大数据时代,新闻生产有何变化？
关的搜索和分析提供新闻的背景材料和最新消息。再将这些数据套用到已经设定好的模板之中，一篇由机器人写作的新闻稿就完成了。由于写作模板的限制，目前这种写作模式还仅运用在体育和金融领域的报道中，尚未在全领域全面开展。大数据技术带来的价值并不仅仅在帮助记者在相对简单的新闻稿写作中偷懒，借用大数据，记者同样可以完成更有深度的报道。在深度报道中，记者可以根据自己得到的新闻线索，借用大数据技术进行背景资料的搜索和整合，获取更多人力难以获得信息，如前文提到的使用传感器就是进行深度报道一种很有效的信息采集方式。同时，这些信息可以被大数据信息进行分析，得出相关的预测。在通过计算机得到充足的信息后，记者可以根据新闻事件的逻辑关系对信息进行梳理，完成新闻稿件的写作。这种人机合作的新闻生产方式，无疑极大地提高了新闻生产的效率，也是对传统的依靠记者写稿的报道方式的变革。三、媒介组织更强调数据共享大数据概念的核心不仅在于“数据”，还有海量、全面的“大”，即海量而全面的交互数据。大数据时代，数据是最大的资源，只有拥有了足够多的数据样本，媒介组织才能够在新闻生产上占据主动权。在大数据时代占据先机，最根本在于数量上的积累。以互联网巨头腾讯为例，与传统的新闻聚合类门户网站不同，腾讯将自己定位为产品和服务的提供商，它本身也不生产新闻产品。但在最新的新闻类app市场份额数据中，腾讯新闻占据的市场份额遥遥领先，这一切都有赖于腾讯旗下的即时通讯软件、各类游戏为其积累的庞大的用户群体，通过记录这些用户群体的使用习惯，更能了解用户的兴趣点，提供个性化定制的新闻推送。数据的流动和开放也是非常重要的。根据大数据的数据分析原则，大数据技术对数据进行分析时采用的是定量分析，并且用于分析的数据没有明确的容错阈值。在可能存在大量偏差的情况下，对数量越大、越全面的数据进行分析，得到的相关关系将越接近事实。而一家独立的媒介组织掌握的数据数量有限，不可能涵盖所有的方面，因此媒介组织之间的数据共享十分必要。在这种实际情况的要求之下，新闻媒体将不得不搭建互动式的信息平台，积累新闻信息和受众的数据信息，通过数据共享以满足大数据时代新闻生产的需求。
& 果果文库所有资源均来源于互联网，仅供网友学习交流，若侵犯了您的权益，请联系我们予以删除。
1477&&人浏览
18685&&人浏览
4184&&人浏览
12652&&人浏览
14027&&人浏览
9511&&人浏览
17282&&人浏览
33&&人浏览
4609&&人浏览
8701&&人浏览
12130&&人浏览
11296&&人浏览
17647&&人浏览
16211&&人浏览
2509&&人浏览
本文标题：大数据时代,新闻生产有何变化？ 链接地址：
2013- Inc. All Rights Reserved 果果文库 版权所有 联系站长: ; 经营许可证编号:浙ICP备号智能工厂的核心，在于大数据分析与处理
随着物联网、大数据和移动应用等新一轮信息技术的发展，全球化工业革命开始提上日程，工业转型开始进入实质阶段。在中国，智能制造作为国家战略，将主导新一轮工业化转型升级机遇。智能工厂作为智能制造的重要实践模式，已经引发行业的广泛关注。智能工厂的关键在于智能化，而智能化的核心在于大数据处理。本文将带你理解智能工厂与其背后的大数据技术。
智能工厂是在数字化工厂基础上的升级版，但是与智能制造还有很大差距。真正的智能制造不只是人工智能系统，而是人机一体化智能系统，将机器智能和人的智能真正地集成在一起，是混合智能。这就要求机器智能系统可独立承担分析、判断、决策等任务，与人配合，更好发挥人的潜能。机器智能的实现，需要建立在大数据分析的基础上，大数据分析是这一切的核心所在。
