HIEE400235R1 助于实现敏捷的性能

#2管理大数据:随着数据量随着时间的推移而增加，对每个数据点进行简单的手动检查的流程已经不够了，集成变得更加复杂。此外，大数据意味着更大的深度、变化和数据量，使得集成更加耗时和困难。

如何克服:重新定义数据质量指标以根据阈值自动跟踪数据点将使数据集成过程更加顺畅。同样，随着数据量的增加，采用更快、更强大的处理器将有助于确保方便、及时的集成。

例如，在快节奏的装配线环境中，生产线上特定产品的质量可能需要通过基于深度学习的计算机视觉算法进行筛选。如果处理器在紧张的时间表中处理数据点的速度不够快，可能会影响生产效率。

同样，大数据也需要关注各种各样的数据参数，这些参数看似相互排斥，但从精益效率的角度来看，它们之间可能仍存在间接关联。这个因素会影响整个制造过程。

#3数据排名:并不是所有的数据都很重要。因此，采购、处理和最终集成将会增加您的预算，并可能会歪曲您的数据管理结果。

如何克服:在开始集成练习之前，按照重要性对数据进行排序，根据数据点对生产运营的影响程度来分配数据点。

制造商通常使用包括故障模式影响和危害性分析2 (FMECA)在内的技术来得出可以收集的数据点。他们寻找无缝集成这些数据点的方法来解决产品故障。

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。