如何用數據分析顛覆傳統的工程製造

09-14

如何用數據分析顛覆傳統的工程製造

6 人贊了文章

本文編輯整理自積夢智能CEO謝孟軍應邀在2017 ECUG十周年大會上的演講內容，全文閱讀時間約15分鐘

謝孟軍 / 積夢智能CEO
《Go Web 編程》作者；開源框架beego作者；GopherChina大會發起人兼組委會主席；
Go Team中國區的社區負責人；Go基金會發起人和董事會成員；
Apple工業製造平台核心系統高級工程師；EGO上海分會會長

前言

組委會給我的演講起了一個很大的名字，用了顛覆一詞。顛覆談不上，但是出來創業總歸是想要改變一些現狀，解決目前存在的問題。我今天調整了一下演講的名字，改成了「大數據分析在製造業的落地」。

大數據大家應該都知道，包括我們的習主席也說了，現在所有政府部門都在往大數據上走。我先前做的大數據，算是在工業製造裡面做大數據分析這一塊。關於工業製造的理念，我在Apple裡面也學到了很多，但是在Apple工作的時間越長，越感覺要出來創業，第一中國有非常多的製造業企業，而他們目前還存於社會主義初級階段，基本的信息化都沒有完成，第二大數據分析給我們很多的合作夥伴帶來了很大的幫助，效益非常明顯，所以我就出來創業做這個事情了。

今天的演講，分四大部分：

工業4.0是什麼？

首先介紹一下工業4.0是什麼，我們中國為什麼要去做這個工業4.0。現在做工業大數據繞不開這個話題。

中國製造業的現狀

因為我們做的這個東西是面向中國的，所以第二個部分分享一下中國工廠的現狀是怎麼樣的。

積夢的出現

第三個部分介紹一下我為什麼要創辦積夢，要去做這個事情。

工業製造數據案例分析

我們現在在上汽那邊有做一些案例，分享一下數據分析能給他們帶來哪些受益和改進

工業4.0是什麼？

工業4.0最早是德國提出來的概念。工業4.0怎麼定義呢？首先是蒸汽機時代；然後是第二次工業革命，批量的流水線的製成過程；第三個是晶元自動化的過程；第四個就是它提出來的把萬物互聯，機器能自己全部連接起來，整個生產線全部智能化，能夠做到無人工廠。這個方向就是它提出來的工業4.0的方案。

工業4.0提出來以後，其他國家都紛紛提出一些理念。美國為首的公司GE（美國通用電氣公司），提出工業互聯網這個概念。大家都知道，德國的整個工業是非常發達的，但是互聯網沒有美國發達。美國是互聯網最發達，所以它要提出一個工業互聯網。工業互聯網就是讓所有的這些工業設備，像互聯網一樣鏈接起來，讓它們自動地流轉起來。

後來我們國家提出了中國製造2025。中國製造2025其實分三步走：

到2025年是第一步，邁入製造業強國行列。製造業強國是哪些？德國、日本、美國。德國是第一行列的，日本美國是第二行列的，中國是第三行列的。中國的製造業，還是在低端製造這個層次。所以為什麼國家要提出這個呢，是因為我們要去轉型，第一步要邁入製造強國的行列。

第二步是我國製造業整體達到世界製造強國陣營中等水平，這個目標是到2035年。

第三步，到新中國成立一百年時，我們要成為世界製造強國前列。

從這整個目標以及這些政府報告可以看到，整個中國的製造是在逐步的改進中。它提出了十大重點領域，未來的方向，都是可以供大家參考的。

《中國製造2025》明確了十大重點領域：新一代信息技術產業；生物醫藥及高性能醫療器械等；新材料；農機裝備；電力裝備；節能與新能源汽車；先進軌道交通裝備；海洋工程裝備及高技術船舶；航空航天裝備；高檔數控機床和機器人

