第二章 软件定义企业新能力

第七节 智能制造的“四多四少”

北京兰光创新科技有限公司 朱铎先


        随着德国“工业4.0”、美国GE“工业互联网”在全球的风靡,以及“中国制造2025”战略如火如荼地推进,以新一代信息技术与制造业深度融合为特点的智能制造已经引发了全球性的新一轮工业革命,智能制造已经成为制造业转型升级的重要抓手与核心动力。
        但由于智能制造的概念还不统一,自动化、机器人、数字化、物联网、工业大数据、数字孪生体、人工智能等等,这些层出不穷的概念让制造业无所适从。随着阿尔法狗(Alpha Go)的一火再火,有些企业一谈智能制造,就联想到这些最前沿的技术,总想引进的系统具有自感知、自分析、自决策、自执行,甚至是自学习的功能。
        笔者认为,这些想法是不现实的,作为企业,更需要务实落地的智能制造战略与方法。为此,笔者提出四个观点,简称“智能制造的四多四少”,希望对大家有所启发,不正确之处请各位专家批评指正。

1多关注看不见的,少追风看得见的

        很多企业在参观或者建设智能制造项目时,总是热衷于那些一眼就能看得见的机器人、数控机床、AGV等装备自动化,或者是认为引进些MES等信息化系统就是智能制造了。笔者认为,这都是过于表面化、工具化,我们更应该对那些看不见、内在的因素进行深入研究与提升。
        早在2015年,同济大学张曙教授就提出了“四个不等于”:机器人+数控机床≠智能制造;ERP+MES≠智能制造;互联网+Wifi≠智能制造;自动化+数字化≠智能制造。张曙教授强调:“智能,智能,不能够感知和思考,不会交互和通信,就算不上智能。”
        北京航天航空大学刘强教授有一个著名的智能制造“三不要理论”:“不要在落后的工艺基础上搞自动化;不要在落后的管理基础上搞信息化;不要在不具备数字化网络化基础时搞智能化。”
        工信部信息化和软件服务业司副司长安筱鹏博士也曾在演讲中指出:“有两种自动化,看得见的自动化是生产装备的自动化,比如采用智能机器人和数控设备的自动化生产线,而看不见的自动化是数据流动的自动化,实现数据在企业内部的流动,使得隐形数据显性化,这是企业创新进入高级阶段的必然路径。”
        笔者在2015年7月曾撰文《工业4.0,战略上别“丢人”!》,(此处的别丢人,是指别丢掉人的意思),呼吁“一定要分析清楚自己实施工业4.0的战略目的,对具体企业而言,一定不是为实施工业4.0而购买大量高端设备、机器人、先进的计算机系统”,并提出了“人机网三元战略”,突出强调了人在智能制造中的核心价值,企业通过提升人员素质,优化企业管理,弘扬工匠、契约、合作等精神,在自动化、数字化、网络化、智能化等技术体系支撑下,打造中国特色的智能制造战略。
        由于看得见的自动化,相对来说易见、易学、易购、易建,不用强调也能引起企业的重视,而看不见的数据流动自动化,以及更深层次的研发技术、生产工艺、业务流程、人员素质、企业管理、企业文化等等,往往被企业所忽视。这些方面不是通过购买等方式就能快速复制的,需要企业长期的积累,这是一个可以压缩但不可跨越的过程,然而,对企业的价值而言,“看不见的”要远远大于“看得见的”,这将是企业的核心竞争力所在。
        因此,本文的第一个观点,“多关注看不见的,少追风看得见的”,这并非是认为装备自动化等看得见的因素不重要,而是呼吁企业要更多地关注那些看不见的因素,这样才有利于企业的长期健康发展。

2多关注数字化,少追风智能化

        我们发现,在欧美国家,讲智能化的少,讲数字化的多,如数字化车间、数字化工厂、数字化制造等等。他们认为数字化是智能化的第一步,数字化具有非常清晰的导向性与落地性,是非常务实且效果显著的战略方向,并给予了高度重视。
        工业4.0教父孔翰宁说:“数字化一切可数字化”,也即尽可能地数字化一切有必要数字化的过程及管理,比如研发数字化、生产数字化、管理数字化、产品数字化、服务数字化、知识数字化等等,包括国外提出的数字孪生模型、数字主线等,都无不是从数字化做起。如果能够实现从产品设计、生产计划、制造执行、产品服务等全过程的数字化,企业就能收到很大的成效,离智能化就更进一步了。
        与其“坐而论道,不如起而行之”,如果还不清楚如何实施智能制造,就请从数字化做起,这本身就是智能制造的基础。

