data untuk tugas keputusan, termasuk data tagihan bahan, permintaan
daftar data, data perencanaan produksi, data manajemen pekerjaan
manufaktur, dan sebagainya. Memperluas basis data keputusan dan standar
verifikasi pada sistem data besar industri akan meningkatkan
ketepatan taktik pengambilan keputusan manufaktur, dengan demikian
meningkatkan potensi keunggulan kompetitif perusahaan manufaktur. Data
keputusan adalah dasar untuk penyebaran strategis perusahaan manufaktur.
Kriteria utama dari
pengambilan keputusan adalah tingkat kecocokan kemampuan dan
sumber daya. Sistem manufaktur berbasis data besar industri
terintegrasi secara mendalam dan berinteraksi untuk memandu sistem kontrol
pabrikasi industri agar bereaksi dalam waktu singkat atau dalam waktu nyata untuk
pengambilan keputusan yang cepat. Analisis keputusan cerdas berdasarkan
data besar industri adalah proses umpan balik dan koordinasi
dari dunia maya ke dunia fisik, yang bertujuan untuk
memperkuat fungsi cerdas sistem manufaktur,
sehingga sistem manufaktur dapat beradaptasi dengan lingkungan
dan beroperasi secara berkelanjutan dalam praktik berkelanjutan, penyesuaian
dan kolaborasi.
Mekanisme kerja teknologi simulasi virtual:
Penjadwalan dinamis dan pengoptimalan dalam simulasi digital
lingkungan memastikan bahwa konsumsi energi tetap dalam
rentang terkontrol yang ideal. Dalam manufaktur cerdas
sistem, pertama, parameter produksi yang relevan ditentukan
untuk membuat rencana produksi yang masuk akal, dan kemudian simulasi
dan optimasi digabungkan secara efektif. Optimasi simulasi diselesaikan
oleh kembar digital, yang dapat dianggap sebagai virtual
salinan produk fisik, yang mencerminkan situasi waktu nyata
operasi fisik, dan mengimplementasikan operasi simulasi
dalam replika virtual untuk memicu inspirasi baru. Untuk meningkatkan
skalabilitas model simulasi, keamanan dan kemampuan interoper aliran
data perlu dipastikan, terutama data terkait waktu (seperti konfigurasi
perangkat,
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
laboratorium, jalur transportasi, dll). Modul komponen otonom disematkan
untuk meningkatkan kemampuan beradaptasi sistem manufaktur.
Mekanisme kerja pelengkap dari kerangka kerja: Kelola data manufaktur
industri secara wajar untuk memastikan kualitas data besar industri. Alur kerja
diproses secara otomatis untuk memastikan otonomi seluruh sistem cerdas,
dan modul berpemilik dipertahankan secara teratur.
Prinsip-prinsip desain kerangka analisis keputusan cerdas ini
pekerjaan untuk industri teknologi big data-driven adalah sebagai berikut:
Pastikan transmisi data manufaktur industri secara real-time: Rantai nilai dari
seluruh sistem manufaktur mencakup pemasok, bahan, logistik, dll., dan
peserta terkait berkoordinasi dan bekerja sama sesuai dengan kebutuhan
mereka sendiri untuk membentuk ekosistem yang dinamis. Sistem ini harus
memberikan tanggapan waktu nyata kepada semua pemangku kepentingan
untuk memastikan bahwa umpan balik interaktif untuk layanan dan keputusan
waktu nyata tersedia.
Memastikan integritas dan keamanan data manufaktur digital: Perangkat
sensor di jaringan terdistribusi memantau status objek cerdas secara real-time
dan memproses data informasi. Analisis data besar dapat mengoordinasikan
kolaborasi objek cerdas dan memasukkannya kembali ke jaringan
swaorganisasi secara real time. Kemampuan anti-interferensi yang kuat dari
sistem ini memastikan integritas dan keamanan data.
Memastikan interoperabilitas antara teknologi yang berbeda: Kerangka kerja
analisis keputusan cerdas berdasarkan data besar industri mengintegrasikan
banyak teknologi seperti CPS, data besar, cloud, dan kembar digital, dll.
Kerangka kerja ini memperhitungkan teknologi virtualisasi di semua tingkat
sistem. Analisis data besar dapat secara dinamis melihat dan melacak proses
pembuatan produk, memprediksi permintaan pasar, dan memastikan
rekonstruksi dan optimalisasi proses manufaktur.
6. Kesimpulan dan penelitian masa depan
Pada artikel ini, kami memberikan gambaran tentang big data industri untuk
pengambilan keputusan yang cerdas, kemudian memperkenalkan penerapan
teknologi big data-driven di bidang manufaktur cerdas, dan menjelaskan masalah
dan tantangan yang ada di bidang ini. Untuk mengatasi masalah ini, kami
menyajikan kerangka kerja analisis pengambilan keputusan yang cerdas
berdasarkan teknologi berbasis data besar industri, dan memperkenalkan fungsi
dan ide desain inti dari setiap bagian kerangka kerja ini. Pendekatan ini
mengembangkan paradigma manufaktur cerdas baru yang berfokus pada persepsi
dinamis dan pengambilan keputusan yang akurat berdasarkan analitik berbasis
data besar di lingkungan manufaktur. Makalah ini memperkenalkan teknologi big
data-driven ke dalam bidang pengambilan keputusan yang cerdas di bidang
manufaktur, yang bertujuan untuk menambah vitalitas baru pada sistem manufaktur
tradisional dan meletakkan dasar bagi manufaktur berkelanjutan di masa depan.
Keterbatasan utama dari penelitian ini terkait dengan jarak antara dua bidang
penelitian yang terlibat. Pertama, reliabilitas adalah topik yang sangat terkait
dengan ilmu eksakta, seperti teknik dan matematika. Kedua, Big data, di sisi lain,
memiliki basis yang sangat terpusat pada teknologi informasi. Dalam kegiatan
manufaktur yang sebenarnya, daya serap informasi data, kebocoran pengetahuan
informasi, gangguan dan faktor lainnya akan berdampak tidak langsung pada
pengambilan keputusan produksi. Kerangka konseptual paradigma baru ini
memperkenalkan analisis berbasis data besar industri ke dalam sistem manufaktur.
Namun, model hipotetis analisis data besar ini dibangun di lingkungan yang ideal,
keandalan dan kepraktisan kerangka kerja konseptual ini perlu diverifikasi lebih
lanjut.
