制造领域大数据的应用困惑

​​周六的时候去了趟交大,和几位大数据老师沟通目前遇到的一些困惑。

我们经常说工业领域的数据采集应用大致分为几个层次:一是数据的透明化,即采集数据的直观展示。经常说的报表、看板都是这种方式,比如设备的状态监控,库存周转的动态展示,质量缺陷的实时收集;二是数据的逻辑控制,从设备层获取的数据直接参与产线或者生产过程的控制。PCS(过程控制系统)是典型的例子,常见的自动化产线,缺陷产品的排出动作,是系统接收到了缺陷的指令而作出的反应,这类控制一般都有特定的逻辑。三是类大数据的应用,采集的数据经过一定清洗、转换、计算,从而得到某种趋势或者结论,从而反过来再次优化生产过程。我们经常见的流程行业,比如冶金,造纸,都比较关注生产过程的稳定性,物料平衡、工艺平衡。在某种特定的工况下,生产出来的产品质量是达标的。


第一类和第二类的数据应用我们比较容易理解,也是比较容易上手的。开发报表、看板都是强项,我们也目睹了很多厂商,所谓的大数据应用,偷换了概念,做成了BI分析。但第三个层次的数据应用,在To B的应用领域比较困难。为什么这么说?我们先对比下To C的场景。AL公司在接触国内某家酒厂的CRM的商机时,几乎没有进行前期的调研,只要了这家酒厂所有客户的一份联系方式清单,两周后提供了一份售前报告,客户马上宣布项目成交,为什么呢?这份报告几乎给出了所有消费者的画像,特定的喜好、购买批量、什么时间买的最多、通过什么方式买等等,并且给出了相应精准的营销建议。这是智慧营销的一个真实案例。类似的还有BD公司的车联网技术,通过车辆的定位、出入记录,给出车主画像,消费水平、开车喜好、活动范围等等,然后通过相关的线上应用,精准推送广告或者提供相关的服务建议。我们说这是针对 To C的案例,有明确的对象,明确的目标,通过相关的数据采集、分类、分析,得出与目标相关的一些建议。注意,我这里说的对象、目标、影响的因素相对来说都是比较清晰的,而且影响的因素(即未来要采集的数据)和目标之间的关系很容易建立。第一个例子里面,想办法找到目标客户,这就是目标。目标客户的属性有哪些,即我们要采集的购买地点、方式、频率、数量等等。


而 To B端呢?我们再看一个例子。视觉检测。BD的视觉检测,已经突破了传统的方式。传统的方式,运用图像对比,即通过高速相机拍摄的照片和系统内预设的图片做对比,从而实现检测的目的。这种方式有明显的弊端,检测率较低。试想一下,预设的图片一定是有限的,哪天现场出现新的检测缺陷,系统就无法准确识别。BD公司的视觉识别技术,利用其大数据和人工智能技术,给检测设备装了“大脑”。我们说钢板的下线检测,通过高速相机从不同的角度拍摄取样,系统自动给出检测结果。其原理就是对图片的处理,这个处理背后有特定的算法,人工智能则解决“推测”的问题,通过对算法的训练,系统能自动地推测其他相似的缺陷图片,无需再提前预设或者穷举。
这个是To B领域的例子,比较具体的一个例子。但生产领域的大数据应用远没有这么简单,很多的企业陷入了一种停滞,数据倒是采集了很多,不知道怎么使用,这个使用不局限于报表、看板、控制,而是数据反哺的应用。比如一台整车的总装生产线,其拧紧工序的拧紧数据、加油数据、线体的启停数据;再比如一台压缩机的出荷实验数据、装配偏心、电磁音等组装过程的数据,每台的压缩机下线有5M的采集数据。这些数据怎么使用?


大数据的应用,技术再是瓶颈。难的是找到应用的点。有这样一个故事:某工厂的一台大型设备坏了,生产经理着急,一个老师傅围着设备转了几圈,拿粉笔在某个部位画了个圈,说在这里打两个孔。工人拿着电钻照做了,设备恢复正常。故事里面,工人和电钻不是瓶颈(当然也很重要),核心的是找出在哪里打孔。大数据的应用也是一样,数据模型、算法、优化,这些都比较成熟了,可以借用专业的成果。但市面缺乏的是业务专家,这些业务专家就是我们在企业里的这些老师傅。


顾问或者信息化咨询公司要在其中充当桥梁的作用,通过和企业的老师傅充分交流,从老师傅的口中挖掘影响目标的这些核心“事件”,所谓事件就是影响的因素、动作等。整车组装里的轮胎拧紧,拧紧参数、当时工况、螺母质量等等。搞清楚这些核心事件之后,再来看要收集哪些数据。数据的收集有两部分来源,第一部分已知的,历史的客户投诉、4S店记录,可以通过简单的分类统计就可以完成,长时间内轮胎螺丝出现的问题。第二部分是要收集的,整车轮胎的拧紧参数,拧紧曲线。从而建立优化目标(举个例子,减少轮胎滑丝导致的质量事故)和采集数据之间的关系,通过一定模型算法实现。

为什么说老师傅重要?我们再看一个例子,还是整车轮胎拧紧。国内某重汽厂生产线下线一台车,经终检点位时,发现左后轮螺丝松动。查看其拧紧过程数据,并无异常,系统记录数据和工艺要求吻合,也就是拧紧枪的扭力到位。最后经过详细排查,发现螺丝的内缝有铁屑夹杂,从而导致“扭力”看似正常,最终下线后螺丝松动,这是生产工况对质量的影响的例子。还有一个例子,也是拧紧枪,某班产线员工发现,拧紧枪在拧紧过程中发出“突突”的响声,气压不稳。找来找去找不到原因,厂家反馈说枪没问题,尴尬。最后,一个老师傅发现,拧紧枪的周围排布电线杂乱且多,会产生电磁干扰,从而导致电流不稳定。把线束整理清理,枪恢复正常。像这些“异常事件”,信息化公司或者做算法的顾问是无法解决的,只能和老师傅一起探讨。另外,材料质量、工艺要求、环境都会对“拧紧质量”产生影响。


所以,工业领域大数据的应用,也一定要走“产学研”的路子,发挥企业、学校、信息化公司各方优势,一起探讨,搞清楚优化目标、优化方法、优化落地的关系,给国内制造企业的发展增加动力。​​​​