您现在的位置:e-works > 百味书屋 > 书籍列表 > 2017(第二届)工业软件与制造业融合发展高峰论坛论文集 > 企业实施智能制造路径的初步探索

第二章 软件定义企业新能力

第九节 企业实施智能制造路径的初步探索

长飞光纤光缆股份有限公司 查玉峰
 

        企业根据业务的需要实际上已经开展了一些智能化的工作,例如,为了降低能耗,优化设计物体的移动速度和加速度等。那么我们现在做的车间的智能制造与我们原来做的工作有什么区别呢?
        我的理解,新技术的出现和完善、及其在企业里的应用是智能制造跳跃式发展的驱动力,而知识的数字化和自动化使用是智能制造渐进发展的条件。跟过去单独做优化算法不同的是,现在我们要从系统的角度来架构智能制造系统,我们既要将现有的知识模型化,并努力利用现代技术实现自动化,还要为知识的积累创造条件,包括为以往开展的优化算法提供数据支撑,通过这样的途径创造出一个生生不息的系统。
        智能制造的核心就是知识的重用,并让知识在使用过程中不断优化改进,是让机器或者系统自动地使用这些知识,用机器或者系统去代替人的一部分工作。
        那么,知识从哪里来?除了大数据和人工智能(此处暂时不讨论),知识的主要来源还是人的知识。因而重视知识的积累,加速知识的形成同样是智能制造体系的重要建设内容。用户对业务的分析就是知识积累的一个重要过程,它挖掘数据的价值,让数据变成知识,同时,分析过程又会变成个人的隐性知识,个人会具备更好的分析能力,从而能更高效地把数据转化为知识。“工具化的分析”能够起到这个作用。
        知识的基础是信息,是采集的现场数据经过某种具体的业务做纽带联系到一起的。“透明化的管理”是实现这个纽带的一个途径。
        用户在处理业务的时候,都会面临一个工作环境,它是处理这项业务所必须的相关业务的信息,用户需要参考这些信息来处理业务。一个透明的工作环境,意味着在业务和其辅助信息之间建立了直接的联系;对这种关联的信息集合的感知和采集有别于直接的数据采集,未来的分析指向性可能更好。

企业实施智能制造的路径图

图1 企业实施智能制造的路径图

1 通过透明化管理采集业务过程中的数据

        透明化本身一般是没有智能的,通过各种途径用户都可以获取到这些信息:有的可以用查询工具查询,有的可以测量,有的可能还要求助于相关的业务人员,但是获取信息这项活动会占用大量的时间。这种透明化的信息呈现,就是让用户用比较直接的途径就能得到这些信息。就像汽车的仪表盘,驾驶员通过仪表盘可以了解车辆当前运行的情况,显示的信息有特别醒目的行驶速度、发动机转速,也有其他的信息如水温,告警信息如车门的关闭状态,也有通过一定计算的瞬时油耗和平均油耗等等,有了这些信息,对我们驾驶车辆很有帮助。同样,当我们对业务的周围环境有了一个透明的了解,就能帮助我们提高工作效率,掌控业务的能力就能提高,甚至我们的工作模式也会因此发生变化。
        从另外一个角度来看,信息透明化的呈现,它关注的是某一项具体的业务,透明化的信息是对这项业务的信息支撑。换句话说,在从事这项业务的时候,我们需要了解这些辅助信息来做出某些判断。这些判断的规则可能有明确的公式或者原则,也有可能不是很明确,是需要凭借业务人员的经验做出判断的。因此,我们把所有关联性的数据实时、有指向性地记录下来,实际上就是这项业务处理和判断过程的数据采集。采集的数据就是业务现场数据,未来通过对业务现场数据的分析,我们可以把业务人员的这种隐性知识变成一种数学模型、一种算法,用它来描述业务和辅助信息之间的因果关系或相关关系,从而实现人工业务向自动化业务的转化,实现智能化。

2 通过工具化分析提高知识积累的效率

        对多数企业来讲,无人车间还是未来的一个理想。“感知、分析、决策、执行”中分析占据了非常重要的位置,目前成本的降低、能耗的减少、效率的提高和质量的提升都离不开人工分析。毫无疑问,分析工具会在很大程度上加快分析过程,如果实现了实时的分析,更有可能把事后调整改成事中调整,也就是能够马上采取行动。
        常规分析工具化,常规的系列分析套件化,重复分析自动化是分析工作的进化过程,分析结果是决策和执行的依据,一旦决策和执行与分析结果的关系确定后,就可以用自动化的方法实现这个知识成果的重用。
        由于IIoT和大数据处理技术的应用,可以采集到不同的传感器、不同设备、不同的控制系统和不同的管理软件的各种数据,可以随时调用海量的历史数据(包括现场数据),因而原来不太可能做的一些分析工作现在可以做了,这是一个巨大的机会,一定能让分析工作如虎添翼。
        分析过程需要有效地记录下来,是一个知识的沉淀,可以供后来者学习和参考;后来者还可以对前人的分析案例做二次分析,这样既增加了分析的机会,也是对企业知识的丰富和完善。
        从培养人才的角度去看,分析工作能够有效地锻炼人才。“一个人的技能要达到世界水平,他的练习时间必须超过10000个小时——任何行业都不例外,”神经学专家丹尼尔•利瓦廷说。学习分析案例和增加分析的机会,尤其是对前人的分析案例做二次分析,将会加速人才的成长速度,让用户能够像甲壳虫乐队一样开始他的汉堡之旅。
        让管理透明化,让分析工具化是实施智能制造一个不错的切入点,它能帮助用户提高绩效,用户会有一个积极的反馈,项目更容易成功。但是它也对管理和分析提出了一个更高的要求,是一个超过现实的需求,不是线下转到线上的切换,这是项目能否成功的一个不利因素。如何能引导用户接受这种方式,能主动地思考如何做好这项工作,特别是出现了问题后如何及时进行调整是关键。