13
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
Penelitian ini akan lebih mengembangkan framework dan menggali secara
mendalam, termasuk pengembangan sistem perangkat lunak dan implementasinya
di industri manufaktur. Selain itu, sistem manufaktur ini akan lebih membantu
mengembangkan, menerapkan, dan mengoperasikan solusi manufaktur melalui
analisis data besar. Pada tahap ini, mempelajari dampak analisis data besar pada
pengambilan keputusan manufaktur adalah bidang yang sedang hangat dan
sedang berkembang. Kami berharap review sistem atic ini bermanfaat bagi para
peneliti yang ingin mendalami bidang industri big data.
Pernyataan Kepentingan Bersaing
Para penulis menyatakan bahwa mereka tidak mengetahui adanya
persaingan kepentingan keuangan atau hubungan pribadi yang tampaknya dapat
mempengaruhi pekerjaan yang dilaporkan dalam makalah ini.
Referensi
[1] D. Sen, M. Ozturk, O. Vayvay, Ikhtisar big data untuk pertumbuhan UKM, di: Proc. ISMC
Conf., 2016, hlm. 159–167.
[2] S. Kumar, KK Mohbey, Tinjauan tentang pendekatan paralel dan terdistribusi berbasis big
data dari penambangan pola, J. King. Saud. Univ. Hitung. Inf. Sci. doi: 10.1016/
j.jksuci.2019.09.006. .
[3] M. Hammer, K. Somers, H. Karre, C. Ramsauer, Laba per jam sebagai parameter kontrol
proses target untuk sistem manufaktur yang diaktifkan oleh analitik data besar dan
infrastruktur industri 4.0, di: Proc. CIRP Conf., 2017, hlm. 715– 720.
[4] F. Chiheba, F. Boumahdi, H. Bouarfa, Sebuah model baru untuk mengintegrasikan data
besar ke dalam fase proses pengambilan keputusan, di: Proc. EDI40 Conf., 2019, hlm. 636–642.
[5] R. Iqbal, F. Doctor, B. More, S. Mahmud, U. Yousuf, Analisis data besar dan kecerdasan
komputasi untuk sistem siber-fisik: Tren terkini dan aplikasi canggih, Generasi Masa Depan.
Hitung. Sistem 105 (2020) 766–778, https://doi.org/10.1016/j.future.2017.10.021.
[6] F. Tao, Q. Qi, A. Liu, A. Kusiak, Manufaktur cerdas berbasis data, J. Manuf.
Sistem 48 (2018) 157–169, https://doi.org/10.1016/j.jmsy.2018.01.006.
[7] YH Kuo, A. Kusiak, Dari data ke data besar dalam penelitian produksi: tren masa lalu dan
masa depan, Int. J.Prod. Res. 57 (2018) 4828–4853, https://doi.org/10.1080/
00207543.2018.1443230.
[8] R. Iqbal, F. Doctor, B. More, S. Mahmud, U. Yousuf, Analisis data besar dan kecerdasan
komputasi untuk sistem siber-fisik: Tren terkini dan aplikasi canggih, Generasi Masa Depan.
Hitung. Sistem 105 (2020) 766–778, https://doi.org/10.1016/j.future.2017.10.021.
[9] M. Tang, H. Liao, Dari pengambilan keputusan kelompok konvensional hingga pengambilan
keputusan kelompok skala besar: Apa saja tantangannya dan bagaimana menghadapinya
di era big data? survei mutakhir, Omega 100 (2019) , https://doi.org/ 10.1016/
j.omega.2019.102141 102141.
[10] Y. Cheng, K. Chen, H. Sun, Y. Zhang, F. Tao, Penambangan data dan pengetahuan dengan
data besar menuju produksi cerdas, J. Ind. Inf. Integrasi 9 (2018) 1–13, https://doi.org/
10.1016/j.jii.2017.08.001.
[11] Y. Liu, A. Soroka, L. Han, J. Jian, M. Tang, analitik data besar berbasis cloud untuk inovasi
desain berbasis wawasan pelanggan di UKM, Int. J.Inf. Mengelola. 51 (2020), https://doi.org/
10.1016/j.ijinfomgt.2019.11.002 102034.
[12] S. Phuyal, D. Bista, R. Bista, Tantangan, peluang, dan arah masa depan manufaktur cerdas:
Tinjauan keadaan seni, Sustain. Futures 2 (2020) , https://doi.org/10.1016/j.sftr.2020.100023
100023.
[13] M. Ghobakhloo, NT Ching, Adopsi teknologi digital manufaktur pintar di UKM, J. Ind. Inf.
Integrasi 16 (2019) , https://doi.org/ 10.1016/j.jii.2019.100107 100107.
[14] M. Akerman, C. Lundgren, M. Bärring, M. Folkesson, V. Berggren, J. Stahre, U.
Engström, M. Friis, Tantangan membangun rantai nilai data untuk memungkinkan
keputusan berdasarkan data: Kasus pemeliharaan prediktif dalam manufaktur berkemampuan
5g, di: Proc. FAIM Conf., 2018, hlm. 411–418. .
[15] E. Manavalan, K. Jayakrishna, Tinjauan tentang internet of things (iot) tertanam rantai
pasokan berkelanjutan untuk persyaratan industri 4.0, Comput. Ind. Eng. 127 (2019) 925–
953, https://doi.org/10.1016/j.cie.2018.11.030.
[16] S. Bresciani, F. Ciampi, F. Meli, A. Ferraris, Menggunakan data besar untuk proses inovasi
bersama: Memetakan bidang inovasi berbasis data, mengusulkan perkembangan teoretis,
dan menyediakan agenda penelitian, Int. J.Inf. Kelola. Sci. (2021), https://doi.org/10.1016/
j.ijinfomgt.2021.102347 102347.
[17] A. Sestino, MI Prete, L. Piper, G. Guido, Internet of things and big data as enablers for
business digitalization strategy, Technovation 98 (2020), https://doi.org/10.1016/
j.technovation .2020.102173 102173.
[18] K. Moharm, State of the art dalam aplikasi big data di microgrid: A review, Adv. Ind.
Memberitahukan. 42 (2019) , https://doi.org/10.1016/j.aei.2019.100945 100945.
[19] AA Nazarenko, J. Sarraipa, LM Camarinha-Matos, C. Grunewald, M.
Dorchain, R. Jardim-Goncalves, Analisis standar yang relevan untuk sistem industri untuk
mendukung proses manufaktur tanpa cacat, J. Ind. Inf. Integrasi 23 (2021), https://doi.org/
10.1016/j.jii.2021.100214 100214.
[20] ML Hoffmann Souza, CA da Costa, G. de Oliveira Ramos, R. da Rosa Righi, Sebuah survei
tentang pengambilan keputusan berdasarkan keandalan sistem dalam konteks
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
industri 4.0, J.Manuf. Sistem 56 (2020) 133–156, https://doi.org/10.1016/j. jmsy.2020.05.016.