近年来，随着“工业4.0”时代的日渐来临，制造企业的数据将会爆炸式增长。随着信息物理系统（CPS）的推广、智能装备和终端的普及以及各种各样传感器的使用，将会带来无所不在的感知和无所不在的连接，所有的生产装备、感知设备、联网终端，包括生产者本身都在源源不断地产生大数据，这些大数据将会渗透到企业运营、价值链乃至产品的整个生命周期，是工业4.0和智能制造的基石。
有了这些大数据，制造企业需要的就是建模、分析加以利用，利用大数据分析帮助企业提升竞争力。目前总体来说，智能制造关注的企业数据分为四类：
1、产品数据
包括设计、建模、工艺、加工、测试、维护、产品结构、零部件配置关系、变更记录等数据。产品的各种数据被记录、传输、处理和加工，使得产品全生命周期管理成为可能，也为满足个性化的产品需求提供了条件。
2、运营数据
运营包括组织结构、业务管理、生产设备、市场营销、质量控制、生产、采购、库存、目标计划、电子商务等数据。工业生产过程的无所不在的传感、连接，带来了无所不在的数据，这些数据会创新企业的研发、生产、运营、营销和管理方式。
3、价值链数据
包括客户、供应商、合作伙伴等数据。企业在当前全球化的经济环境中参与竞争，需要全面地了解技术开发、生产作业、采购销售、服务、内外部后勤等环节的竞争力要素。大数据技术的发展和应用，使得价值链上各环节数据和信息能够被深入分析和挖掘，为企业管理者和参与者提供看待价值链的全新视角，使得企业有机会把价值链上更多的环节转化为企业的战略优势。例如，汽车公司大数据提前预测到哪些人会购买特定型号的汽车，从而实现目标客户的响应率提高了15%至20%，客户忠诚度提高7%。
4、外部数据
包括经济运行、行业、市场、竞争对手等数据。为了应对外部环境变化所带来的风险，企业必须充分掌握外部环境的发展现状以增强自身的应变能力。大数据分析技术在宏观经济分析、行业市场调研中得到了越来越广泛的应用，已经成为企业提升管理决策和市场应变能力的重要手段。
智能制造战略落地中国企业，工业大数据是一项重要抓手。利用工业大数据分析，可以找出隐性的问题并预测未知情况的发生，有助于及时地做好预防，避免故障和偏差。
顺应智能制造趋势，极星大数据分析平台提供智能工厂解决方案。首先汇集生产、设备及外部数据；其次是建立预测模型，预测产品的生产数量、频次，预测原料的领用、水电的耗费等；最后建立分类模型，对产品的优劣根据生产数据预判，对设备的维修与否进行预判。
关于极星大数据分析平台
极星大数据分析平台，由深圳康拓普公司开发，是一款专为大型企业及专业机构海量数据，打造的大数据一体化解决方案。极星大数据分析平台能提供强大的海量数据的处理功能，如：数据采集、数据存储、数据处理、数据挖掘、数据分析、数据可视化、数据专业算法等，广泛适用于金融、电力、制造业、石化、燃气、交通等各行各业。
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
政企专用电子招投标平台
让会议更环保、更高效、更轻松！
今日搜狐热点当前位置：
请您简短留言：
中国卡车网数据分析：当前页面：&&&&&&&智能制造中大数据分析和物联网的地位
智能制造中大数据分析和物联网的地位
当前，制造过程中所产生的数据的规模、类型和速度正在呈指数级增长，带来了巨大的发展机遇。通过认真分析这些数据，企业可获得竞争优势、快速响应不断变化的市场动态、显著提高制造利润、生产力和效率。工厂车间中的设备会生成成千上万种不同的数据类型，例如多个级别的单位生产数据、设备运行数据、流程数据、人工操作员数据等。这些数据可以在存储后用于数据分析。尽管大型制造商多年来一直在使用统计流程控制和统计数据分析来优化生产，但当今数据的复杂结构成为部署新方案、基础架构和工具带来了重大机遇。得益于更卓越的计算性能的涌现、开放标准的推出和广泛可用的行业专长，制造业已经准备好充分利用大数据。此外，在学术研究的推动下，技能娴熟的数据科学家数量庞大，他们将能够在使用大数据方面为制造业提供更出色的支持。