3多关注Smart,少追风Intelligent       

现在很多人对智能制造的“智能”过于理想化,认为要具有“自感知、自分析、自决策、自执行”的系统才能叫智能系统,总是希望自己即将建设的智能制造系统就具有类似的功能,笔者认为,这种观点实质上是对智能制造的误解,对企业智能制造建设是不利的。
        我们注意到,在工业4.0白皮书及相关文章中,德国人一直用Smart Manufacturing来表述智能制造,而不是Intelligent Manufacturing。

德国人喜欢用Smart表示智能

图1 德国人喜欢用Smart表示智能

        Smart的中文是聪明的意思,聪明就是耳聪目明,就是耳朵灵敏,眼睛明亮,就是耳朵能听见、眼睛能看见、大脑会思考。
        Smart Manufacturing是德国人非常务实的提法,是希望通过灵活、高效、聪明的系统及多系统的协作运转来满足个性化、定制化生产与服务的需要,而不刻意强调单一设备或系统的高度智能。
        Intelligent一般是指物的智能,常用为计算机术语,比如智能汽车、智能网络、智能仪表等。
        笔者认为,我们所讲的智能制造应该是德国人说的Smart Manufacturing。这是德国人在全球经济一体化的大背景下,人类生产能力严重过剩情况下的被动应对策略,利用自动化、数字化、网络化、智能化等先进技术,满足个性化、定制化的生产与服务,这是一种灵活、高效、聪明的制造模式,而不是一味强调“自感知、自分析、自决策、自执行、自学习”的Intelligent Manufacturing。
        因此,多研究Smart,少讲Intelligent,如何让企业的制造变得更高效、更灵活、更聪明,而不去追风单个设备或系统的Intelligent,对中国制造业而言,不失为一种务实而明智的做法。

4 多关注工业大数据,少套用商业大数据

        近几年来,大数据已经成了一个大家耳熟能详的术语了。
大数据方面经典的著作当数牛津大学维克托·迈尔·舍恩伯格教授写的《大数据时代》,作者重点强调了大数据时代最大的转变就是放弃对因果关系的追求,取而代之的是关注相关性。也就是说只要知道“是什么”,而不需要知道“为什么”。
        有关大数据(实质就是商业大数据)最有名的案例就是尿布与啤酒的故事。据说故事发生在20世纪90年代的美国沃尔玛超市中,沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象:在某些特定的情况下,“啤酒”与“尿布”两件看上去毫无关系的商品,但销量却有很强的相关性,即啤酒销量大时,尿布的销量也大。后来经过分析后得出结论,原来周末时,年轻的父亲要肩负起照看孩子的重任,他们在边看足球边喝啤酒时还需要照看孩子,在购买啤酒时就顺手买了些尿布。沃尔玛根据这个现象,将啤酒与尿布放在一起,方便这些年轻的父亲购买,于是,两者的销量大增。
        该故事形象地说明,商业大数据强调数据挖掘,强调数据的相关性,而不强调数据之间的因果关系。尽管该故事经过考证是杜撰出来的,但该故事一直被作为了大数据研究的经典,推波助澜地推动着大数据概念的迅猛发展。
        近些年来,大数据成了大家张口必谈的热点,并明显地影响到了制造业,好像不说说大数据,就有不懂智能制造的感觉。但笔者认为,很多人讲的都是商业大数据的特征与理念,除了对市场营销等部分业务有帮助以外,对制造业的价值实际并不大,制造业更应该关注自己最擅长、自己最有优势的工业大数据。

国际数据公司IDC的统计表明,制造业具有数量最多的数据

图2 国际数据公司IDC的统计表明,制造业具有数量最多的数据

        工业大数据与商业大数据到底有什么区别呢?笔者做了一些研究,并于2016年5月份专门请教了工业大数据著名专家、《工业大数据》作者李杰教授。李杰教授指出:“大数据具有发散性,工业大数据具有收敛性,同为大数据,表象相同,本质不同。工业大数据具有更强的专业性、关联性、流程性、时序性和解析性等特点。”
        笔者认为工业大数据同商业大数据相比,除了都具有数据量大的相同点外,还有如下明显的不同点:
        1)工业大数据具有更高的价值密度
        为讲清楚商业大数据与工业大数据的区别,请看著名的DIKW体系模型(图3)。