[21] L. Yao, Z. Ge, Prediksi kualitas data besar dalam industri proses: Kerangka kerja pemodelan
paralel terdistribusi, J. Process Control 68 (2018) 1–13, https://doi. org/10.1016/
j.jprocont.2018.04.004.
[22] RF Babiceanu, R. Seker, Big data dan virtualisasi untuk pembuatan sistem cyber-fisik:
Survei status saat ini dan prospek masa depan, Comput. 81 128–137, https://doi.org/
10.1016/j.compind.2016.02.004 .(2016)
[23] Y. Lu, X. Xu, Peralatan manufaktur berbasis cloud dan analitik data besar untuk
mengaktifkan layanan manufaktur sesuai permintaan, Robot. Hitung. Integrasi manuf. 57
(2019) 92–102, https://doi.org/10.1016/j.rcim.2018.11.006.
[24] M. Zaki, B. Theodoulidis, P. Shapira, A. Neely, E. Surekli, Peran big data untuk memfasilitasi
redistribusi manufaktur menggunakan lensa co-creation: Pola dari barang-barang
konsumen, di: Proc. CIRP Conf., 2017, hlm. 680–685.
[25] Q. Li, A. liu, Manajemen rantai pasokan berbasis data besar, dalam: Proc. CIRP Conf.,
2019, hlm. 1089–1094.
[26] RS Peres, AD Rocha, P. Leitao, J. Barata, Idarts - menuju analisis data cerdas dan
pengawasan waktu nyata untuk industri 4.0, Comput. Ind.101 (2018) 138–146, https://
doi.org/10.1016/j.compind.2018.07.004.
[27] RH Hamilton, WA Sodeman, Pertanyaan yang kami ajukan: Peluang dan tantangan
penggunaan big data analytics untuk mengelola sumber daya manusia secara strategis,
Bus. Horiz. 63 (2020) 85–95, https://doi.org/10.1016/j. bushor.2019.10.001.
[28] Q. Qi, F. Tao, Digital twin dan big data menuju manufaktur cerdas dan industri 4.0:
Perbandingan 360 derajat, IEEE Access 6 (2018) 3585–3593, https://doi.org/10.109/
access.2018.2793265 .
[29] D. Mourtzis, E. Vlachou, N. Milas, Data besar industri sebagai hasil adopsi iot di bidang
manufaktur, dalam: Proc. CIRP Conf., 2016, hlm. 290–295.
[30] V. Alcácer, V. Cruz-Machado, Memindai industri 4.0: Tinjauan literatur tentang teknologi
untuk sistem manufaktur, Eng. Sci. teknologi. Int. J. 22 (2019) 899–919, https://doi.org/
10.1016/j.jestch.2019.01.006.
[31] MC Thomas, W. Zhu, JA Romagnoli, Penambangan data dan pengelompokan dalam
database proses kimia untuk pemantauan dan penemuan pengetahuan, J.
Kontrol Proses 67 (2018) 160–175, https://doi.org/10.1016/j. jprocont.2017.02.006.
[32] M. Bevilacqua, FE Ciarapica, C. Diamantini, D. Potena, C. Bardaki, M. Bertolini, Metodologi
analitik data besar yang diterapkan pada manajemen energi di sektor industri: Studi
kasus, Int. J.RF. Teknologi. 8 (2017) 105-122, https://doi.org/ 10.3233/rft-171671.
[33] A. Celesti, A. Galletta, M. Fazio, M. Villari, Menuju sistem penyimpanan multi-cloud hybrid:
Memahami cara melakukan transfer data, Besar. Data Res. 16 (2019) 1–17, https://
doi.org/10.1016/j.bdr.2019.02.002.
[34] R. Corizzo, M. Ceci, N. Japkowicz, Deteksi dan perbaikan anomali untuk prediksi akurat
dalam data besar yang didistribusikan secara geografis, Big. Data Res. 16 (2019) 18–35,
https://doi.org/10.1016/j.bdr.2019.04.001.
[35] L. Kong, D. Zhang, Z. He, Q. Xiang, J. Wan, M. Tao, Merangkul data besar dengan
penginderaan tekan: Pendekatan hijau dalam jaringan nirkabel industri, IEEE Commun.
53–59,
Mag. 54 (2016) https://doi.org/10.1109/ MCOM.2016.7588229.
[36] S. Shamim, J. Zeng, SM Shariq, Z. Khan, Peran manajemen data besar dalam meningkatkan
kemampuan pengambilan keputusan dan kualitas data besar di antara perusahaan-
perusahaan Cina: Pandangan kemampuan dinamis, Inf. Mengelola. 56 (2019) , https://
doi.org/ 10.1016/j.im.2018.12.003 103135.
[37] MHu Rehman, I. Yaqoob, K. Salah, M. Imran, PP Jayaraman, C. Perera, Peran big data
analytics dalam industri internet of things, Future Gener.
Hitung. Sistem 99 (2019) 247–259. https://doi.org/10.1016/ j.future.2019.04.020. .
[38] A. Singh, D. Jain, I. Mehta, J. Mitra, S. Agrawal, Penerapan big data dalam manajemen
rantai pasokan, dalam: Proc. ICMPC Conf., 2017, hlm. 1106-1115.
[39] PT Chen, CL Lin, WN Wu, Manajemen data besar dalam perawatan kesehatan: Tantangan
dan implikasi adopsi, Int. J.Inf. Mengelola. 53 (2020), https://doi.org/ 10.1016/
j.ijinfomgt.2020.102078 102078.
[40] D. Shah, J. wang, QP He, Sebuah internet-of-things memungkinkan manufaktur cerdas
testbed, di: Proc. DYCOPS Conf., 2019, hlm. 562–567.
[41] K. Gandhi, B. Schmidt, AH Ng, Menuju dukungan keputusan berbasis data mining dalam
pemeliharaan manufaktur, di: Proc. CIRP Conf., 2018, hlm. 261–265.
[42] G. guerreiro, R. Costa, P. figueiras, D. graca, R. Jardim-Goncalves, Arsitektur swarm yang
diadaptasi sendiri untuk menangani data besar untuk 'pabrik masa depan', dalam: Proc.
IFAC Conf., 2019, hlm. 916–921. .
[43] N. Lozada, J. Arias-Perez, G. Perdomo-Charry, Kemampuan analitik data besar dan inovasi
bersama: Studi empiris, Heliyon 5 (2019) , https://doi.org/ 10.1016/j. heliyon.2019.e02541
e02541.