借助全新的制造智能特性，制造商能够提高质量，增加产量，更准确地了解制造问题的根本原因，以及减少机器故障和宕机情况。借助新的业务价值和技术能力，制造商将能够改变业务模式和实践，以优化设计，实现出色的可制造性，从而改进供应链管理，并采用定制的制造服务缩短专为各地消费者量身定制的产品的上市时间。本文概述了英特尔一家制造工厂的（IoT）试点计划，以说明将数据分析应用于工厂设备和传感器可如何提升制造流程的运营效率并节约生产成本。在实施这一物联网大数据分析项目的过程中，英特尔与Cloudera、戴尔、三菱电机和Revolution Analytics进行了紧密的行业协作，预计每年将能够节省数百万美元，并带来更高的投资回报。挑战：如何从所有的制造数据中提炼价值？大数据实质上是包含各种数据类型的庞大数据集，可以分为结构化、半结构化或非结构化，如表1所示。结构化数据适合放在格式整齐的表格中，因此相对容易管理和处理。结构化数据的优势是便于输入、存储、查询和分析。相关示例包括关系数据库中存储的制造数据，以及来自制造执行系统和企业系统的数据。另一方面，非结构化数据（例如图片、文本、设备日志文件、人工操作员生成的值班报告和制造社交协作平台文本等）可能为原始格式，需要经过解码才能提取数据值。半结构化数据是结构化数据的一种，其格式不符合关系数据库或其他形式的数据表关联的数据模型标准结构，但包含用于分隔语义要素的标记或其他记号，并且数据中明确了记录和字段层次结构。在制造业，要想发挥大数据技术的强大作用，需要将这些数据集类型进行合并与关联，从中发现新的洞见，从而创造出色的业务价值。大数据技术的另一个价值定位就是，支持制造商以经济高效、可扩展的方式聚合并集中各类数据。表1 制造数据示例 制造流程存在各种变量，如材料、流程方案和方法以及设备差异，这就要求制造商采用基于可扩展平台的大数据解决方案，这种平台能够随着业务增长和制造要求的提高而扩展。机器数据与产量和质量密切相关，因此能够为主动检测将要失去控制的流程提供重要信息。然而，一些类型的制造流程会产生大量数据文件（每个工具类型几天就可产生GB级数据，如表2所示），限制了使用传统方法从这些数据中分析、提取和存储有用信息的能力。如果不使用大数据技术，直观呈现来源广泛的大型数据集中的信息都非常困难。表2 数据大小示例 应对挑战：英特尔制造部门使用大数据分析服务器和物联网网关的物联网试点计划图1 支持为从工厂车间到数据中心的整个过程提供制造智能的端到端基础架构构建模块图1所示为面向大小型数据集的高级物联网制造架构，这些数据集包含来源于制造车间和制造网络、可供收集和聚合的各类数据。该架构为通过数据可视化、监控和挖掘创建新型商业智能提供了全新可能。举例来说，该架构可以清理、提取和转换来自现有数据库的结构化数据、来自工具传感器的非结构化数据以及来自传统设备的日志文件，并将它们整合在一个数据存储平台（即Hadoop）中。然后，运行在内部服务器（即数据存储服务器）上不同虚拟机的高级工厂应用可对数据进行可视化和分析。或者，用户可使用网络上的其他分析或监控应用访问这些数据。其他增强功能包括在Hadoop或其他类型文件系统中进行分析或在内存中进行分析以提升性能。分析结果可通过网络商业智能层中的直观可视化功能展示给用户。英特尔制造部门试点计划中的大数据分析物联网服务器设置 图2 大数据分析服务器英特尔制造部门在其试点部署中使用的大数据分析服务器如图2所示。戴尔的紧凑型系统 PowerEdge*VRTX2被选作内部服务器，以在私有云环境中托管大数据和分析软件。该系统包含一个Dell PowerEdge VRTX机箱，配备25块900GB硬盘和2台Dell PowerEdgeM820刀片式服务器，每一台服务器配备E5-4600产品家族中的4颗英特尔?至强?处理器。