大力發展工業製造的原因

為什麼每個國家都在大力發展工業製造，不論是德國、美國還是中國，特別是在中國。現在虛擬經濟不是最主要的，最主要的是要關注我們的實體經濟。實體經濟之所以這麼重要，可以看一下這1%的威力。在GE做的報告中，航空領域如果節約1%的燃料就可以節約300億美金；如果說電力行業節約1%的燃料，就可以節約660億美金。每個行業都節約1%，這個市場其實是非常大的。1%是很小的點，但怎麼去做呢，這個就是我們去改造工業製造的目標。所以其實也是利益驅動的，畢竟這個市場這麼大。

中國製造的現狀

中國製造的現狀，基本上是四個方面的問題：

第一，人力成本提升。以前會說中國工人便宜，所以很多地方都是在堆人。但隨著這兩年逐漸發現，招人越來越難，工資越來越高，這些成本逐漸提升。

第二，產線產品多而雜。在整個工廠線裡面，產品非常多，而且非常的複雜。一個小工廠為了存活，可能同時接100個定單。這100個定單在一天當中切換來切換去，在做的過程當中非常的複雜。

第三，質量控制分析非常差。是比較粗糙的一個質量控制狀態。

第四，產品創新能力很弱。我們國家一直被貼著一個標籤，模仿能力非常強，只要國外出什麼新產品，國內能快速地拷貝過來。但其實在質量控制方面和產品創新方面，都是比較差的。

針對以上這些問題，製造業這兩年開始逐漸去改進。

人力成本過高

在人力成本方面，推出了機器換人的方式。特別是在去年，浙江省推出了這個政策。很多製造業開始大批量地把生產線上的人用機器來替換。但機器換人引入了新的問題。第一，機器需要人來操作，配套的人要跟上去。原來的工人只是做一個組裝的過程，但現在的工人需要去操作很多自動化的設備，讓機器去完成一些原來複雜的不穩定的製造過程。所以人如何很好地操作機器是一個問題。此外，機器的效率怎麼樣？機器怎麼樣維修？這些都是問題。以前用工人的時候，一個人生病了換另一個人頂上。但現在，生產線上就一台機器，機器壞了，整條生產線也就停工了，這是新的一個挑戰。最後，機器和機器之間如何進行交互，兩個機器之間如何協調配合，這都是新的話題。

產品產線多而雜

在工廠裡面經常可以看到，他們有一個東西叫SOP，標準操作手冊。工人每一步該怎麼做在手冊上都有寫明。但是實際99%以上的工廠，這個東西只是為了驗廠。比如說我下了一個定單，我到工廠去檢驗這個工廠是否符合各種標準。所以這種東西是形式多於真正的價值的，這方面做得很不好：

第一，SOP密密麻麻當擺設。

第二，有些時候產品太多無法切換。一個工廠接100個定單，生產線上100個定單有不同的操作流程，切換來切換去，工人也不願意操作了。

第三，產線復用。100個產品，並不是說開100條的生產線，而是這一條生產線生產5個產品，另一條生產線生產10個產品，以這種方式布局。

第四，產品複雜，無法用SOP定義清楚。

質量控制分析差

都說質量是工廠的生命，但有時候為了錢生命都可以不要。現在很多工廠的質量是以結果為導向，只注重結果，產品是不是好的。但實際上這裡面很多的東西沒有去分析：

首先，工廠引入了很多的高精尖的測量設備，但是測量設備大家都知道，是機器，那必然會存在一些偏差，質量本身就測得不準，如何解決這個問題。

第二，測量數據的監控。測量數據測出來不好，如何實時地反饋到生產線里去。

第三，測量前置控制。在產品壞之前如何做到有效的控制。

第四，測量和工藝分離。測量的設備和製造的設備，先前是分離的，如何結合到一起，這是製造業裡面遇到的最大問題。

產品創新能力弱

產品創新能力弱是因為我們都是基於經驗或者看到的東西去做工藝設計，而不是基於在生產製造過程收集的數據，利用數據去做改造和設計。

原型驗證時間長

很多的東西要設計出來，原型驗證時間非常長。比如說做手機，今天看到手機發布出來，貨已經備足了，但其實背後的整個製造過程花了很多年。像汽車的生產製造過程，一輛新汽車發布之前，其實都會花一年多的時間來做原型驗證和測試。很多時候做產品研發就需要做原型驗證，但因為時間很長，很多工廠無法承受成本投入。