[44] C. Shang, F. You, Analisis data dan pembelajaran mesin untuk pembuatan proses cerdas:
Kemajuan dan perspektif terkini di era data besar, Teknik 5 (2019) 1010–1016, https://
doi.org/10.1016/ j.eng.2019.01.019.
[45] C. Zhao, L. Ren, L. Lai, Arsitektur cloud pengetahuan berdasarkan pembuatan data besar,
dalam: Proc. IEEE Industrial Electronics Society Conf., 2018, hlm. 4176–4180.
[46] THJ Uhlemann, C. Lehmann, R. Steinhilper, Kembar digital: Menyadari sistem produksi
cyber-fisik untuk industri 4.0, dalam: Proc. CIRP Conf., 2017, hlm. 335–340.
[47] S. Wang, J. Wan, D. Zhang, D. Li, C. Zhang, Menuju pabrik cerdas untuk industri 4.0:
sistem multi-agen yang diatur sendiri dengan umpan balik dan koordinasi berbasis data
besar, Comput. jaringan 101 (2016) 158–168, https://doi.org/10.1016/j.comnet.2015.12.017 .
14
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
[48] Y. Lu, T. Chen, J. Zhao, J. Wang, Layanan kolaboratif: Model empat tingkat untuk
manajemen rantai pasokan dengan teknologi data besar, dalam: Proc. EMCS Conf.,
2017, hlm. 586–592.
[49] C. Ji, Q. Shao, J. Sun, S. Liu, L. Pan, L. Wu, C. Yang, Penyerapan data perangkat untuk
platform data besar industri dengan studi kasus, Sensor-basel 16 (2016) ) 279, https://
doi.org/10.3390/s16030279.
[50] S. Wang, J. Wan, D. Li, C. Zhang, Menerapkan pabrik cerdas industri 4.0: Sebuah
pandangan, Int. J. Distribusi. Sens. Netw. 12 (2016) 1-10, https://doi.org/
10.1155/2016/3159805.
[51] X. Zhang, X. Ming, D. Yin, Penerapan big data industri untuk manufaktur cerdas dalam
sistem layanan produk berbasis rekayasa sistem menggunakan fuzzy dematel, J. Clean.
Melecut. 265 (2020), https://doi.org/10.1016/j. jclepro.2020.121863 121863.
[52] Y. Zhuo, Z. Ge, analisis diskriminatif Gaussian gan untuk augmentasi data besar yang tidak
seimbang dan klasifikasi kesalahan, J. Process Control. 92 (2020) 271– 287, https://
doi.org/10.1016/j.jprocont.2020.06.014.
[53] C. Banchhor, N. Srinivasu, Mengintegrasikan optimisasi serigala abu-abu pencarian cuckoo
dan pengklasifikasi naif bayes korelatif dengan model pengurangan peta untuk klasifikasi
data besar, Data Knowl. Ind. 127 (2020), https://doi.org/10.1016/ j.datak.2019.101788
101788.
[54] M. Nashipudimath, S. Shinde, J. Jain, Sebuah integrasi yang efisien dan metode
pengindeksan berdasarkan pola fitur dan analisis semantik untuk data besar, Array 7
(2020) , https://doi.org/10.1016/j. array.2020.100033 100033.
[55] R. Alguliyev, R. Aliguliyev, L. Sukhostat, Pengelompokan konsensus tertimbang dan
penerapannya pada data besar, Expert Syst. aplikasi 150 (2020), https://doi.org/ 10.1016/
j.eswa.2020.113294 113294.
[56] B. Ait Hammou, A. Ait Lahcen, S. Mouline, Model prediksi terdistribusi yang efektif dengan
faktorisasi matriks dan hutan acak untuk sistem rekomendasi data besar, Expert Syst.
aplikasi 137 (2019) 253–265, https://doi.org/10.1016/j.eswa.2019.06.046 .
[57] L. Yu, F. Cao, XZ Gao, J. Liu, J. Liang, k-mnv-rep: Algoritma pengelompokan tipe-k untuk
data objek matriks, Inf. Sci. 542 (2021) 40–57, https://doi.org/10.1016/j. ins.2020.06.071.
[58] A. Bagozi, D. Bianchini, V. De Antonellis, M. Garda, A. Marini, Pendekatan berbasis
relevansi untuk eksplorasi data besar, Future Gener. Hitung. Sistem 101 (2019) 51–69,
https://doi.org/10.1016/j.future.2019.05.056.
[59] Z. Zhuang, Z. Huang, Z. Lu, L. Guo, Q. Cao, W. Qin, Algoritma koloni lebah buatan yang
ditingkatkan untuk memecahkan masalah penjadwalan toko terbuka dengan dua waktu
pengaturan yang bergantung pada urutan, dalam: Proc . CIRP Conf., 2019, hlm. 29–31.
[60] M. Moktadir, S. Ali, S. Paul, N. Shukla, Hambatan untuk analitik data besar dalam rantai
pasokan manufaktur: Studi kasus dari bangladesh, Comput. ind.
Ind. 128 (2019) 1063–1075, https://doi.org/10.1016/j.cie.2018.04.013.
[61] T. Vafeiadis, D. Kalatzis, A. nizamis, D. loannidis, K. apostolou, I. Metaxa, V.
Charisib, C. Beecks, G. Insolvibiled, M. Pardid, P. vergorie, D. Izovaras, Analisis data dan
kerangka visualisasi dalam sistem pendukung keputusan pembuatan proyek komposisi,
dalam: Proc. CARV Conf., 2019, hlm. 57–62. .
[62] Y. Sun, C. Xu, G. Li, W. Xu, J. Kong, D. Jiang, B. Tao, D. Chen, Interaksi komputer manusia
cerdas berdasarkan sinyal emg yang tidak berlebihan, Alex. Ind. J.59 (2020) 1149–1157,
https://doi.org/10.1016/j.aej.2020.01.015.
[63] D. Jiang, G. Li, Y. Sun, J. Hu, J. Yun, Y. Liu, Manipulator meraih deteksi posisi dengan fusi
informasi gambar warna dan gambar kedalaman menggunakan pembelajaran mendalam,
J. Ambient. Intel. Humaniz. Hitung. (2021) 1–14, https://doi.org/ 10.1007/s12652-020-02843-
w.
[64] L. Huang, Q. Fu, G. Li, B. Luo, D. Chen, H. Yu, Peningkatan filter partikel partisi berat
varians maksimum dalam komputasi dan kecerdasan perkotaan, IEEE Access 7 (2019)
106527–106535 , https://doi.org/10.1109/ ACCESS.2019.2932144.
[65] X. Zhang, J. Liu, Q. Gao, Z. Ju, Adaptive kuat decoupling kontrol robot ruang multi-lengan
menggunakan teknik estimasi waktu-tunda, Nonlinier Dyn. 100 (2020) 2449–2467, https://
doi.org/10.1007/s11071-020-05615-5.