英特尔至强处理器E5-4600 产品家族提供了一款成本适宜的紧凑型四路处理器解决方案，最高支持8个内核、20MB末级高速（L3）缓存和1. 5TB内存容量，同时具备可快速转移数据的信道。两台M820 服务器可托管分析和应用软件，以及在多台虚拟机中运行的 Hadoop节点。Red Hat Entrise Linux* forVirtual Datacenters操作系统为针对可扩展、完全虚拟化数据中心而设计的服务器提供了一种全面的虚拟化软件解决方案。分析和应用节点 图3 大数据分析服务器上软件分配至虚拟机的情况图 3 显示了软件被如何分配至不同虚拟机（VM）。该节点托管着 5 台虚拟机，分别运行着不同的分析和应用工作负载。具体包括：&·来自Revolution Analytics的Revolution REnterprise* 是一款基于强大的开源R统计语言的分析软件。该软件可在分析解决方案和企业软件之间提供无缝、安全的数据桥，可解决采用基于R的分析功能及现有IT基础架构的企业所面临的关键集成问题。· MonetDB*：一种面向列的开源数据库管理系统，旨在帮助高效完成对大型数据库进行的复杂查询任务，如将表格与数百个列和数百万行进行组合。MonetDB已使用在各种需要高性能的应用中，如数据挖掘、在线分析处理（OLAP）、地理信息系统和流数据处理等。·PostgreSQL*：一款强大的开源对象关系型数据库系统，用于在线交易处理（OLTP）。物联网（IoT）网关三菱电机MELSEC-Q系列* C语言控制器是一款基于英特尔?凌动?处理器的网关，用于聚合并安全摄入数据至大数据分析服务器。数据摄入指验证、过滤和重新格式化数据，以便大数据分析软件更轻松地对其进行分析。三菱电机MELSEC-Q系列C语言控制器是具备众多智能系统功能特点的嵌入式解决方案，包括处理从传感器或通过网络收集的大量数据所需的稳定网络连接和卓越计算性能，同时支持复杂的系统控制和操作。这一控制器的核心是采用英特尔? 架构和 Wind River VxWorks* 实时操作系统的硬件平台。三菱电机开发了 MELSEC- Q系列C语言控制器，旨在满足多种工厂自动化要求，具备卓越的可靠性，可适应苛刻的环境， 且长期可用。这些特性助它成为一款坚 实可靠的产品，几乎无需维护物联网制造应用。MELSEC-Q 系列C语言控制器取代了传统可编程控制器中使用的梯形逻辑，使用国际标准 C 语言（C和C++）提供了更灵活的编程能力。它能够支持用户充分利用现有的C语言软件和开发资源。CIMSNIPER* 是一款适用于三菱电机 MELSEC-Q 系列 C 语言控制器的数据获取和处理软件包。它能够收集流程数据（包括 SECS 信息）和制造设备错误， 而无需修改现有系统。大数据分析案例在过去的两年中，英特尔开发了十几个大数据项目，巩固了运营效率和收入。下方列出了几个示例：&缩短产品测试时间英特尔? 制造的每一枚芯片都要经过彻 底的质量检查，通过多种复杂的测试。英特尔发现，利用制造过程中收集的历史信息可以减少测试所需的产品数量，从而缩短测试时间。作为概念验证实施的这款解决方案在 2012 年为英特尔? 酷睿? 系列处理器节约了 300 万美元的测试成本。将这款解决方案扩展到更多产品后，英特尔 预计会节约3,000 万美元的成本。改善制造监控数据密集型流程也用于帮助英特尔在生产线上检测故障，这是一个高度自动化的环境。英特尔从整个工厂网络的制造工具和测试工具中提取日志文件，每小时多达 5 TB。通过捕获和分析这些信息，英特尔能够确定在制造流程中的哪个步骤开始偏离常规容差。针对此处讨论的当前端到端平台试点部署，英特尔与三菱电机、Cloudera、Revolution Analytics 和戴尔进行了紧密合作，成功开发了许多卓越功能，在使用数据挖掘科学解决实际制造问题方面取得了巨大进展，并通过成本节省和决策改进为英特尔节约了数百万美元。