智能制造大数据应用解决方案
智能制造技术解决方案
智能制造技术解决方案智能制造技术在现代工业领域中扮演着越来越重要的角色。
通过应用人工智能、大数据分析、云计算等技术，智能制造技术能够提高生产效率、降低成本，并实现自动化和智能化的生产过程。
本文将探讨智能制造技术在不同领域中的应用，以及相关的解决方案。
一、智能制造技术在制造业的应用1.1 运筹优化智能制造技术可以通过运筹优化算法，对生产过程进行全面的优化和调度。
通过实时监控生产线上的设备状态和生产数据，智能制造系统可以自动分析和判断，并根据需求进行合理的调度。
这样可以最大程度地提高设备的利用率，减少闲置时间，同时保证生产任务的按时完成。
1.2 灵活制造智能制造技术使得生产线上的设备和机器能够根据需求自动调整和适应不同的产品要求。
通过集成传感器和控制系统，智能制造系统可以自动识别产品种类和规格，并根据要求进行相应的调整。
这样可以实现生产过程的灵活性和个性化定制，提高生产效率和产品质量。
1.3 数据分析与预测智能制造技术可以通过实时采集和分析生产数据，提供对生产过程的全面监控和分析。
通过应用大数据分析和机器学习算法，智能制造系统可以预测设备故障和生产异常，并提前采取相应的措施。
这样可以减少生产风险和停工时间，同时提高生产效率和产品质量。
二、智能制造技术在服务业的应用2.1 智能客服智能制造技术可以应用于服务行业中的客服工作。
通过自动化的语音识别和自然语言处理技术，智能客服系统可以理解客户的需求并给出相应的回答和解决方案。
这样可以提高客户满意度和响应速度，同时减少人工客服的工作负担。
2.2 智能物流智能制造技术可以应用于物流行业中的货物运输和仓储管理。
通过应用物联网和无人机等技术，智能物流系统可以实现货物的自动化运输和仓储管理。
这样可以提高物流效率和准确性，并降低运输成本和风险。
2.3 智能金融智能制造技术可以应用于金融行业中的投资和风险管理。
通过应用大数据分析和机器学习算法，智能金融系统可以分析和预测市场趋势和风险，提供相应的投资建议和风险管理策略。
智能制造中的智能制造大数据研究与应用
制定相关法律法 规：明确智能制 造大数据的伦理 和法律规范，确 保数据安全和隐
私保护
建立行业标准： 制定智能制造大 数据的行业标准， 规范数据采集、 处理、使用和共
享等环节
加强监管：加强 对智能制造大数 据的监管，确保 数据安全和隐私 保护，防止数据
客户需求分析：通过对测：通过对市场数据的分析，预测市场趋势，制定市场 策略
智能制造大数据技 术
数据采集：通过传感器、物联网等技术实时获取生产过程中的数据 数据存储：采用分布式数据库、云存储等技术进行数据存储和管理 数据安全：确保数据在采集、传输、存储过程中的安全性和隐私性 数据质量：保证数据的准确性、完整性和一致性，提高数据质量
提升客户体 验：通过大 数据分析， 了解客户需 求，提升客 户满意度和 忠诚度
加强风险 管理：利 用大数据 技术，加 强风险管 理，降低 企业风险。
制定相关政策： 鼓励企业采用 智能制造大数 据技术，提供 税收优惠等政
策支持
加强人才培养： 加大对智能制 造大数据人才 的培养力度， 提高人才素质
推动技术创新： 鼓励企业加大 研发投入，推 动智能制造大 数据技术的创
数据采集：从各种设备、 系统、传感器等渠道获取 数据
数据清洗：去除重复、错 误、缺失等无效数据
数据存储：将清洗后的数 据存储在数据库或数据仓 库中
数据挖掘：通过机器学习、 深度学习等方法从数据中 提取有价值的信息
数据可视化：将分析结果 以图表、图形等形式展示， 便于理解和决策
加密技术：对数据进行加密， 防止数据泄露
智能决策：利用人工智能算法， 优化生产计划、库存管理等
智能预测：通过大数据分析， 预测产品需求、生产效率等
工业大数据在智能制造中的应用
工业大数据在智能制造中的应用智能制造是指通过集成信息技术和智能化设备，实现生产过程的全面自动化、智能化和高效化。
而工业大数据作为智能制造的重要支撑，通过收集、存储、处理和分析大量的生产数据，为企业提供决策支持和优化生产过程。