[66] X. Zhang, J. Liu, J. Feng, Y. Liu, Z. Ju, Efektif menangkap objek nongraspable untuk robot
ruang angkasa menggunakan pasangan kandang geometris, IEEE ASME Trans.
Mekatron. 25 (2020) 95–107, https://doi.org/10.1109/TMECH.2019.2952552.
[67] L. Nikolopoulos, E. Boulougouris, Sebuah metode baru untuk holistik, simulasi optimasi
desain kapal didorong di bawah ketidakpastian di era data besar, Ocean Eng. 218 (2020),
https://doi.org/10.1016/j.oceaneng.2020.107634 107634.
[68] Y. Zhou, X. Chen, Simulasi sistem big data olahraga berdasarkan model markov dan
sistem iot, Mikroproses. Mikrosistem. 80 (2021), https://doi.org/ 10.1016/
j.micpro.2020.103525 103525.
[69] HC Yang, JR Bradley, inferensi Bayesian untuk data spasial besar menggunakan simulasi
spektral non stasioner, Spat. dubur. 43 (2021), https://doi.org/10.1016/ j.spasta.2021.100507
100507.
[70] AA Vieira, L. Dias, MY Santos, GA Pereira, J. Oliveira, Manajemen risiko rantai pasokan:
model simulasi interaktif dalam konteks data besar, Procedia Manuf. 42 (2020) 140–145,
https://doi.org/10.1016/j.promfg.2020.02.035.
[71] C. Efstathiou, N. Tapoglou, Sebuah model simulasi berbasis cad baru untuk pembuatan
roda gigi spiral bevel dengan penggilingan muka, CIRP J. Manuf. Sci.
teknologi. 33 (2021) 277–292, https://doi.org/10.1016/j.cirpj.2021.04.004.
[72] D. Ding, S. Zhang, Q. Lu, Z. Pan, H. Li, K. Wang, Model sumber panas volumetrik yang
terdistribusi dengan baik untuk simulasi numerik proses pembuatan aditif busur kawat,
Mater. Hari ini Kom. (2021), https://doi.org/ 10.1016/j.mtcomm.2021.102430 102430.
[73] S. Teerasoponpong, A. Sopadang, Pendekatan optimasi simulasi untuk perencanaan
kapasitas manufaktur adaptif di perusahaan kecil dan menengah, Expert Syst. aplikasi
168 (2021), https://doi.org/10.1016/j. eswa.2020.114451 114451.
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
[74] FH Kim, A. Pintar, AF Obaton, J. Fox, J. Tarr, A. Donmez, Menggabungkan eksperimen dan
simulasi komputer di x-ray computed tomography probabilitas analisis deteksi cacat
manufaktur aditif, NDT E Int. 119 (2021), https://doi.org/10.1016/j.ndteint.2021.102416
102416.
[75] L. Cheng, GJ Wagner, Sebuah metode loncatan multi-waktu yang digabungkan secara
optimal untuk simulasi konduksi panas transien untuk manufaktur aditif, Comput.
Metode. aplikasi mekanisme Ind. 381 (2021), https://doi.org/10.1016/j. cma.2021.113825
113825.
[76] MA Filz, C. Herrmann, S. Thiede, Penilaian berbasis simulasi strategi inspeksi kualitas pada
sistem manufaktur, Procedia CIRP 93 (2020) 777–782, https://doi.org/10.1016/j.procir.
2020.04.069.
[77] Y. Zhang, R. Zhang, Y. Wang, H. Guo, RY Zhong, T. Qu, Z. Li, Pengambilan keputusan
berbasis data besar untuk sistem produksi berbasis batch, dalam: Proc. CIRP Conf., 2019,
hlm. 814–818.
[78] M. Ghasemaghaei, G. Calic, Dapatkah data besar meningkatkan kualitas keputusan
perusahaan? peran kualitas data dan diagnostik data, Decis. Mendukung. Sistem 120
(2019) 38–49, https://doi.org/10.1016/j.dss.2019.03.008.
[79] Y. Guo, N. Wang, ZY Xu, K. Wu, Sistem pendukung keputusan berbasis internet untuk
pemrosesan informasi dalam manufaktur cerdas menggunakan teknologi data mining,
Mech. Sistem Proses Sinyal. 142 (2020), https://doi.org/ 10.1016/j.ymssp.2020.106630
106630.
[80] A. Dwivedi, RP Pant, Implementasi algoritmik entropic ternary reduct soft sentimen set
(etrsss) menggunakan teknik soft computing pada big data sentiment analysis (bdsa) untuk
pemilihan keputusan yang optimal berdasarkan pembaruan waktu nyata dalam ulasan
online, J. Raja. Saud. Univ. Hitung. Inf. Sci. doi: 10.1016/j.jksuci.2019.10.001. .
[81] A. Galletta, L. Carnevale, A. Celesti, M. Fazio, M. Villari, Sistem berbasis cloud untuk
meningkatkan program loyalitas pemasaran retensi di industri 4.0: Sebuah studi tentang
implikasi penyimpanan data besar, IEEE Access 6 ( 2018) 5485–5492, https://doi.org/
10.1109/access.2017.2776400 .
[82] I. Mistry, S. Tanwar, S. Tyagi, N. Kumar, Blockchain for 5g-enabled iot untuk otomasi industri:
Tinjauan sistematis, solusi, dan tantangan, Mech.
Sistem Proses Sinyal. 135 (2020), https://doi.org/10.1016/j. ymssp.2019.106382 106382.
[83] A. Jabbar, P. Akhtar, S. Dani, Pemrosesan data besar waktu nyata untuk keputusan
pemasaran instan: Pendekatan problematisasi, Ind. Mark. Kelola. 90 (2019) 558–569,
https://doi.org/10.1016/j.indmarman.2019.09.001.
[84] E. Pagone, K. Salonitis, M. Jolly, Pembobotan otomatis resolusi tinggi pemetaan analisis
keputusan multi-kriteria untuk sistem manufaktur berkelanjutan, J. Clean. Melecut. 257
(2020), https://doi.org/10.1016/j. jclepro.2020.120272 120272.
[85] LA Tawalbeh, G. Saldamli, Mempertimbangkan kembali keamanan data besar dan privasi di
cloud dan sistem cloud seluler, J. King. Saud. Univ. Hitung. Inf. Sci. doi: 10.1016/
j.jksuci.2019.05.007. .
[86] Y. Fu, J. Ding, H. Wang, J. Wang, penjadwalan toko aliran stokastik dua tujuan dengan efek
memburuk dan pembelajaran dalam sistem manufaktur berbasis industri 4.0, Appl.