工藝調整靠嘗試

工藝上的調整很多是基於工作的經驗，比如機器上面的焊槍，如果稍微高了，加一個墊片，不行，一個不夠加兩個，兩個不夠加三個，這些都是基於經驗。那我們如何把這些東西數字化，通過數字化的方式來驅動工藝調整，現在還沒有做到。

工藝參數關聯性

目前工廠還無法做到這一點，而這也是對工廠最大的價值。在後面我會為大家舉幾個工藝參數關聯性的例子。

工藝製程和產量無法估算

當產量沒有辦法估算的時候，是會影響產品的發布，包括產品的周期，這些東西沒辦法法控制。比如說要生產2萬台的汽車，有那麼多的零配件，需要知道每個零配件的工廠能否達到2萬輛產量的需求，在未來的3個月內是不是能夠達到出貨的需求。需要提前估算，包括整條供應鏈上面的數據分析。

積夢的出現

正是因為中國工廠現在存在這麼多的問題，所以我就出來創辦了積夢，積夢就是為了解決這些問題而生的。中國工廠目前存在兩種情況：一種是有數據的，一種還沒有數據。沒數據的本身就很落後，還處於信息化沒有完成的階段。

我們現在接觸的幾個行業，基本上都是屬於有數據的。汽車行業，汽車應該是除了飛機以外所有的零配件最複雜的一個製造過程。第二個是3C行業，比如說手機、空調，這種行業裡面信息化已經做了，自動化也做了，但是數據分布在非常多的地方，沒有辦法做這些數據的實時分析，而且也不知道怎麼去數據分析。跟工廠聊的時候，他們其實有非常大的需求，怎麼能夠將數據轉化成服務於他們的業務。

我們在工廠裡面呆的時間比較長，接觸的工廠也非常多，所以對工廠的很多需求比較了解。很多人說我出來創業怎麼不做跟Go相關的，其實做技術是我自己的興趣愛好，但是我們是希望用技術改變某一些行業某一些業務的東西，這個時候技術才能發揮最大的價值。我覺得目前最大的價值就在製造業，我看到所有的工廠裡邊都存在這些問題，我們如何去改造這些東西，能夠讓Go落地，所以我選擇出來做積夢。

積夢智能製造平台簡介

積夢希望做的是工廠的大腦，大家可以看得到，工廠是一個發展的過程，是一個小廠做成大廠的過程。在這過程中會有許多的子系統，質保部門會上質量分析系統，生產部門會上實時監控系統，採購部門可能會上一些ERP，還會上一些供應商管理系統。

工廠基本上由這幾部分組成：工人、設備、物料、工藝、系統。我們會針對每個工廠來建造一個數字工廠模型。不同的工廠有不同的工廠模型，因為它有不同的產品、不同的零配件，不同的製造工藝、不同的人。我們希望做的是這樣一個平台，最核心的是一個數字工廠模型，幫你把剛才說的工人、設備、物料、工藝、系統這幾點，根據不同的維度建立一整套的工廠模型，在工廠模型上面會有這些東西輔助你做上層的應用：海量數據的存儲、監測報警框架、機器學習框架、統計學習框架、大數據可視化。

對於大集團來說，這個平台部署完畢之後，我們要做頂層設計。因為很多工廠是逐步發展起來的，每個部門都是想一個系統做一個目的。但不管從大的領導來說，還是從中層和最後的工人來說，都希望有應用能夠很好地服務於自己的需求。所以在數字工廠模型之上，我們針對不同的人做一些不同的東西。我們現在有做產能預測、呆料分析、質量分析、設備分析、人員分析等。

舉個呆料分析的例子。比如說一個產品從投入到生產要經過一系列的過程，今天投100萬個，明天投100萬個，後天投100萬個，每天都投100萬個，那麼在生產線上流轉了多少東西？如果沒有數據分析，我今天投入的100萬個，7天以後是否能夠生產出來，這個是不一定的。工廠大了以後，有非常多這樣的情況。一個產品從投入到生產，假如說經過7天50道工序，在某道工序做完之後這個產品不流動，我們就定義為呆料。在工廠裡面，倉儲和整個流轉效率，這都是成本，我們通過呆料分析來幫工廠做全智能的分析，找出呆料點在哪，趨勢是怎麼樣的，改進效果如何。