该项目的主要目标是发掘数据和数据分析的价值，通过预测制造获得更深刻的洞察力，并降低制造成本，同时不影响生产量或质量。下面详述了英特尔通过集成面向制造物联网的大数据分析和技术获得了一些突破性成就和发现。试点计划成效：使用案例 1：通过监控和分析设备参数值并在部件发生故障之前及时更换，减少不必要的产能损失。背景&自动测试装置（ATE）是专门用于在不同设备上执行测试的机器，这些设备被称作被测设备（DUT）。ATE 使用控制系统和自动化信息技术快速执行测试，测量并评估被测设备。11&ATE 系统连接到称为处理工具的自动更换工具上。该工具能够物理更换测试接口单元（TIU）上的被测设备，以便接受该装置的测试。问题陈述有缺陷的测试接口单元将会错误地将良品分类为次品，会对英特尔制造运营成本造成负面影响。有缺陷的测试接口单元会导致对被测设备进行错误分类，包括拒绝良品。英特尔制造部门的目的是检测潜在的 TIU 缺陷，以便及时修理或更换单元，防止它们被错误分类。如果有缺陷的测试接口单元将良品错误分类为次品，该单元将作废。在定期预防性维护期间，一些即便仍然运转正常的组件也会使用备件更换，以避免发生此类问题。成效和优势分析功能可在现有工厂联机流程控制系统触发之前，预测出高达 90% 的潜在测试接口单元故障。在此处的情况下，这可帮助及时更存在缺陷的 TIU 以免造成过度拒绝良品，将产能损失降低了 25%。此外，英特尔还减少了在预防性维护过程中提前更换尚未故障的备件的需求，从而预计可以降低 20% 的备件成本。使用案例 2：通过在焊球焊接设备中消除和减少错误焊球装配情况降低产能损失背景焊球焊接模块是为基片表面涂抹焊膏的部件。焊球被放置到焊球焊接表面，然后焊膏将其固定在相应位置上。整个封装通过一个回流焊炉，将在其中融化基片表面上的焊膏和焊球。焊球被真空吸附到贴装头的小孔上。系统将检查该贴装头上的焊球是否过多或缺失。当贴装头与基片对齐时，焊球被放置在基片的焊膏上。释放焊球后，将检查贴装头上是否残留有任何焊球。最后，摄像头成像系统将检查基片上是否缺失焊球或焊球位置是否存在偏移。问题陈述缺失焊球的单元为有缺陷的材料，会造成产能损失。多种场景会导致单元缺失焊球，包括真空压力不足等。成效和优势通过可视化处理传感器读数并将其与各种机器数据和执行系统数据进行关联，英特尔成功降低了产能损失，优化了维护成本，并避免了设备突然宕机。这可帮助技术人员主动解决问题，朝着创建预测维护功能而努力。使用案例 3：使用图像分析确定良品或次品背景设备是一种模块，可筛选单元并将其分类为良品和边际单元。良品将传送到加工流程，而边际单元将接收制造专员的检查并确定其优劣。该手动流程较为耗时。问题陈述人工检查并分类边际单元的流程非常繁琐，有时需要约8 小时才能成功将边际单元与真正的不良品隔离。这是因为单元送达操作员、然后传送到隔离模块、最后进行隔离比较费时。图像分析可帮助迅速识别检测模块检测到的不良品。成效和优势机器视觉设备模块中记录的边际图形经过预处理。每一张图像都是非结构化数据，需要修改尺寸、剪裁并转化为灰度模式，然后将每个像素转化为二进制格式。此流程的下一阶段涉及特征选择，非结构化图像将由一系列不同的值定义。然后，将这些值赋予各种机器学习算法，用于区分真正不良品和边际不良品。图像分析缩短了从大量边际单元中分离真正不良品的时间。图像分析确认不良品的速度大约比人工方法快10倍。数据流图4 高级数据流图4显示了上述使用案例中的数据如何 传输。基于英特尔凌动处理器的网关将实时获取的机器数据和传感器数据发送至大数据分析服务器（BDAS）。例如，焊球焊接模块的机器数据通过机器界面端口收集，来自模拟传感器的机器数据以数秒数 MB 的速度进行流传输。· 收集到的所有工厂数据都存储在 Hadoop* 中。