数据驱动的
互联网营销和运营

智能生产必须拥抱大数据

制造业正在经历智能化革命。公司开始增加各种传感器和无线技术来捕捉产品生命周期里每一个阶段的数据。从材料属性\设备的温度和振动,到供应链的物流环节和客户信息。卡车发动机将速度、油耗和油温数据反馈给制造商和车队运营商。光学扫描仪被用来检测印刷电路板中的缺陷¹。

但是大数据彻底改变制造业还有很长一段路要走。那些领军行业——电子计算机,能源和航空以及半导体制造业——正面临着数据的鸿沟。很多公司不知道应该如何处理他们拥有的数据,更不用说要如何使用这些数据来改善他们的流程管理和产品品质。商业竞争通常是孤立运作。他们缺乏软件和建模系统来分析数据。

然而,智能生产可以让工业活动更有效率,更有利可图,更可持续发展。将产品与组件的地理距离最小化降低了成本——不管是财务意义上还是环保意义上都降低了成本。计算机建模可以识别风险和夹点。举例来说,预测由于极端天气造成交货时间延迟带来的影响,2011年泰国重大洪灾之后,电子行业就深受影响。再或者说,预测汽车零部件何时可能失效并迅速将其修复,从而避免昂贵的召回和诉讼。再如半导体制造这样的低收益行业中,如果生产错误减少一半,利润就会大大增加。

调整全球所有业务部门是艰巨的。这会触发很多技术上的、经营上的和政策上的很多问题,并将从根本上改变行业形态。一些生产形式将变得更加分散,而另一些将会更加集中。制造业会越来越多地采用类似优步这样的业务模式,更多的衣服和家具会在本地定制和制造,而不是在全世界不同地点之间运输。个性化药物或者医疗移植器官在医院里3D打印即可。

生产线将会被共享使用。相比一个公司持有所有他们所需要的设备——这是昂贵而低效的——一部分生产能力将会在合适的时间被租赁。例如,一个汽车公司可能会购买某个轮椅工厂的生产时间,来为自己生产的汽车增加残疾人座椅和扶手。人工智能,机器人和自动汽车将让这种生产线和技术共享更加简单。

但是企业并未准备好面对这即将到来的变革。数据科学很少出现在工程学或商学的学位教育中。公司不知道在什么时间该测量什么。信息被以不便于建模的方式存储——例如,发动机温度和里程被分别存储于不同的数据库中。公司对于未经证实的技术和商业模式是否进行投资犹豫不决。

研究人员和企业之间需要更紧密的配合才能取得进展。这些公司需要一个在线平台发布他们所面临的行业问题,找到可以解决这些问题的专家。学术界和产业开发者们需要建立必要的物理空间和网络实验室,共同努力解决问题。数据共享安全需要政策的保障。

五大创新缺口

制造商需要实际指导。大多数学术研究与企业需求是相关联的。学者推进技术前沿,从人工智能到深度学习,但未曾考虑他们的应用前景。制造商想要知道应该采集哪种类型的数据,哪个传感器应该安装在生产线的哪个位置。例如,为了提高陶瓷材料的质量,这是一个艰巨的挑战,制造商可能会想监测机械性能以及产品的理化结构。而传感器的最优配置是需要研究来确定的。在智能制造中实现创新,五大缺口需要继续填补。
采取策略
智能制造系统必须随着信息收集而进化。首先,传感器被用以监测现有设备的状态。随着质量和效率上的新需求出现,可以添加更多的传感器来跟踪那些最有用的参数。例如,在半导体行业中,通过跟踪和调整其工艺配置来提高质量。
改进数据收集、使用和共享
大多数公司在这方面缺乏经验。有些人错误地认为自己的数据库太大而无法进行分析。也有人担心数据使用总来自组织和法律方面的障碍。而且质量比数量更重要。嘈杂而不规则的采样测量几乎是没有用处的。数据采集的频率和存储时间亟待确定。大量的快速测量成本要高于存储成本,但是长期数据对建模又至关重要。需要确定一个适当的数据采集平均周期。机械振动必须以秒甚至更短的时间尺度来测量,而温度可以在十分钟甚至更长的周期里取平均值。需要制定和执行有效的协议来确保数据的私密和安全。
设计预测模型
公司想要知道他们即将生产的新产品是否能够满足客户的期望。汽车公司可能会分析过去和现在的销售,客户行为和其他数据,为经销商提供最理想的车型。工厂希望保证更换机床不会影响其产品的质量。
研究通用预测模型
模型需要能够处理诸如来自传输错误的信号缺陷或来自故障传感器的数据错误等不确定性因素。丢失或错误的数据点对系统的影响可能是致命的,比如医疗植入物的生产。
连接工厂和控制流程
现行的用于控制生产流程和资源规划的软件,如被广泛使用的SAP套件,将在有不同生产商参与的,更动态化和开放化的制造环境中面临挑战。大多数的软件是以为单个公司服务为目的而设计的。人们需要进行更多的研究来保障这些系统可以通过开放接口和同一标准来执行。人们可能需要适合云计算的新程序,这个灵感很可能来自我们深邃的自然界——例如基因组,鸟群和人体免疫系统。当然,人们还需要通过现实中的实验来将其完备,诸如原型机,测试台,虚拟现实和增强实境。