我們不僅僅是做數據分析，同時我們的軟體中有一整套的管理理念，這種管理理念是很多工廠和軟體都沒有的。為什麼那麼多公司上了ERP，但是大多數都失敗了呢？原因就在於沒有最佳實踐的案例。而積夢平台是在成功的應用案例之上總結出來的一套方法和軟體的最佳實戰，這種管理理念來自於多年以來針對供應商的管理，對工業產品製造的理解。我們都知道設計系統簡單，但是業務理解是很困難的，如何執行好就更加困難了，而在執行完成之後再進行反饋學習是最困難的。

工業製造數據案例分析

今天的主題是數據分析如何應用在製造里，只講其中一小部分－大數據分析，現在能夠落地的三塊內容：

可視化分析

首先是可視化分析，看上去都是圖表，都是數據化分析，但是在很多細節上我們跟其他人是不一樣的。舉個例子：呆料分析。比如有6個生產工藝，哪個生產工藝裡面呆料最多，95值是多少，這裡有很多細節的管理理念。我們不僅展現數據，而且在展現數據的方式上也有很多思考。在我們的呆料分析中使用到了熱力圖，紅色越濃說明這個地方的呆料越多。可視化分析，首先你要有很多圖表去實現它；其次是對這個業務的深度理解，通過可視化一眼就能夠找到存在的問題。

我們針對汽車做了一個質量分析工具，整個應用目前在上汽乘用車做下來效果非常好，把國外的軟體都給PK掉了。主要原因是，我們有一套數字工廠模型，後面有大數據的東西支撐。汽車這兩年上了在線測量設備以後，測量的數據急劇爆增。老的軟體沒有辦法做這樣的質量分析，我們正好藉此機會切入進去。我們做了一款專門針對質量的PPT工具。一輛汽車有500多頁的質量報表，是對大批量數據進行分析的結果。每頁裡面有一些組件，因為我們對業務的理解非常滲透，所以我們基本把所有質量相關的組件都實現了。只要選擇數字工廠模型中某一個數據源，就可以實時數據分析出來。實現了從數據存儲，到數字工廠，再到組件可視化。質保人員不需要再跑現場到某台機器上抽一個東西，然後通過Excel整理出來。一是數據量大了，Excel是處理不了的。二是質量報表裡這些信息，很多複雜的質量分析沒有辦法用excel做出來。三是傳統的質量報表是單機版的，沒有辦法做到實時共享。我們就利用這些現有的技術做了可視化分析的工具。

我們也實現了三維渲染的效果。通過採集生產線上每一個零件的三維坐標的信息，進行三維渲染，將所有的採集點反映出來，紅色的點表示存在超差。現場工作人員一看就知道哪些地方是超差的，就可以進行修正。因為之後要組裝很多東西，這些超差的地方，如果不提前弄好，那些螺絲、玻璃之類的都裝不上去，或者裝上去以後，車開的時候聲音很大，要麼漏風要麼間隙很大，這些都是會影響車的整體性能。

數據挖掘

數據挖掘的演算法有非常多，但在製造業里，總結下來有兩個東西是可以真正落地到工業製造企業裡面的：第一個是相關性分析；第二個是預測分析。

這是相關性分析的趨勢圖，它們的擬合度很大，通過一些點的數據分析，找出來它的擬合度，最後展現出來給我們的製造人員。在工廠裡面一輛車可能有上萬個測量點，讓質保人員自己找，從1萬個裡面找出來某兩個點，或者某四五個點有相同的趨勢性，這是很難做得到的。我們的機器學習基本上就用在這個地方。

舉個例子。這個零配件中間有一個監測點，用來監測汽車的中心點是否在標準之內。我們通過相關性分析。發現在這個點超差的情況下，它附近的另一個測量點在趨勢上是與之有關聯的。我們不懂業務，但是我們懂數據。我們找出來這個東西，他們的質量人員一看就知道在工裝的過程中存在什麼問題。這樣有一個什麼好處呢？大家知道汽車測量是非常複雜的，比如說以前需要測量這兩個點，而我們幫它找出兩個點的關聯性以後，就只需要測量一個點。這樣，在整個的生產過程當中就可以加快測試的速度，從而提高生產效率。

