自德國2013年4月正式提出“工業(yè)4.0”戰略迄今已兩年有余，“工業(yè)4.0”在國內已得到了非常廣泛的關(guān)注和討論，很多優(yōu)秀企業(yè)開(kāi)始摩拳擦掌，開(kāi)始制定和實(shí)施自己的“工業(yè)4.0戰略”，這些如火如荼的景象凸顯出未來(lái)創(chuàng )新產(chǎn)品智能制造領(lǐng)域的誘人前景。無(wú)獨有偶，GE公司不久前宣布出售旗下包括GE Capital在內的非工業(yè)資產(chǎn)，將主要精力回歸于高精尖的創(chuàng )新制造領(lǐng)域。這一切似乎都在佐證著(zhù)一場(chǎng)以創(chuàng )新和數字化驅動(dòng)的智能制造為核心的新工業(yè)革命正在向我們頻頻招手。
工業(yè)4.0離不開(kāi)數據分析和應用
工業(yè)4.0的一個(gè)目標，是要實(shí)現從智慧工廠(chǎng)到智能生產(chǎn)的的建設和升級，前者重點(diǎn)研究智能化生產(chǎn)系統及過(guò)程以及網(wǎng)絡(luò )化分布式的生產(chǎn)設施的實(shí)現，而后者涉及整個(gè)企業(yè)的生產(chǎn)物流管理、人機互動(dòng)，3D打印以及先進(jìn)制造技術(shù)在工業(yè)生產(chǎn)過(guò)程中的應用。一個(gè)普遍的共識是，要實(shí)現這一新的“工業(yè)革命”，基于“大數據”技術(shù)的數據挖掘和知識發(fā)現能力，將是其中最為重要的能力之一。而總體而言，制造業(yè)存儲了遠超過(guò)其他工業(yè)部門(mén)的數據，據不完全統計，從2010年以來(lái)的新產(chǎn)品數據就達到了接近2艾字節(216)，這其中就包括大量的儀器儀表測量數據，供應鏈數據乃至產(chǎn)品全生命周期數據。對這些數據的分析和價(jià)值挖掘，是為創(chuàng )新和生產(chǎn)實(shí)踐提供智能指導必須要完成的工作，將直接影響智能生產(chǎn)能夠實(shí)現的程度。而幾乎在所有剖析工業(yè)4.0的文獻匯總，都著(zhù)重強調了數據分析和知識發(fā)現的重要性。
制造業(yè)數據采集和分析領(lǐng)域的共性問(wèn)題
工業(yè)4.0是多品種小批量創(chuàng )新產(chǎn)品高精度卓越質(zhì)量的生產(chǎn)，而要實(shí)現這種“高精度卓越質(zhì)量的生產(chǎn)”而言，對生產(chǎn)數據準確、及時(shí)的采集和分析無(wú)疑是不可或缺的。為了實(shí)現產(chǎn)品創(chuàng )新和高精度的質(zhì)量控制，蘋(píng)果和Intel這樣的頂尖公司每年花費在數據分析軟件上的費用是非常驚人的，而且在其員工的培訓和考核體系上，數據分析能力也被作為一個(gè)重要的考量維度。在世界范圍內，各個(gè)工業(yè)巨頭在數據采集和分析領(lǐng)域的投資還在不斷加碼，而國內的絕大多數企業(yè)也正在掀起一場(chǎng)數據采集和分析利用的熱潮。作為業(yè)內專(zhuān)業(yè)的質(zhì)量大數據和智能制造解決方案供應商，QuAInS在2014年深入調研了數十家企業(yè)，發(fā)現不少企業(yè)已經(jīng)開(kāi)始增加在數據采集和分析領(lǐng)域的投資，但由于起步較晚，在這個(gè)領(lǐng)域還普遍存在著(zhù)一些具有共性的重要問(wèn)題。
目標不明確導致貪大求全