一、工业大数据的定义和特点工业大数据是指在工业生产过程中产生的大量数据，包括生产设备的运行数据、产品质量数据、生产环境数据等。
与传统的数据相比，工业大数据具有以下特点：1.规模大：工业生产过程中产生的数据量庞大，涉及到多个环节和多个系统。
2.多样性：工业大数据涵盖了多种类型的数据，如结构化数据、半结构化数据和非结构化数据。
3.实时性：工业大数据需要实时采集和处理，以便及时发现问题并采取相应的措施。
4.价值密度高：工业大数据中蕴含着丰富的信息，通过挖掘和分析可以为企业提供有价值的洞察和决策支持。
二、1.生产过程优化：通过对工业大数据的分析，可以实时监测生产设备的运行状态，提前预警设备故障，并进行智能调度和优化，以提高生产效率和降低生产成本。
例如，在一家汽车制造企业中，通过对生产线上的工业大数据进行分析，发现某个设备存在异常，可能导致生产线停机。
及时采取措施修复设备，避免了停机损失，提高了生产效率。
2.质量控制：通过对工业大数据的分析，可以实时监测产品质量指标，发现质量问题，并进行追溯和分析，以找出问题根源并采取相应措施，保证产品质量。
例如，在一家电子产品制造企业中，通过对工业大数据的分析，发现某个生产批次的产品存在质量问题。
通过追溯工业大数据，发现问题出现在某个生产环节的设备上，及时修复设备并调整生产工艺，保证了产品质量。
3.供应链管理：通过对工业大数据的分析，可以实时监测供应链各个环节的数据，如物流数据、库存数据等，以实现供应链的智能化管理和优化。
例如，在一家制造企业中，通过对工业大数据的分析，发现某个供应商的物流配送速度较慢，导致库存积压。
通过与供应商沟通，并调整供应链计划，及时调整库存和物流，优化了供应链的效率。
智能制造中的大数据分析与处理
智能制造中的大数据分析与处理智能制造的现实应用正在逐渐推动着传统制造业向着数字化、智能化、网络化方向发展。
而大数据分析与处理作为智能制造的重要技术之一，对于提升智能制造的生产效率与质量、优化资源配置、降低生产成本等方面都具有至关重要的作用。
本文将详细探讨智能制造中的大数据分析与处理。
一、智能制造中的大数据在智能制造的过程中，大数据的来源包括传感器产生的实时数据、PLC（可编程逻辑控制器）产生的历史数据、MES（制造执行系统）产生的生产数据、ERP （企业资源计划）产生的业务数据等。
这些数据在智能制造的过程中被不断地产生、收集、保存和处理。
这些数据尤其是实时数据，可以在分析处理后用于智能制造中的实时监控、故障诊断、优化生产等方面，使得智能制造更加高效。
二、智能制造中的大数据处理大数据处理在智能制造中的应用非常广泛，主要表现在以下几个方面：1. 基于模型的预测通过建立模型，可以将历史数据转化为预测模型，并对未来的生产状态进行分析和预测。
这种方法可以提前发现潜在的生产问题，通过采取相应的措施和调整，降低生产风险。
在实际应用中，这些模型可以采用各种机器学习算法，比如逻辑回归、支持向量机等。
2. 实时监控与故障检测智能制造中的实时监控和故障检测可以有效减少生产线停机时间，提高生产效率。
构建实时监控和故障检测系统需要结合历史数据以及实时数据进行分析和决策。
通过对实时数据的监控和分析，可以实时监测设备的状态和质量，及时发现并解决生产线故障等问题。
3. 生产过程优化通过对历史数据的分析，可以发现生产存在的问题和瓶颈，并对生产过程进行优化，提高生产效率和资源利用率。
例如，可以通过对生产计划和实际生产情况的比较，自动调整生产计划，减少物料浪费和生产线空转时间等。
4. 智能识别与分类智能识别和分类通过分析大数据来判断产品的质量是否合格。
基于这种大数据分析，可以在生产过程中对生产设备和产品进行智能识别和分类，提高生产质量和产线稳定性，减少人为误判和修配错误。
大数据技术在智能制造中的应用案例分享
大数据技术在智能制造中的应用案例分享随着新一代信息技术的发展和普及，大数据技术已经成为一个热门的话题。
同时，智能制造也成为许多制造企业追求的目标。
