制造中的大数据事故预防
来源：CPDA数据分析师网 / 时间：2021-07-02
过程安全数据被锁定在许多不同的来源中，并且是结构化、非结构化、静态和动态信息的组合，当我们查看此概述时，很容易看到 BIG 数据（也称为 7 V）的各种属性。
V olume -过程历史学家产生设备和传感器数据24×7用于在设施一个非常大的数量的传感器。
V ariety -数据的类型非常动态的，静态的，结构化以及非结构化信息之间变化。
V elocity -历史数据被不断地从设施传感器产生，但同样也是如此工作报告，附图更新和其它信息。
V ALUE -有反映设施的新的“竣工”状态既有历史价值，而且文件。
V eracity -许多数据都是基于书面文件（手写），质量并不总是一致或准确。信息也存储在不同的系统中，并且通常不对齐。
可变性——信息不一致，相同的信息可以采用不同的格式，高度依赖于人类创造。
V alence -大量数据的互联，工作指令将参考由一个历史学家，这也是在事故报告中提到的记录设备的信息。
由于过程数据符合“大”数据的要求
因此可以将这些源模型组合起来进行预测分析，这可以用于的一个领域是风险评估，在这种情况下，研究人员描述了不同的风险层，所有层都相互关联并反映了设施，每一层使用不同的输入源——这会导致风险分类，考虑到设施发生事件的频率，建立了一个公式来更准确地确定给定场景的风险状况——在这种情况下是粉尘爆炸的风险，为大数据开发的风险框架。
机器学习以实现更好的态势感知
除了预测分析之外，大数据集还用于为操作员提供更强的态势感知能力，很容易想象许多不同的数据源可能会为设施操作员产生冲突的信息，在紧急情况下需要在几秒钟内做出响应。为设施操作员提供底层来源中可用的所有准确信息对于防止设施中发生事故可能是微不足道的，现有的软件解决方案可以分析底层数据源并找到隐藏的模式，从而以通常不可用的方式链接信息，利用复杂的文档提取方法，结合模式匹配和机器学习，该软件可以利用所有数据源来链接到数据，当设施操作员打开文档时，他可以立即查看历史数据、参考设备手册、当前和历史工单等。
在制造业中使用大数据技术存在许多机会
虽然有些仍处于研究阶段，但有些则以可用产品的形式出现，为小型和大型企业提供具有成本效益的方法。