曾有專(zhuān)家呼吁“大數據”應該從“小應用”著(zhù)手，即選取一到兩個(gè)具體的領(lǐng)域開(kāi)始數據采集和分析技術(shù)的應用，并隨著(zhù)時(shí)間和經(jīng)驗的積累逐步向相關(guān)的領(lǐng)域拓展。而有些企業(yè)一開(kāi)始并沒(méi)有選定這樣的“小應用”，而是從盡量多的領(lǐng)域全面鋪開(kāi)，結果各部門(mén)疲于奔命，搜集了供應鏈、生產(chǎn)、質(zhì)量、財務(wù)成本、ERP，售后服務(wù)等各個(gè)方面的數據組成了一個(gè)龐大的數據群，但卻對如何應用這些數據來(lái)解決何種具體的問(wèn)題并不明確，只是形成了一個(gè)價(jià)值相當有限的“數據堆”。比如江蘇有一家企業(yè)，在這種情況下花近兩年的時(shí)間集中了5個(gè)數據庫的數據，各個(gè)團隊為此耗費了巨大的精力和成本，但最終卻因為應用目標不明確，項目遲遲不見(jiàn)收益而不了了之.quAInS質(zhì)量大數據研究院資深專(zhuān)家Roger介紹說(shuō)：由于國內大多數制造型企業(yè)本身并沒(méi)有太多的數據分析和應用經(jīng)驗，有時(shí)候在對“小應用”還不明確的情況下為了趕“大數據”的“時(shí)髦”而匆匆上馬一些項目，這樣失敗的風(fēng)險就很大。其實(shí)，對制造業(yè)來(lái)說(shuō)，精細化和質(zhì)量是永恒不變的最重要的課題，企業(yè)完全可以從提高生產(chǎn)質(zhì)量和流程能力、降低單位質(zhì)量成本入手，收集和整合產(chǎn)品的質(zhì)量數據以及'生產(chǎn)這些質(zhì)量'的過(guò)程數據并加以分析利用，這往往是一種能夠比較快地見(jiàn)效和獲得客戶(hù)認可的路徑。
手動(dòng)采集數據，效率低下
QuAInS在調研中發(fā)現，不少企業(yè)雖然已經(jīng)有了一定的數據積累的意識，但數據采集過(guò)程的過(guò)程仍然是半自動(dòng)甚至依靠手工進(jìn)行。在浙江一家精密零件生產(chǎn)企業(yè)的測量車(chē)間，工作人員在完成測量后，需要將測量結果用筆手動(dòng)記錄在一張事先打印好的表格中，然后由另外一位工作人員集中輸入電腦；而對于一些比較智能的測量?jì)x器如CMM，測量?jì)x器自動(dòng)輸出的數據文件仍然以單獨文件的形式分散存儲在各臺測量電腦中，需要手動(dòng)拷貝轉換才能實(shí)現數據規整，做一份簡(jiǎn)單的質(zhì)量檢驗報告也需要大半天的時(shí)間。這種方式不僅效率低下，造成很大的人力成本損失，而且，數據的記錄非常容易出錯.tommy作為測量車(chē)間的主管對此深有體會(huì )：有時(shí)花了好幾個(gè)小時(shí)尋找異常測量值出現的原因，最后發(fā)現是因為在手動(dòng)記錄是寫(xiě)錯了小數點(diǎn)位置所致。“一般而言，如果借助一些自動(dòng)化的數據采集方式，企業(yè)花在數據采集方面的時(shí)間至少能節省80%以上，而且還能大幅降低出錯的概率”.quAInS數據采集方案高級經(jīng)理Tommy解釋說(shuō)。
只有結果數據，沒(méi)有過(guò)程數據