大数据技术在智能制造中的应用，不仅可以实现生产的全自动化、高速化、高效化，还能提高产品质量和制造过程的管理水平。
今天，我们就来分享一些大数据技术在智能制造中的应用案例。
一、智能工厂：智能工厂是指通过大数据技术和智能化设备，实现产品生产从原材料采购到最终销售的全过程实时管控，并通过可视化技术对整个制造过程进行实时监控。
智能工厂的实现需要大量的数据采集、传输和处理，通过数据分析和建模，实现了整个制造过程的智能化管理。
包括某汽车零部件公司的工厂，通过引入智能制造系统和大数据技术，实现了工艺优化、质量管控、生产进度监控等功能。
为了提高工厂的生产效率和产品品质，该公司采用了自动化喷漆机、机器人装配线和智能巡检机器人等先进设备，同时通过引入大数据技术，实现了对生产制造数据的实时监控和分析，帮助公司优化了生产流程和提升了产品质量。
二、智能供应链：现代企业面临的挑战不仅仅是如何降低成本，更是如何提高供应链的效率和准确性。
因此，采用大数据技术协同供应链管理场景会变得越来越重要。
目前，许多大型企业已经开始将大数据技术应用于供应链的管理，以实现供应链的智能化。
比如，阿里云与中国移动等企业合作，建立了一条全产业链的供应链大数据服务平台，该平台可以实时监控供应链中的各个节点，追踪产品的流转情况，从而帮助企业提升供应链的效率和质量，降低企业的成本。
三、智能质量管理：采用大数据技术对生产流程中的各个环节进行监控和控制，可以实现质量管理的智能化。
通过大数据分析技术，可以对生产过程中的数据和参数进行实时监控，包括温度、湿度、压力等，从而实现对生产质量的有效控制。
比如，某生产企业可以采用智能质量管理系统，通过引入物联网和大数据技术，实现对生产过程的实时监控和数据分析，可及时发现问题，避免缺陷产品的生产，保障了产品品质。
智能制造中的大数据技术应用
智能制造中的大数据技术应用随着科技的进步和工业化生产方式的升级，智能制造已经成为了制造业的重要发展趋势。
其中，大数据技术在智能制造领域中具有不可替代的地位。
大数据技术可以帮助企业更加有效地利用数据资源，优化生产流程，提高生产效率，降低生产成本。
本文将探讨智能制造中大数据技术的应用。
一、大数据在智能制造中的应用大数据是指那些数据量巨大、结构复杂、速度快且多样化的数据，它们具有很高的价值和挑战性。
在智能制造领域中，大数据可以通过以下方式得到应用：1. 实时监测和控制：智能制造中的关键环节就是对生产线上工艺参数的监测和控制。
生产线上各种传感器收集到的数据量很大，对实时监测和控制提出了更高的要求。
这时候，大数据技术派上用场，可以实时分析数据，获得更精确的生产流程和机器设备的状态信息，从而实现对生产过程实时监测和控制。
2. 生产过程仿真：大数据技术可以帮助企业根据实际的生产数据，对整个生产流程进行仿真分析，找出生产过程中的瓶颈和问题，进行优化和改进，从而提高生产效率，降低生产成本。
3. 预测维护：大数据技术可以对生产线上各种机器设备和设施进行监测和分析，通过对数据的分析，可以预测机器设备的故障，实现设备的预测性维护，从而提高设备的利用率，降低设备维护成本。
二、智能制造中大数据技术的优势大数据技术在智能制造中具有以下优势：1. 降低生产成本：通过大数据技术的应用，企业可以更好地掌握和利用生产过程数据，找到生产流程中的瓶颈和问题，对生产流程进行优化和改进，从而降低生产成本。
2. 提高生产效率：大数据可以实时监测和控制生产流程，并根据实际情况对生产流程进行调整和优化，提高生产效率。
3. 提高产品质量：大数据技术可以对产品质量进行监测和分析，找出生产过程中的缺陷和问题，从而提高产品质量。
4. 实时预测生产状况：大数据技术可以实时监测生产过程中的各种数据，对生产状况进行实时预测，并提前预判生产过程中可能出现的问题，从而实现生产管理的智能化。
大数据在智能制造中的实际应用案例
大数据在智能制造中的实际应用案例随着信息技术的飞速发展，大数据作为一种重要的技术手段，正在广泛应用于各个领域。