以下不完全列表显示了使用 Hadoop 的现有功能可实现的可能性：&- HTTP：大数据分析服务器展示一个支持对 HDFS 进行操作的经验证的 REST HTTP 端点。- Apache Sqoop* 提供了连接工具， 用于将非 Hadoop 数据存储（如关系数据库和数据仓库）中的数据迁移至 Hadoop。- Flume* 能够接收持续的日志数据。·本部分上述使用案例中的特定数据格式为逗号分隔值（CSV） 文件或原始图像。尽管 Hadoop 生态系统包含多种数据摄入途径（如上所述），但一些工厂机器的网络传输能力有限，要求通过定制工程向 HDFS 提交数据：&- FTP：物联网网关拥有一个 FTP客户端，定期连接到大数据分析服务器，并将最新获取的数据直接传输到 HDFS。也可以根据实时数据流和分析要求使用 MQTT 和 REST 等其他数据流协议。- CIFS 共享（Windows 共享）：大数据分析服务器提供了一种 Windows/CIFS 共享目录，网关 可将文件复制到该目录中。·CSV 文件被使用 Pig 直接导入HBase*，而原始图像会先使用计算机视觉技术和 map-reduce 任务进行预处理，生成图像的文本数据表示。&·根据操作要求，数据将在三个数据 库中的一个进行存储：NoSQL （Hadoop）、RDMS/SQL或 Coli/ OLAP。·数据库可使用各种工具访问和处理， 包括 AquaFold、专门报告、工作流调度、ETL 和数据库集成。同时， Cloudera Distribution for Hadoop 可对数据实施各种操作。·处理过的数据使用专为工厂应用设计的Revolution Analytics 工具进行进一步分析。·这些数据在易于理解的仪表盘中向用户展示。经验总结和结论英特尔使用物联网网关，借助从英特尔自身制造网络和设备及传感器提取的数据，集成并验证了大数据分析内部服务器解决方案，从而证实了物联网对于制造业的出色业务价值。采用了三菱电机 MELSEC-Q 系列 C 语言控制器。试点计划的实施有赖于工厂工程师、IT 部门和来自 Cloudera、戴尔、三菱电机和 Revolution Analytics 的行业专家的通力合作。团队首先采用现有机器性能和监控数据，然后使用大数据分析和建模功能获取用于预测潜在偏移和故障的数据。机器组件故障预测功能可支持工程师修复并防止偏移，从而通过避免浪费生产部件、缩短维修时间和减少机器备件使用量节约大量资金。使用了大数据分析服务器和物联网网关上各种软件构建模块的集成套件。尚未开始利用制造数据中包含的智能优势的制造商，可以应用并实施此框架。已经使用数据提升效率的制造商可以进一步增强现有能力，以提高数据挖掘和分析能力。对于英特尔而言，此试点计划预计每年可节约数百万美元，并能够带来更高的投资回报。优势包括延长设备组件正常运行时间、最小化良品和次品错误分类（从而提高产能和生产力），支持预测维护，同时减少组件故障。英特尔的制造环境和设备中还有多种其他类型的参数、度量法、产品和设备数据（结构化和非结构化），可以通过挖掘和分析这些数据获取新的业务价值。通过利用这一机会,英特尔将能够进一步提高工厂的效率和生产力，建立出色竞争优势。
审核编辑（周薇）
更多内容请访问 中国工控网（)
新闻来源： 互联网/50cnnet
手机扫描二维码分享本页
工控网APP下载安装
工控速派APP下载安装
提点建议：
，请填写评语后直接提交。
&&匿名留言
看过的用户还看过
数据正在加载...
扫描二维码关注微博
扫描二维码关注微信【图文】生产部年度工作总结报告_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
生产部年度工作总结报告
大小：666.50KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