數據應該從制造業中來 也應該回到制造業中去

數據應該從制造業中來 也應該回到制造業中去

文：中國工程院院士楊華勇

所以，在浙大，流程工業比較多的是控制學院，是孫院士帶領的團隊，我們主要是做離散工業。我們都在講產業的升級和產品的升級。

我們都知道互聯網把全球的消費者連接在一起，互聯網倒逼服務，在互聯網經濟、數字經濟下都講究用戶體驗，這就倒逼服務升級，服務升級倒逼制造升級，所以整個供應鏈都在講智能化的問題。

工業互聯網架構

現在總是說工業互聯網，互聯網的數據市場從全球看主要是三大市場，領先的是美國，歐洲是德國。亞太是中國，目前預測都慢于實際，之后增長速度非?？?。

具體來看這個數據市場主要是在這一塊，最大的還是設備管理。產品的售后服務占了38%，還有生產過程中的管控，包括監控、能耗、質量管理，整個生產過程的優化占了28%，企業的運營管理占了28%，運營管理是18%，資源配置13%。

我們說的很多產品設計和工藝管理，事實上大部分是秘密，不在數據市場中。

目前需求很大，需要做的就是數據建模、數據分析，就是設備的健康管理、產品的售后服務、生產的管理優化、能耗與質量管理，還有客戶關系管理、財務、生產過程監控與安全管理。

總得來說，工業行業有49個，小的行業有400多個，實際上每個行業的龍頭企業需求、專精企業的需求和中小企業的需求完全不一樣，這就需要做很多事。

從數據管理的角度來看，它需要把整個產業鏈從供應商和物流把人、財、物全部管理起來，現在用戶的體驗、運行也需要管理。

具體到企業內部就是物料、工裝、人員、設備、供應、訂單、供應商的管理。

而平臺一旦打造起來，它是大數據的多元融合，計算的應用、可視以及業務的智能，需要整合各種數據，最主要的目的是產品質量溯源，現在要高端產品質量的溯源，裝配工藝建模方面的分析和資源的排查和整個物流系統如何做優化。

再往下看，真的要讓企業各種人員和外部能夠運用起來，就要開發算法與組件，還有面向各種業務人員，也就是windows化和圖形化比較方便，一線的操作人員都要應用起來。

現在企業內部有很多數據，大家都知道數據是寶貝，但沒有真正利用起來。我們調查過真正的商業數據不到4%，所以怎么統一、規范，讓它易用，工業機理如何沉淀下來變成知識，不要變成人盯著數據，現在的數據用量很小。如何讓機器變成智能，讓機器智盯數據。所以，做流程、做看板可能是一個途徑。

工業典型案例

我舉幾個案例：

案例1：質量管理。

大家都知道浙江春風動力股份有限公司的摩托車生產，摩托車是傳統的制造，春風是后起之秀，每年銷售額50億左右。

這家企業非常有競爭力，這是一個國賓車隊的摩托，這個車輛和傳統車輛相比有100多項評比，它要求高、質量好，而且政府采購價格不高，企業還不想虧損。工信部審核，春風動力做自動化，同時降低一線員工的操作工人。

不到一年下來，30個機加工車間，現在操作工只有4-5個人左右，大幅度減人，這就有了效益。

他們嘗到了甜頭，競爭力很大，小批量也可以成本優化，所以它做摩托車、沙灘車，并且開始出口。他們做了二期，現在還要做。摩托車行業主要的還是發動機，發動機最頭疼的還是裝配線。

如果用比較簡單的方法改造裝配線，具體就定位到成本低，不要大幅度改造裝配線，能夠快速響應，用數字化的手段改造。

最后找一個答案做工位，就像擰螺絲釘，擰過或者擰不到位都有問題，后期改造成本大而且影響品牌。

現在如何把裝配軌跡跟蹤和軌跡標注變成數據，通過數據及時報警、預警，馬上改正，可以實時的做?，F在就是一個一個工位做下去，做二期，再把算法更新。

案例2：溴冷機智能遠程運維。

這邊就是一個案例。去年八月份專家判斷27日有問題，數據報警預計是27日11點，大概相差3個小時，但發生故障是2天以后，就是29日發生故障。

所以，它有一天多的時間提前維修，很容易排除故障。設備故障率降低了30%，這就是根據機器提前預測故障，提前預警。

案例3：盾構機掘進輔助駕駛。

我們07年做了第一臺樣機，等了1年用起來，最近11年我們已經占領了很大的市場。

我們的技術已經和國外并跑，但還沒有形成引領，現在中國盾構掘進機占了全球用量的55%-60%，出口到21個國家，現在很多隧道施工都有問題，現在從2米到16米的隧道，真正施工下只有12個人，有6個做管片拼裝，還有1個司機，司機是關鍵崗，現在發展太快，司機培訓不夠。

地面支持經常是半夜出現問題，該出的都出事了。如何智能做事，我們和兩家央企中國龍頭企業和世界龍頭企業做這個事。

舉個例子就是設備的分類，掘進延時的分類，現在巖土力學可以分，現在是根據圖像對巖土進行分類。

分類以后關鍵是控制巖土分類的大小，下來石塊的大小，太大了會把傳輸系統的皮帶損壞，太小了的話，主要的能量都用于碎石了。

現在煤礦業也有這個問題，下面采礦，皮帶機出來也是石頭大小，目前是靠工人拿根棍子，大了把它捅下來，是不舒服的工作崗位。

現在可以通過圖像、數據和工具進行篩選下來。這個案例就是以數據圖像判斷石塊下來的尺寸，可以提高掘進機的效率和設備的壽命。

案例4：智能汽車渦輪增壓器葉輪瑕疵識別。

葉輪是很大的問題，不管是航空發動機還是汽車都是這樣的問題，現有的各種缺陷是靠質檢員巡檢，質檢員永遠存在漏檢的問題，所以能不能把這些制造的缺陷、產品的缺陷建立數據庫，建立數據庫以后，對葉片層有哪些劃傷，把計算和算法收集起來，進行提煉，知道哪些要召回、哪些要做改進。