Komputer Lunak. 68 (2018) 847–855, https://doi. org/10.1016/j.asoc.2017.12.009.
[87] S. Ren, Y. Zhang, Y. Liu, T. Sakao, D. Huisingh, CMVB Almeida, Tinjauan komprehensif
analitik data besar di seluruh siklus hidup produk untuk mendukung manufaktur cerdas
berkelanjutan: Kerangka kerja, tantangan, dan arah penelitian masa depan , J. Bersih.
Melecut. 210 (2019) 1343–1365, https://doi. org/10.1016/j.jclepro.2018.11.025.
[88] QP He, J. Wang, Pemantauan proses statistik sebagai alat analisis data besar untuk
manufaktur cerdas, J. Process Control 67 (2018) 35–43, https://doi.org/ 10.1016/
j.jprocont.2017.06 .012.
[89] J. Woo, SJ Shin, W. Seo, P. Meilanitasari, Mengembangkan platform analitik data besar
untuk sistem manufaktur: arsitektur, metode, dan implementasi, Int. J. Adv. manuf.
teknologi. 99 (2018) 2193–2217, https://doi.org/10.1007/s00170-018-2416-9 .
[90] I. Kotenko, I. Saenko, A. Branitskiy, Meningkatkan kinerja teknologi manufaktur untuk
pemrosesan material tingkat lanjut menggunakan kerangka data besar dan pembelajaran
mesin, Mater. Hari ini: Prok. 11 (2019) 380– 385, https://doi.org/10.1016/j.matpr.2018.12.162.
[91] D. Kozjek, R. Vrabicÿ, B. Rihtaršcÿ, N. Lavrac, P. Butala, Memajukan sistem manufaktur
dengan analitik data besar: Kerangka kerja konseptual, Int. J. Hitung.
Integrasi manuf. 33 (2020) 169–188, https://doi.org/10.1080/ 0951192x.2020.1718765.
[92] JW Liu, Menggunakan database data besar untuk membangun penambangan teks gfuzzy
baru dan algoritma keputusan untuk menargetkan dan mengklasifikasikan pelanggan,
Comput. Ind. Eng. 128 (2019) 1088–1095, https://doi.org/10.1016/j.cie.2018.04.003.
[93] M. Fahmideh, G. Beydoun, desain arsitektur analitik data besar-aplikasi dalam sistem
manufaktur, Comput. Ind. Eng. 128 (2019) 948– 963, https://doi.org/10.1016/
j.cie.2018.08.004.
[94] JZ Wu, PJ Tiao, Skema validasi untuk pengambilan keputusan beberapa kriteria yang cerdas
dan efektif, Appl. Lembut. Hitung. 68 (2018) 866–872, https://doi. org/10.1016/
j.asoc.2017.04.054.
[95] I. Izonin, T. Tepla, D. Danylyuk, R. Tkachenko, Z. Duriagina, I. Lemishka, Menuju
pengambilan keputusan yang cerdas pemilihan bubuk berbasis ti untuk manufaktur medis,
di: Proc. DASA Conf., 2020, hlm. 1-5.
[96] M. Suvarna, L. Büth, J. Hejny, M. Mennenga, J. Li, YT Ng, C. Herrmann, X.
Wang, Manufaktur cerdas untuk kota cerdas-ikhtisar, wawasan, dan arah masa depan,
Adv. Intel. Sistem 2 (2020) 2000043, https://doi.org/10.1002/aisy.202000043 .
[97] JC Forero-Ramírez, AD Restrepo-Girón, SE Tidak-Rodríguez, Deteksi cacat internal pada
pelat plastik yang diperkuat serat karbon menggunakan latar belakang
15
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
kompensasi termal dengan menyaring dan mendukung mesin vektor, J. Nondestr.
evaluasi. 38 (2019) 1–11, https://doi.org/10.1007/s10921-019-0569-6.
[98] I. Romli, T. Pardamean, S. Butsianto, TN Wiyatno, E. bin Mohamad, Implementasi algoritma
Naive bayes berbasis optimasi gerombolan partikel dalam menganalisis produk cacat, J.
Phys. Kon. Ser. (2021) 012020.
[99] J. Ren, R. Zhou, M. Farrow, R. Peiris, T. Alosi, R. Guenard, S. Romero-Torres, Penerapan
metode kesamaan berbasis knn untuk manufaktur biofarmasi, Biotechnol. Prog. 36 (2020) ,
https://doi.org/10.1002/ btpr.2945 e2945.
[100] S. Kaparthi, D. Bumblauskas, Merancang sistem pemeliharaan prediktif menggunakan teknik
pembelajaran mesin berbasis pohon keputusan, Int. J. Kualitas. handal.
Kelola. 37 (2020) 659–686, https://doi.org/10.1108/IJQRM-04-2019-0131.
[101] CH Wu, TA Zhou, CK Tsai, CJ Yu, S. Dauzère-Pérès, Pendekatan pembelajaran mendalam
untuk pengiriman dinamis mesin yang tidak dapat diandalkan dalam sistem produksi re-
entrant, Int. J.Prod. Res. 58 (2020) 2822–2840, https://doi.org/ 10.1080/00207543.2020.1727041.
[102] B. Zhou, Z. Zhu, Sebuah mekanisme penjadwalan dinamis bagian makan untuk lini
perakitan model campuran berdasarkan jaringan saraf dimodifikasi dan basis pengetahuan,
Soft Comput. 25 (2021) 291–319, https://doi.org/10.1007/s00500-020- 05141-x.
[103] D. Tan, M. Suvarna, YS Tan, J. Li, X. Wang, Kerangka pembelajaran mesin tiga langkah
untuk profil energi, prediksi keadaan aktivitas dan estimasi produksi dalam proses
manufaktur cerdas, Appl. Energi 291 (2021) , https://doi.org/10.1016/j.apenergy.2021.116808
116808.
[104] Z. Li, Z. Zhang, J. Shi, D. Wu, Prediksi kekasaran permukaan dalam manufaktur aditif
berbasis ekstrusi dengan pembelajaran mesin, Robot Comput. Integrasi
manuf. 57 (2019) 488–495, https://doi.org/10.1016/j.rcim.2019.01.004.
[105] L. Aarnoudse, C. Pannier, Z. Afkhami, T. Oomen, K. Barton, Kontrol pembelajaran berulang
spasial multi-layer untuk pembuatan aditif mikro **pekerjaan ini didukung oleh yayasan
sains nasional AS di bawah hibah nos . grfp 1256260 dan cmmi-1434693., IFAC-
PapersOnLine 52 (2019) 97–102, https://doi.org/10.1016/j.ifacol.2019.11.657 .