為了進(jìn)行質(zhì)量監控或制作質(zhì)量報告，很多企業(yè)都對客戶(hù)直接關(guān)心的各個(gè)質(zhì)量指標的數據進(jìn)行了收集整理，比如某個(gè)具體產(chǎn)品的同心度、尺寸、角度等等。從質(zhì)量大數據應用的角度，如果企業(yè)僅僅是為了制作質(zhì)量報告或實(shí)現實(shí)時(shí)的質(zhì)量監控（比如實(shí)施SPC，需以數據的實(shí)時(shí)采集為前提），這種做法是可行的。但是質(zhì)量大數據的更多價(jià)值在于從數據中發(fā)現質(zhì)量改進(jìn)的空間和線(xiàn)索，并以此制定切實(shí)可行的持續改進(jìn)方案，甚至是對將來(lái)一段時(shí)間的質(zhì)量狀況進(jìn)行預測，這點(diǎn)和提倡“用數據說(shuō)話(huà)”以減少流程波動(dòng)的六西格瑪質(zhì)量管理在某種程度上有一定的異曲同工之處。如果沒(méi)有PCB生產(chǎn)工程中的噴淋角度、壓力、藥水PH值等方面的數據，我們就很難得到到底是哪個(gè)因素主要造成了某個(gè)批次線(xiàn)寬的不良。
未以應用為導向進(jìn)行數據規整
在對數據進(jìn)行探索和分析之前，對數據的規整是必不可少的。數據規整不同于簡(jiǎn)單的數據數據獲取和整合，比如我們從不同的數據庫中得到了所需的數據（其中包括加工的溫度數據），但很可能我們還不能對之進(jìn)行分析，原因是，在不同的問(wèn)題研究場(chǎng)合，有時(shí)候我們可能需要將溫度當做連續變量來(lái)處理，有時(shí)候卻需要當成離散變量來(lái)使用，這個(gè)需要根據行業(yè)和工藝特點(diǎn)和具體需要分析和解決的問(wèn)題來(lái)確定，但在相同的行業(yè)或同一個(gè)企業(yè)，這種處理又是相對固定的。因此，最好能夠在數據獲取的過(guò)程中就能夠自動(dòng)完成類(lèi)似的數據規整，這樣獲得的數據才能夠直接進(jìn)行分析。
進(jìn)行數據分析時(shí)無(wú)所適從
可喜的是，目前的確已經(jīng)有一些企業(yè)能夠圍繞質(zhì)量控制、改進(jìn)和預測的主題進(jìn)行一定的分析工作，特別是在一些高科技半導體行業(yè)這種情況已經(jīng)比較常見(jiàn)。但工程師在進(jìn)行這些分析工作時(shí)，除了前文中提及的數據規整的問(wèn)題之外，往往還有更多的困惑：對于同一個(gè)數據分析問(wèn)題而言，從初級的基本方法到高級的方法往往不止一種，工程師常常需要花很長(cháng)時(shí)間才能摸索出一套對具體某個(gè)問(wèn)題比較有效的分析方法和思路。這一方面是因為工業(yè)統計方法的應用具有相當的專(zhuān)業(yè)性，不僅需要具備一定的統計學(xué)基礎知識，還需要有相當的工程背景和數據分析經(jīng)驗；另一方面，目前常用的數據分析軟件普遍只是提供各種數據分析方法，且使用起來(lái)也非常靈活，但在對具體問(wèn)題應該采取何種方法的問(wèn)題上，卻并未能給出足夠的建議，使得絕大多數并不具備足夠工業(yè)統計背景的工程師感到無(wú)所適從。就像一個(gè)屋子有很多扇門(mén)，我們很難知道到底哪一扇門(mén)才是通往我們想去的房間的最佳通道一樣。不過(guò)，從客觀(guān)的角度，這些工具軟件的靈活性本身是非常值得推崇的，只是目前國內大多數企業(yè)的在數據分析應用方面的實(shí)際水平與這種靈活性之間還有一定的差距。“我們著(zhù)力研究的行業(yè)化解決方案，正式為了幫助國內的企業(yè)縮短學(xué)習時(shí)間”，Roger說(shuō)。
誠然，上述種種問(wèn)題，需要我們從知識積累，系統建設，人才培養等多個(gè)方面進(jìn)行長(cháng)期的改善。在中國經(jīng)濟“新常態(tài)”背景和工業(yè)4.0的美好愿景下，我們有更多的理由去邁開(kāi)堅實(shí)的步伐，畢竟“世界這么大”，我們能抓住的機會(huì )卻不多。