大幅度降低了對人工的依賴，而且降低了成本。準確性可以逐漸迭代上升，現在可以做到90%。

案例5：生產監控分析。

還有一個案例就是在蕭山做兆豐機電。兆豐也是全省智能制造示范點，最早機器換人加了很多機械手，逐漸降低人工，現在數據大量起來，數據如何整合，他們提出了緊迫的需求就是建工廠的大腦，要把現在的生產數據、設計的數據、用戶數據全部打通，運作起來。

這個行業最主要是生產節拍的問題，軸承材料中磨削占了很大的時間，以前都是靠人員來做，實際上它有很多可以改善的地方。只有把東西打開才知道哪些方面可以提高。

因為這個行業的生產節拍做到20秒就很好了，再降低1秒都非常困難，現在用數據來做。

原來是18秒，現在可以做到15秒，交貨期縮短7天，質量上升，能耗降低，所以很明顯勞動生產率現在是行業最高，人均從85萬到280萬，“身體”好了就開始搶其他的地盤，原來主要是汽車，現在到其他市場，也開始做航空軸承。所以智能制造的改變，這家企業嘗到了甜頭。

商飛大飛機制造工廠大腦

所以它提出要求，航空業的數據很多，也在不停的做數據優化，但很難全局優化，都是局部。

現在有機加車間和部裝車間，現在新加的是復合材料車間，就是一群人在查缺陷。前面說的虎符、算盤能不能打通考慮，也就是做虛擬工廠?，F在速度要快，5G進去，所以現在去上飛參觀全部是華為的5G。

舉一個例子說明挑戰有多大，飛機的裝配有6000個節點，它叫OA，每個節點設計30道工序，每個工序一出問題引起連鎖反應，所以要搞清楚這之間的關系，原來做計劃就是工藝員，有幾十上百個工藝員，做很多計劃。

但執行的準確率很低，做到極限是60%，現在數據打通以后，才不到3個月，開始共享來做，提高很明顯。就是把這些關系找出來，把資源的約束、人力、算法打通聯系在一起，可以隨時調用數據，可以看到任何場景。計劃的執行率提高了20%，相信隨著AR件的量產以及C919上來，執行率和準確率還可以大幅度提高。

也就是說，和前面做發動機葉片一樣，前期要定義好，前期的工作比較慢，一旦做起來上線就可以做很多事。

掃描過去，拍張照片，500萬的像素，一秒鐘十幾幀，圖像數據需要700-800M，華為主要是下載，現在大量的車間需要上傳數據，而且上傳量非常大，根本上傳不了，帶來的問題就是如何上傳數據。

而且他們號稱5G要做到每秒鐘1個G，現在我們在做數據的處理、關鍵數據的上傳，還有一個就是華為在做，所以也派人在做。因為孔隙、位置、面積還是挺復雜的，而且要做成機器的智能，讓機器盯著缺陷，有很多好處。

現在賀董事長說商飛能不能做，如果商飛的數據要上來更困難了，現在都說飛機的整體化設計，現在飛機的設計和應用、維修、培訓數據都非常大，目前飛機的方案正在做，還沒有實施，不知道商飛之后智能制造打通會帶來哪些變化。

這個方案的意義就是排程優化，提升裝配效率，最終實現智能制造提升。

基于工業互聯網2.0時代

現在協同制造是產業鏈，從用戶到供應鏈的管理，個性化的設計需要數據的互聯互通，跨界融合。場內、區域網，以后還有行業網，國內外、境內外都需要打通。

所以，從工廠的角度協同制造、采購、物流、產學研人才、內部企業端到公共云，現在企業也在討論公有云、私有云，還是干脆不用云，用邊緣計算，這需要企業真正實施頂層設計。

商業數據、工業數據需要打通，需要一個平臺，把生產的計劃，訂單的信息、市場的變化都變成數據、變成算法，融合在一起，包括企業內外生產以及能源的調度，都要貫穿工業的全部過程。

我們認為企業實施智能制造、工業互聯網應該有四個階段?，F在工信部在推“百萬企業上云”，浙江推“十萬企業上云”，這只是第一個階段，第二階段做中間件和中臺戰略，第三階段是實現數據治理，最后實現全局智能，也就是工廠大腦、協同制造、智能制造，設備的制造靠機器的智能。

現階段在工業化發達國家，需要人才，需要產業布局、人才培養和組織模式，傳統的工業部門有話語權和決定權，數據不輕易給人，給了以后也要做得好，所以真的要做企業的頂層設計，需要真正的整體戰略。

我們認為，頂層設計很重要，剛才和張院士還在說有了頂層設計就是快速迭代，現在中國人口紅利，工程師紅利還沒有出現，在外部華為等IT算法的人，大家如何配合起來做人腦和機器混合腦的問題，就是在數字經濟下，倒逼制造再升級會有問題。原來企業是大魚吃小魚，以后就是快魚吃慢魚。

總體來看數據不應該取代人，也不是機器取代人，應該是機器智能解放人的智慧，不要人盯著數據，所以數據應該從制造業中來，也應該回到制造業中去。

原文標題：工程院院士楊華勇：數據應從制造業中來，也應該回到制造業中去

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。