[106] I. Baturynska, O. Semeniuta, K. Martinsen, Optimalisasi parameter proses untuk pembuatan
aditif fusi unggun bubuk dengan kombinasi pembelajaran mesin dan metode elemen
hingga: Kerangka kerja konseptual, Procedia CIRP 67 (2018) 227–232, https ://doi.org/
10.1016/j. procir.2017.12.204.
[107] J. Francis, L. Bian, Pembelajaran mendalam untuk prediksi distorsi dalam pembuatan aditif
berbasis laser menggunakan data besar, Manuf. Lett. 20 (2019) 10–14, https://doi.org/
10.1016/j.mfglet.2019.02.001 .
[108] G. Wang, A. Gunasekaran, EWT Ngai, T. Papadopoulos, Analisis data besar dalam logistik
dan manajemen rantai pasokan: Investigasi tertentu untuk penelitian dan aplikasi, Int.
J.Prod. Ekonomi 176 (2016) 98–110, https://doi.org/ 10.1016/j.ijpe.2016.03.014.
[109] N. Shukla, MK Tiwari, G. Beydoun, Sistem manufaktur dan layanan cerdas generasi
berikutnya menggunakan analitik data besar, Comput. Ind. Eng. 128 (2019) 905–910,
https://doi.org/10.1016/j.cie.2018.12.026.
[110] R. Krishnan, VA Samaranayake, S. Jagannathan, Pendekatan pengurangan dimensi
hierarkis untuk data besar dengan aplikasi untuk diagnostik kesalahan, Besar.
Data Res. 18 (2019) , https://doi.org/10.1016/j.bdr.2019.100121 100121.
[111] Y. Kong, Z. Qin, T. Wang, Q. Han, F. Chu, Metode pengenalan cerdas berbasis representasi
yang disempurnakan untuk diagnosis kesalahan bantalan planet di turbin angin, Renew.
energi 173 (2021) 987–1004, https://doi.org/10.1016/j.renene.2021.04.019 .
[112] G. Ma, M. Wu, Z. Wu, W. Yang, Single-shot multibox detector- dan model inspeksi kualitas
berbasis pemodelan informasi bangunan untuk proyek konstruksi, J. Build. Ind. 38 (2021),
https://doi.org/10.1016/j.jobe.2021. 102216 102216.
[113] Y. Gao, Sebuah metode berbasis jaringan saraf semi-diawasi convolutional untuk pengenalan
cacat permukaan baja, Robot. Hitung. Integrasi manuf. 61 (2019) , https://doi.org/10.1016/
j.rcim.2019.101825 101825.
[114] M. Soualhi, KT Nguyen, K. Medjaher, Metode pengenalan pola diagnostik kesalahan
berdasarkan indikator kesehatan baru untuk manufaktur cerdas, Mech.
Sistem Proses Sinyal. 142 (2020), https://doi.org/10.1016/j.ymssp. 2020.106680 106680.
[115] M. Grzegorowski, E. Zdravevski, A. Janusz, P. Lameski, C. Apanowicz, D. sle zak,
Optimalisasi biaya untuk beban kerja data besar berdasarkan penjadwalan dinamis dan
penyetelan ukuran cluster, Big Data Res. 25 (2021) 100203. https://doi.org/10.1016/
j.bdr.2021.100203.
[116] MT Islam, SN Srirama, S. Karunasekera, R. Buyya, Penjadwalan dinamis yang hemat biaya
dari aplikasi big data di apache spark on cloud, J. Syst. lunak 162 (2020), https://doi.org/
10.1016/j.jss.2019.110515 110515.
[117] Z. Tang, A. Zeng, X. Zhang, L. Yang, K. Li, Penjadwalan sadar-memori dinamis dalam
lingkungan komputasi percikan, J. Paralel. distribusikan. Hitung. 141 (2020) 10–22, https://
doi.org/10.1016/j.jpdc.2020.03.010.
[118] B. Wang, C. Wu, L. Huang, L. Kang, Menggunakan pengambilan keputusan keselamatan
berbasis data untuk mewujudkan manajemen keselamatan cerdas di era data besar:
Perspektif teoretis tentang pertanyaan dasar dan jawabannya, J . Membersihkan. Melecut.
210 (2019) 1595–1604, https://doi.org/10.1016/j.jclepro.2018.11.181.
[119] Y. Zhang, Penelitian tentang teknologi kunci dari desain jarak jauh produk mekanis
berdasarkan kecerdasan buatan, J. Vis. komuni. Gambar R. 60 (2019) 250–257, https://
doi.org/10.1016/j.jvcir.2019.02.010.
[120] Y. Zhang, S. Ren, Y. Liu, S. Si, Arsitektur analitik data besar untuk manufaktur yang lebih
bersih dan proses pemeliharaan produk kompleks, J. Clean. Melecut. 142 (2017) 626–641,
https://doi.org/10.1016/j.jclepro.2016. 07.123.
Machine Translated by Google
C. Li, Y. Chen dan Y. Shang
[121] H. Zorrer, R. Steringer, S. Zambal, C. Eitzinger, Menggunakan analitik bisnis untuk pendukung
keputusan dalam pembuatan komponen komposit tanpa cacat di industri kedirgantaraan, di:
Proc. IFAC Conf., 2019, hlm. 1461–1466.
[122] S. Mao, B. Wang, Y. Tang, F. Qian, Peluang dan tantangan kecerdasan buatan untuk manufaktur
hijau dalam industri proses, Teknik 5 (2019) 995–1002, https://doi.org/ 10.1016/j.eng.2019.08.013.
[123] S. Wang, YC Liang, WD Li, XT Cai, Data besar memungkinkan sistem kekebalan cerdas untuk
manajemen manufaktur hemat energi, J. Clean. Melecut. 195 (2018) 507–520, https://doi.org/
10.1016/j.jclepro.2018.05.203.
[124] L. Kong, Z. Liu, J. Wu, Tinjauan sistematis penelitian keberlanjutan perkotaan berbasis data besar:
State-of-the-science dan arah masa depan, J. Clean.
Melecut. 273 (2020), https://doi.org/10.1016/j.jclepro.2020.123142 123142.
[125] NR Sanders, Cara menggunakan data besar untuk menggerakkan rantai pasokan Anda, California Manage.
Wahyu 58 (2016) 26–48, https://doi.org/10.1525/cmr.2016.58.3.26.
[126] C. Wilkin, A. Ferreira, K. Rotaru, LR Gaerlan, Prioritas data besar dalam pengambilan keputusan
scm: Peran dan implikasi kinerjanya, Int. J.Akun. Inf.