智能制造作为制造业的重要发展方向，也离不开大数据的支持与应用。
本文将介绍几个大数据在智能制造中的实际应用案例，以展示大数据在提升制造业效率、优化生产流程以及增加产品质量方面的积极作用。
1. 多传感器数据融合在智能制造中，传感器是获取实际生产数据的重要手段。
然而，不同传感器获取的数据形式各异，如何将这些数据有效整合并利用起来是一个挑战。
通过应用大数据技术，可以将多个传感器采集的数据进行融合，形成一个更全面、准确的数据集。
以汽车制造为例，利用车辆传感器和生产线传感器，可以对车辆在整个生产过程中的各项性能数据进行监测和分析，及时发现潜在问题，并做出相应调整，从而提高生产线效率和产品质量。
2. 预测性维护传统的设备维护方式通常是定期维护或按需维护，这样无法及时发现设备故障风险，容易导致突发故障和生产中断。
基于大数据的预测性维护，通过收集设备的实时数据以及历史数据，利用数据挖掘和机器学习算法进行分析，可以实时监测设备的状态，并预测设备可能出现的故障风险。
例如，风电场利用大数据分析风速、温度等气象数据，并结合风机转速、电流等设备数据，可以在故障发生前提前预警，从而减少故障率，提高设备稳定性和运行效率。
3. 智能质量控制产品质量是制造业最关注的一个指标，而大数据技术可以在实时生产中对质量进行智能控制。
通过建立质量控制模型，结合生产过程中的各种传感器数据以及产品质量数据，可以实时监测生产状态和产品质量指标，并根据数据分析结果进行调整和优化。
例如，在电子产品制造过程中，通过分析温度、湿度、电流等数据，实现对焊接质量的实时控制，提高焊接质量，减少不良品率。
4. 客户需求预测与个性化定制传统制造业往往根据市场需求进行大批量生产，存在库存过大、生产过程僵化等问题。
而利用大数据技术，可以基于历史销售数据、市场调研数据、用户行为数据等，对客户需求进行精准预测和分析。
制造业智能制造与数字化转型解决方案
制造业智能制造与数字化转型解决方案第一章智能制造概述 (3)1.1 智能制造的背景与意义 (3)1.2 智能制造的关键技术 (3)第二章数字化转型基础 (4)2.1 数字化转型的概念与目标 (4)2.2 数字化转型的关键要素 (4)2.3 数字化转型的技术支持 (5)第三章企业数字化战略规划 (5)3.1 数字化战略的制定 (5)3.1.1 明确企业愿景与目标 (6)3.1.2 分析企业现状 (6)3.1.3 制定数字化战略规划 (6)3.2 数字化战略的执行与监控 (6)3.2.1 组织架构调整 (6)3.2.2 技术创新与应用 (6)3.2.3 文化变革与人才培养 (7)3.2.4 监控与评估 (7)3.3 数字化战略的评估与优化 (7)3.3.1 评估指标体系 (7)3.3.2 评估方法与流程 (7)3.3.3 优化战略举措 (7)第四章工业互联网平台建设 (7)4.1 工业互联网平台概述 (7)4.2 工业互联网平台架构 (8)4.3 工业互联网平台的应用与实践 (8)4.3.1 设备管理与优化 (8)4.3.2 生产过程监控与优化 (8)4.3.3 供应链协同 (8)4.3.4 能源管理与优化 (8)4.3.5 设备故障预测与维护 (9)4.3.6 个性化定制 (9)第五章数据采集与处理 (9)5.1 数据采集技术 (9)5.1.1 传感器技术 (9)5.1.2 自动识别技术 (9)5.1.3 网络通信技术 (9)5.2 数据处理与分析 (9)5.2.1 数据清洗 (10)5.2.2 数据存储 (10)5.2.3 数据分析 (10)5.3 数据安全与隐私保护 (10)5.3.2 访问控制 (10)5.3.3 安全审计 (10)5.3.4 隐私保护 (10)第六章智能制造系统集成 (10)6.1 系统集成概述 (11)6.2 系统集成的方法与步骤 (11)6.2.1 系统集成的方法 (11)6.2.2 系统集成的步骤 (11)6.3 系统集成的关键问题与解决方案 (11)6.3.1 关键问题 (11)6.3.2 解决方案 (12)第七章人工智能在智能制造中的应用 (12)7.1 人工智能技术概述 (12)7.2 人工智能在制造业中的应用场景 (12)7.2.1 设备故障诊断与预测 (12)7.2.2 个性化定制与智能制造 (12)7.2.3 质量检测与优化 (12)7.2.4 智能物流与仓储 (13)7.2.5 能源管理与优化 (13)7.3 人工智能应用的挑战与对策 (13)7.3.1 数据质量与安全 (13)7.3.2 技术成熟度与可靠性 (13)7.3.3 人才短缺 (13)7.3.4 行业标准与法规 (13)第八章数字孪生与虚拟仿真 (13)8.1 数字孪生的概念与特点 (13)8.2 虚拟仿真技术在智能制造中的应用 (14)8.3 数字孪生与虚拟仿真的发展趋势 (14)第九章智能制造与工业大数据 (14)9.1 工业大数据概述 (15)9.2 工业大数据分析与应用 (15)9.2.1 工业大数据分析 (15)9.2.2 工业大数据应用 (15)9.3 工业大数据的安全与隐私保护 (16)第十章智能制造与数字化转型案例解析 (16)10.1 国内外典型智能制造案例 (16)10.1.1 德国工业4.0案例 (16)10.1.2 美国智能制造案例 (16)10.1.3 中国智能制造案例 (16)10.2 数字化转型成功案例 (17)10.2.1 巴巴数字化转型案例 (17)10.2.2 中石油数字化转型案例 (17)10.2.3 海尔数字化转型案例 (17)10.3.1 智能制造案例分析 (17)10.3.2 数字化转型案例分析 (17)第一章智能制造概述1.1 智能制造的背景与意义全球制造业竞争的加剧和科学技术的飞速发展，智能制造已成为制造业转型升级的重要方向。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能制造大数据应用 解决方案
大数据的应用前景
采购策略优化
• 采购提前期预测（历史、环境 、天气、路线 etc. ）
• 来料质量预测（历史、行业 etc.）
• 原材料价格预测（历史、行业 、宏观）
• 供应商评级（历史、行业等） • 外包非核心综合分析（成本模
拟、质量模拟、提前期模拟）
• ……
能力 整合
通过业务应用实践， 将大数据方法和工具 能力转化为业务绩效
业务能力 提升方案
信息支撑 能力规划
业务和信息 能力整合
业务应用 实践
从业务问题入手，进 行业务诊断，并提出 业务方案
+ 业务能力
支撑 角度
技术能力
基于具体业务目标， 将DT/IT能力和业务流 程整合，最大化发挥 DT/IT价值
+ + 分析能力
联想大数据支持全集团业务的生命周期管理优化
全生命周期的数据分析和产品管理
产品与营销
• 产品分析 • 品牌管理 • 营销管理 • 订单管理
工厂生产
• 生产过程 • 供应链管理 • 新品上线 • 产品质量
出货
• 物流运输管理 • 货品调配管理
销售渠道
• 渠道销量管理 • 渠道库存管理 • 合作伙伴管理
我们的数据科学家团队在北京和香港有两个中心，他们来自于世界著名高校——
供应 网络
销售
需求／销量预测
• 不同维度（By产品、By区域、By功 能等维度销量预测）
货品定价
• 智能定价模型 持续质量管理（CQM） • 根因分析知识库（可作用于“产品持
续改进”） • 质量预测模型库 • 决策支持模拟仿真 销售渠道、布局优化
• 销售渠道分析及拓展建议 • 销售布局分析 营销策略模拟
采 购
智能排产
• CAPP + Real time Capacity
• …… 设备保养维护
• 健康管理 • 根因分析及维修策
略 • 保养策略（备品备
件仓储优化）
• ……
生产
立项模拟&优化 • 成本模拟（原材料价格预测的矫正值、其他成
本固定／非固定要素） • 周期模拟（同质／同类／同工艺／同XXX） • 销售模拟（同质／同类／同功能／同XXX） • 资源模拟（研发资源优化的矫正值） 搜索优化
应用 与 培训
管理服务
联想数据科学家团队——优秀的科研背景，丰富的实践经验