人类员工和机器人协同工作。グローリー株式会社,自动收款机生产商。日本,加须市

能源和医疗保健

要做到这一点,需要智慧也需要财力,更需要企业界,学术界和政府的通力合作。在过去的五年里,一些智能生产的区域组织已经建立。但是他们的目标是由企业所指定的,而且在数据和建模这些方面几乎没有得到重视。

其中一个这样的组织是2012年建立的美国智能制造业领导力联盟(http://www.smartmanufacturingcoalition.org/)。公司支付费用加入,成员确定研究事项和目标——其中一个是收集工厂级数据的开放平台及其系统。

德国的平台工业 4.0(https://industrie4.0.gtai.de/)(政府高科技战略2020的一部分)以促进其工业基础的计算机化,例如独立使用机械预测机械故障并自动触发维护流程。到2020年,欧盟准备为“未来工厂”投资70亿欧元(约合76亿美元),这是一个为实现智能制造蓝图而建立的公私合作项目。日本和中国也有类似项目。

我认为能源和医疗保健应成为深入合作的第一个焦点,因为他们具有最广泛的社会影响。例如,风力发电机的寿命循环和生产制造需要反思。他们的组件——齿轮箱,发电机,叶片,塔座和绵延数公里的电缆——采用常规方式建造,从全球各地采购和运输材料(主要是金属)。而经过20年的使用,涡轮可能会报废。智能生产流程应该被设计成可以持续地制造并且可被即时停用。我们应该更多地探索诸如添加剂制造等新技术。这些智能生产联盟应该与诸如突破能源联盟这样的全球性组织一起促进可再生能源的发展,也应该与美国癌症月光联盟(US Cancer Moonshot initiative)这样的医疗保健组织寻求治疗癌症的临床医学和技术进步。

从上世纪九十年代的经验中²可以看到,智能制造业受到到几个因素的制约,对全球范围内大型国际合作价值的无视,政府间的芥蒂和不同的管理风格。1995年,日本推出智能制造系统,将其主要的国家制造业和主流大学,与全球的合作伙伴联系起来。美国政府并不支持这样的合作。同时,美国公司联盟启动了下一代制造系统项目,该方案与日本和其他亚洲、欧洲国家的制造业也存在关联。目前,信任,意志,信念和政策都是让此类努力获得成功的必要因素。

新平台

我们需要采取三个实际步骤来填补知识缺口,以实现智能制造。
建立网络来界定问题
私人公司,基金会,学术界和政府组成的联盟应建立在线论坛,这样从业人员和研究者们就可以讨论、制定和发布新兴产业的种种问题和相关规范。很多公司都有内部的征求意见网站。集成服务和制造过程将是一个值得讨论的话题。不同的运营模式和财务支持都应该被考虑,从众包到许可证及服务费用。
开发建模、共享和创新平台
随着世界变得越来越复杂,了解行业需求的人士与能够建模并以此解决问题的人士之间的鸿沟也越来越大。在线空间或者物理空间应由设计行业、学术界和政府的联盟提供,专家和从业人员可以通过互动来开发技术解决方案和模型。这些平台可以借鉴美国国家科学基金会和诸如SRI国际、宝洁和谷歌等研发公司所推动的“制造商空间”或创业中心。各方必须克服信任和隐瞒的问题,以开放的心态披露信息。合作机构应该以透明和开放为支撑,并尊重各种思想和文化。这对那些参与其中的中小企业尤其重要。联盟应该制定相应方案,让建模人可以访问企业所持有的数据。

制定智能生产政策
尽管企业会因其商业意义而大力推动智能生产,但政府应该填补其中的缺口,或是在某些对私人投资风险过高的方面给予支持。例如,华盛顿地区智囊机构信息与技术创新基金会在2016年度报告³中呼吁美国国会增加资源投入以培训和帮助中小型企业采用智能生产技术。激励措施包括对更新机械与设备的投资实施税收抵免。企业、政府、学术界的通力合作才能推起下一次工业革命的浪潮。

 

参考文献

1. M·贝格哥伦,D·尼尔森,N·D·罗宾逊,“印刷电子的有机材料”, 《自然:材料》,2007年第六期 3-5

2. A·库西亚克 《智能生产系统》, 普伦蒂斯霍尔出版社,1990

3. S·J·艾泽尔 《智能制造决策者指南》,信息与技术创新基金会,2016

作者简介:

爱德华 库西亚克,美国爱荷华大学机械与工业工程教授。学术领域涵盖大数据,数据分析,进化算法,生产制造,工程设计。当前研究包括风力发电,节能减排,污水处理,生产制造,保健系统,流程建模。同时兼任护理学院教授。著有多部数据科学,人工智能及工业工程学术著作。

译者简介:

吴昊,就读于伊利诺伊理工大学,机械与航空工程专业。兴趣过于广泛的工科研究生。数据为辕,践行留辙。iCOD翻译志愿者。

 

未经允许不得转载:DigiMaxDigiMax » 智能生产必须拥抱大数据
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址