Sistem 38 (2020), https://doi.org/10.1016/j.accinf.2020.100470 100470.
[127] D. Bumblauskas, D. Gemmill, A. Igou, J. Anzengruber, Sistem pendukung keputusan pemeliharaan
cerdas (smdss) berdasarkan analitik data besar perusahaan, Ahli. Sistem aplikasi 90 (2017) 303–
317, https://doi.org/10.1016/j. eswa.2017.08.025.
[128] I. Erozan, Sebuah sistem pendukung keputusan fuzzy untuk mengelola kegiatan pemeliharaan
komponen penting dalam sistem manufaktur, J. Manuf. Sistem 52 (2019) 110–120, https://doi.org/
10.1016/j.jmsy.2019.06.002.
[129] B. Niu, Z. Dai, X. Zhuo, Efek co-opetition dari permintaan sensitif waktu pengiriman yang dijanjikan
pada investasi data besar operator kargo udara dan keputusan berbagi sinyal permintaan,
Transp. Res. Pt. e-logist. terjemahan Wahyu 123 (2019) 29–44, https://doi.org/10.1016/
j.tre.2019.01.011 .
[130] M. Khakifirooz, CF Chien, YJ Chen, inferensi Bayesian untuk menambang data besar manufaktur
semikonduktor untuk peningkatan hasil dan produksi cerdas untuk memberdayakan industri 4.0,
Appl. Lembut. Hitung. 68 (2018) 990–999, https://doi.org/10.1016/j.asoc.2017.11.034.
[131] H. Yan, J. Wan, C. Zhang, S. Tang, Q. Hua, Z. Wang, Analisis data besar industri untuk prediksi
sisa masa manfaat berdasarkan pembelajaran mendalam, IEEE Access 6 (2018) 17190– 17197,
https://doi.org/10.1109/access.2018.2809681.
[132] A. Kumar, R. Shankar, LS Thakur, Kerangka kerja manufaktur berkelanjutan yang didorong oleh
data besar untuk prediksi pemeliharaan berbasis kondisi, J.
Hitung. Sci. 27 (2018) 428–439, https://doi.org/10.1016/j.jocs.2017.
06.006.
[133] D. Kozjek, R. Vrabicÿ, D. Kralj, P. Butala, Pendekatan holistik berbasis data untuk prognostik
kesalahan dalam proses manufaktur siklik, di: Proc. CIRP Conf., 2017, hlm. 664–669.
16
Teknik Sains dan Teknologi, Jurnal Internasional 29 (2022) 101021
[134] DS Cochran, D. Kinard, Z. Bi, Desain sistem manufaktur memenuhi analitik data besar untuk
peningkatan berkelanjutan, dalam: Proc. CIRP Conf., 2016, hlm. 647–
652.
[135] F. Rousseaux, Data besar dan algoritma prediksi cerdas berbasis data untuk mendukung kreativitas
dalam teknik industri, Comput. Ind. Eng. 112 (2017) 459–465, https://doi.org/10.1016/
j.cie.2016.11.005.
[136] KH Rahouma, FM Afify, HF Hamed, Desain detektor kesalahan otomatis baru berdasarkan
kecerdasan buatan dan teknik data besar, Procedia Manuf. 163 (2019) 460–471, https://doi.org/
10.1016/j.procs.2019.12.129.
[137] Q. Zhang, LT Yang, Z. Chen, P. Li, Sebuah survei tentang pembelajaran mendalam untuk data besar, Inf.
Fusi. 42 (2018) 146–157, https://doi.org/10.1016/j.inffus.2017.10.006.
[138] F. Xu, Y. Li, L. Feng, Pengaruh sistem data besar untuk manajemen produk yang digunakan pada
operasi manufaktur-remanufaktur, J. Clean. Melecut. 209 (2019) 782–794, https://doi.org/10.1016/
j.jclepro.2018.10.240.
[139] YC Liang, X. Lu, WD Li, S. Wang, Sistem fisik siber dan data besar memungkinkan pengoptimalan
permesinan hemat energi, J. Clean. Melecut. 187 (2018) 46–62, https://doi.org/10.1016/
j.jclepro.2018.03.149.
[140] A. Soroka, Y. Liu, L. Han, MS Haleem, Wawasan pelanggan yang didorong oleh data besar untuk
UKM dalam manufaktur yang didistribusikan ulang, di: Proc. CIRP Conf., 2017, hlm. 692–697.
[141] R. Foresti, S. Rossi, M. Magnani, C. Guarino Lo Bianco, N. Delmonte, Masyarakat cerdas dan
kecerdasan buatan: Penjadwalan data besar dan metode standar global yang diterapkan pada
pemeliharaan cerdas, Teknik. doi: 10.1016/j. ind.2019.11.014. .
[142] D. jentikkan, f. Kuschick, m. schweikert, T. Thiele, N. Panten, S. Thiede, C. herrmann, Penegasan
informasi konsumsi energi di era data besar industri, dalam: Proc. CIRP Conf., 2018, hlm. 202–
208. .
[143] R. Kumar, SP Singh, K. Lamba, Tata letak kokoh berkelanjutan menggunakan pendekatan big
data: Kunci menuju industri 4.0, J. Clean. Melecut. 204 (2018) 643–659. https://doi.org/10.1016/
j.jclepro.2018.08.327 .
[144] L. Yang, C. Hao, X. Yang, Penetapan harga dan keputusan pengurangan emisi karbon
mempertimbangkan perhatian keadilan di era data besar, dalam: Proc. CIRP Conf., 2019, hlm.
743–747.
[145] Y. Wang, S. Wang, B. Yang, L. Zhu, F. Liu, Big data didorong paradigma remanufaktur prediktif
kembar digital hirarkis: Arsitektur, mekanisme kontrol, skenario aplikasi dan manfaat, J. Clean.
Melecut. 248 (2020), https://doi.org/10.1016/j.jclepro.2019.119299 119299.
[146] E. Yadegaridehkordi, M. Hourmand, M. Nilashi, L. Shuib, A. Ahani, O. Ibrahim, Pengaruh adopsi
data besar pada kinerja perusahaan manufaktur: Pendekatan dematel-anfis terintegrasi, Technol.
Ramalan. Soc. Ubah 137 (2018) 199–210, https://doi.org/10.1016/j.techfore.2018.07.043.
[147] M. Barring, C. Lundgren, M. Akerman, B. Johansson, J. Stahre, U. Engstrom, M.
Friis, evaluasi manufaktur yang memungkinkan 5g untuk pengambilan keputusan berdasarkan
data, dalam: Proc. CIRP Conf., 2018, hlm. 266–271.