团队成员目前近50人，全部具有硕士以上学历，其中60%具有博士学历，10%从事过博士后研究。 在人工智能、机器学习、数据挖掘和大数据系统设计中有丰富的研究和工程经验。 在顶级期刊和会议中发表学术论文近百篇，国内和美国专利数十余项。
销售中间商
• 销售过程分析 • 经销商关系管理 • 经销商库存分析
出售
• 用户激活 • 网点备货 • 线下配送
用户使用
• 设备使用 • 用户反馈 • 用户画像
销量分 析
用户服务
咨询能力是联想大数据的服务精髓与价值特色
咨询能力贯穿始终，保障大数据业务价值转化的畅通
业务 角度
基于业务发展需求， 进行DT/IT支撑能力规 划和建设
• 从类别、成本、效果等角度分析，精 准营销
• ……
货品调拨
• 企业与DC之间的，DC各自之间的Proactive调 货行为
库存优化（将持续性考虑在内，包括碳、水管理， 能源用量和废品管理 ）
• 产品、备件自动补货模型
• 存货成本模拟
• 分销商订货行为分析与响应 最优路径
• 路径模拟（路况、区域、布局etc）
• 结构/半结构/非结构化数据查询优化 研发资源优化（综合输出） • Skill Set / Workload/ Workforce 产品持续改进
• 市场反馈、销量、成本等综合因素作用于产品 立项、更新迭代过程中 ……
研发
In-house仓储优 化 • 领退料路径优化 • 立体仓堆料优化 •外…包非…核心综合分 析 • 成本模拟 • 质量模拟 • 提前期模拟 • ……
当客户需要一个成熟的、 高性能的大数据平台及 解决方案时
当客户难以管理自己多 源、异构、海量的大数 据资产时
当客户需要将数据资产 转化为业务洞察和商业 价值时
存
服务器与 分布式存储
与
算
大数据 计算平台
清
软件工具 实施服务
与
管
数据管控 咨询服务
析
数据挖掘 算法开发
与
用
分析应用 咨询服务
6
早在2011年8月，联想就启动了大数据建设
穿戴设备
4
愿景
多源大数据技术的提供者 企业大数据转型的赋能者 行业大数据生态的领导者
使命
通过大数据创新产品和行业解 决方案，助力企业的智能化和 全球化转型
5
联想大数据提供的产品与解决方案，解决三大关键问题
形成端到端的整体解决方案，将处于技术底层的企业数据资产，通过软硬件平台和专业化服务， 一步步转化为上层业务价值
Singapore 2013/Q2
IDC, CNC-BJ BJ:2010/Q1
IDC, TIS-TJ TJ:2013/Q3
Cyberport-HK 2016/Q3
全球化多中心部署， 2000台服务器， 3000名操作用户
在实践中充分验证 系统的高可靠性
企业数据本地化收 集和存储
完全合规各国数据 保护和隐私保护法 律
全球部署的超大规模集群，PB级与复杂业务生态的实战锤炼
Calliforlia 2013/Q1
总容量 12PB 数据总量 9PB 日新增数据 30TB 日处理数据 4.3 PB
Essen, Ger 2015/Q2
Frankfurt 2015/Q3
Chicago 2015/Q4
Virginia 2012/Q 1
成都
ቤተ መጻሕፍቲ ባይዱ
北京
香港
5年！ 300+研发人员持续投
入
三个研发中心
200+名大数据研发工程师 60+名大数据平台运维工程师 40+名应用系统开发工程师
50+名数据科学家
来自中科院、清华、北大、牛津、港大、港科 大、以及美国、澳洲等著名学府的博士和硕士 人才 博士与海归比例超过80%
30+名大数据领域专家
数据专家：平台架构、数据架构、数据标准、 数据治理、数据管控、等 业务专家：制造业、零售业、能源与公共事业、 通讯业、金融业、等
• 实时／重新路径规划（区别于电子地图，除了 时效性，还要考虑成本等因素）
智能选址
• DC布局的增删改（宏观、区域、市场、历史等 ）
• ……
CONTENT
目
录
01 XX大数据介绍
02
智能制造解决方 案
03 企业级大数据建设要点
04 大数据平台简介
人工智能
智能制造
云计算
大数据
联想集团
智能生态
互联网 +