預測分析

預測分析是基於前面的可視化還有數據挖掘做出來的一些預測性判斷，有點類似於看到烏雲、閃電，就是下雨的預兆，利用我們看到的一些關聯性的東西去做一些預測性的判斷。

預測性分析的一個誤解，是很多人會覺得跟算命一樣。但實際上預測分析還是具有很多數據分析的過程，跟算命不一樣，跟股票也不一樣。股票其實也可以分析清楚，只要有多維度的信息，比如說消息，政策之類的。如果能夠分析清楚，股票也是可以做得很好的。

舉兩個例子，一個就是機械製造裡面可能經常遇到需要鑽孔、切割的地方。而鑽頭是有壽命的，一般工廠會告訴你個參考壽命，比如80小時。但是鑽頭有好有壞，有些時候鑽頭可以用100個小時，有些時候鑽頭只能用60個小時。要知道鑽頭什麼時候會壞，就需要做一些前置性測試的東西。我們把鑽頭鑽出來的產品，通過控制圖的方式進行監控。根據斜坡度就可以預測出下一次產品要壞，因為這個鑽頭已經出現了偏差，鑽頭要麼是壞了，要麼是斷了。這樣立馬就可以幫助用戶省掉一大筆錢，因為鑽頭是他們最大的一個投入成本，一個鑽頭基本上要500到1000之間。如果一天能幫用戶省幾個鑽頭，那就能省非常多的錢。

第二個預測案例是汽車裡用到的電極槍。設備跟我們人一樣，其實壞之前都有各種異樣的情況。電極槍的話我們會監測它的電流，通過我們和現場工廠師傅交流，我們建立了基於電流的預測模型，通過這些波動性的信號，來做預測性的設備維護。

Q&A

提問：請教一下，你們這個系統它的存在是怎麼樣的？是一家一家工廠布置的還是考慮雲端部署？

Asta：我們是兩個策略，是融合策略。之前接觸的企業都是行業龍頭，行業龍頭基本上不會上雲，他們自己內部都有一個龐大的IT團隊，他們已經有很完善的技術的東西，我們一般是部署在他們私有雲上面。第二，我們也接觸到非常多的中小工廠，中小工廠就存在很多的問題，自己沒有IT部門，讓他們接入雲的數據分析，他們最關注云的安全，我們也一直在衡量，怎麼樣上雲，現在這一步也是剛開始做。

提問：在座都是計算機專業畢業的，對行業不是很了解，如果說你這個產品一直做下去，是所有行業都是通用的平台還是一個行業一個解決方案？

Asta：我們的產品是通用型的，我們會做數字工廠模型，這個比較花時間的，但是其他的數據分析也好，可視化分析，數據挖掘，這些都是比較通用的，針對上汽做的生產質量分析的東西，其實你應用在任何機械裡面，應用在石油加工裡面，找相關性的分析，都是通用的，唯一複雜的是生產製造的數字工廠模型。工廠現在分三大塊，一種是單件型的，離散型的產品；一種是批量進去單件出來，比如說洗髮水，進去的時候是原材料，出來的時候是單件的；另一種批量進去批量出來，例如農藥、化工裡面的產品，批量進去批量出來的。基本上生產製造裡面，大多數是這三種。針對不同的行業，我們跟不同行業的龍頭一起合作，把這個模型打造出來，我們現在給上汽做的一整套系統可以複製到所有汽車廠商裡面。我們跟另一家大型的3C企業，也可以全部鋪設到3C行業裡面。

提問：以後的核心競爭力是你們積累的模型，比如說大數據分析？

Asta：都有，第一是大數據平台，第二數據模型，第三我們對業務，很多細節的東西，比如說數據報表可以抄，但你的數據源怎麼來。數據模型搭一些平台的東西，還有統計分析，這些都搭配在後面的地方，一整套的從上到下串聯起來。