Role dat v konceptu Průmysl 4.0

Abstract

Průmysl 4.0 je koncept, který udává směr, jímž se ubírají nové technologie v průmyslu. S tímto konceptem je spojena masivní digitalizace výrobního procesu, která otevírá nové možnosti využití digitálních dat pro zefektivnění výroby. Tato práce se v úvodu zabývá právě konceptem Průmyslu 4.0, jeho historickým vývojem a rozborem klíčových technologií, které jsou s ním spojovány, jako jsou např. "internet věcí" nebo "digitální dvojče". Všechny tyto technologie jsou datově orientované, tj. využívají sběr dat a jejich analýzu k zefektivnění jednotlivých procesů průmyslové výroby. Kvalita a kvantita nasbíraných dat hrají klíčovou roli ve funkčnosti těchto technologií, a právě proto se druhá kapitola zabývá zdroji a typy dat produkovaných ve výrobě. Následná analýza a efektivní využití těchto dat je provedena pomocí softwarových nástrojů, jimž se věnuje třetí kapitola této práce. Mezi tyto nástroje patří např. databázové systémy nebo technologie strojového učení prostřednictvím vyšších programovacích jazyků, jako je např. Python. Cílem této práce je aplikovat nástroje popsané ve třetí kapitole na simulované datové sadě leteckých motorů, zveřejněným NASA, kde pomocí metod strojového učení je vytvořen predikční model, jenž bude předpovídat zbývající životnost motorů na základě dat získaných ze senzorů umístěných v motoru.

Industry 4.0 is a concept that sets the direction for new technologies in the industry. This concept is associated with the massive digitization of the production process, which opens up new possibilities to streamline production. In the introduction, this work deals with the concept of Industry 4.0, its historical development, and analysis of key technologies that are associated with it, such as the Internet of Things (IoT) or the digital twin. All these technologies are data-oriented, i.e. they use data collection and analysis to streamline individual processes of industrial production. The quality and quantity of data collected play a crucial role in the functionality of these technologies, so the second chapter deals with the sources and types of data produced in production. Subsequent analysis and effective use of this data are performed using software tools, which are addressed in the third chapter of this work. These tools include, for example, database systems or machine learning technologies through higher-level programming languages such as Python. This work aims to apply the tools described in the third chapter on a simulated dataset of aircraft engines, published by NASA, where using machine learning methods to create a prediction model that will predict the remaining engine life based on data obtained from sensors located in the engine.