DIKW模型

图3 DIKW模型

        从图3可以看出,最底层是数据层(原始数据),然后是信息层(有逻辑的数据),再上面是知识层,最上面是智慧层。
        举个例子,39是数据;假如带上量纲,39oC就是信息了,我们知道这是温度;如果说39oC是发烧,那就是知识了;发烧吃XX药,并注意休息,这就是智慧了。
        回到刚才尿布的例子,1000(尿布的月销量)对计算机系统而言,由于没有逻辑,这只能算是数据了,不应该算为信息。
        而工业大数据就不一样了。比如对零件进行热处理时,要求炉温500度,保持半小时。现在采集上来的数据是600,我们就知道,这个600,实际上是600度的温度,这已经突破数据层面,属于信息了。600度高温,我们(包括相关管理系统,如兰光设备物联网系统)就知道要出废品,这就是知识层面,甚至要去采取相关措施去干预,这是智慧层面了。
        由此可见,工业大数据不是简单的数据,在相关系统支撑下可以很轻松地加载上信息属性,甚至是知识属性,乃至智慧属性。
        2)工业大数据具有强关联性
        商业大数据具有发散性。啤酒的销量高低也许与跑步机销量有相关性,也许与花生米有关系,美国人就充分发挥他们计算能力的优势,在海量数据中寻相关性,有点像荒野中寻找黄金。
        工业大数据具有强关联性。比如,在工厂里出现废品,无非就是人、机、料、法、环等几个方面的因素,有经验的师傅可以很快进行定位,这就是强关联性,而不会考虑零件废了是否与雾霾有关,也不会考虑是否与窗外驶过的汽车有关。
        工业大数据具有很强的行业知识特征,具有相对“精准”的判断方向,这些都是商业大数据所不具备的。
        3)工业大数据具有因果性
        制造业具有很强的因果关系,3D模型设计错了,制造出来就是废品;材料用错了,制造出来合格品的可能性就几乎为零;机床精度不够,零件就容易超差。这些都具有比较强的因果性。
        而商业大数据强调的是相关性,比如发现两个批次产品废品率在某一时间内具有相关性,这些相关性可能对发现问题很有指导价值,但如果靠这个相关性去指导生产,很可能就是荒谬的了。
        4)德国喜欢称之为Smart Data
        这里面有个细节,擅长IT与商业的美国人叫Big Data,而擅长制造业的德国人喜欢称之为Smart Data,甚至还对大数据表示出了一定程度的轻视。
        西门子前研发中心总监Wolfgang Heuring博士在2015年时说:“数据只是‘大’,并没有太大意义,关键是如何最佳地挖掘高价值的数据,使这些数据成为‘灵性数据’(Smart Data)”,在未来,灵性数据可以帮助我们了解一个智能系统每时每刻发生了什么,更能够告诉我们为什么会发生。甚至还可以告诉我们接下来会发生什么,以及我们应该如何应对。”
        这里,笔者将Smart Data翻译成灵性数据,而不是智能数据。笔者认为数据本身不具有自分析、自决策等功能,不应该算为智能数据,但经过分析,可从这些数据挖掘出很多有价值的信息,从而做出智能化决策。所以说,这些数据是有灵性的,而不仅仅是“大”而已。
        工业大数据是包含了丰富的工业信息的数据,制造业没必要去追风与套用商业大数据的理念与特征,花费大力气去研究什么相关性,踏踏实实地采集好、利用好企业的研发、生产、设备、质量等工业大数据,就会取得很大的收益,这是制造业触手可及的金矿。
 

5 结束语

        笔者始终认为,实施智能制造,不是面子工程,不是政绩工程,而是企业智能化转型升级的内在需要。在这个过程中,企业一定不要好高骛远,不要追求过于理想化的智能,不要追风与套用所谓的商业大数据概念,不要只聚焦在设备等看得见的自动化上,还要多关注研发技术、生产工艺、人才素质、企业管理、企业文化等看不见的内在因素。借鉴国内外先进理念,结合企业实际情况,在正确应用自动化、数字化、网络化、智能化的基础上,扬长补短,以人为本,充分发挥人才优势、管理优势、文化优势,就能实现企业智能化转型升级的成功。
        智能制造,务实、落地最重要!