• <track id="j48te"><strike id="j48te"><tt id="j48te"></tt></strike></track>

    <p id="j48te"></p>

    <acronym id="j48te"></acronym>

      現在,隨著德國“工業4.0”、美國GE“工業互聯網”在全球的風靡,以及“中國制造2025”戰略的如火如荼地推進,以新一代信息技術與制造業深度融合為特點的智能制造已經引發了全球性的新一輪工業革命,智能制造已經成為制造業轉型升級的重要抓手與核心動力。
      但由于智能制造的概念還不統一,自動化、機器人、數字化、物聯網、工業大數據、數字孿生體、人工智能等等,這些層出不窮的概念讓制造業無所適從。隨著阿爾法狗(Alpha Go)的一火再火,有些企業一談智能制造,就聯想到這些最前沿的技術,總想引進的系統具有自感知、自分析、自決策、自執行,甚至是自學習的功能。
      筆者認為,這些想法是不現實的,作為企業,更需要務實落地的智能制造戰略與方法。為此,筆者提出四個觀點,簡稱“智能制造的四多四少”,希望對大家有所啟發,不正確之處請各位專家批評指正。
     
      1,多關注看不見的,少追風看得見的
      很多企業在參觀或者建設智能制造項目時,總是熱衷于那些一眼就能看得見的機器人、數控機床、AGV等裝備自動化,或者是認為引進些MES等信息化系統就是智能制造了。筆者認為,這都是過于表面化、工具化,我們更應該對那些看不見、內在的因素進行深入研究與提升。
      早在2015年,同濟大學張曙教授就提出了“四個不等于”:機器人+數控機床≠智能制造;ERP+MES≠智能制造;互聯網+Wifi≠智能制造;自動化+數字化≠智能制造。張曙教授強調:“智能,智能,不能夠感知和思考,不會交互和通信,就算不上智能。”
      北京航天航空大學劉強教授有一個著名的智能制造“三不要理論”,“不要在落后的工藝基礎上搞自動化;不要在落后的管理基礎上搞信息化;不要在不具備數字化網絡化基礎時搞智能化。”
      工信部信息化和軟件服務業司副司長安筱鵬博士也在一些演講中指出:“有兩種自動化,看得見的自動化是生產裝備的自動化,比如采用智能機器人和數控設備的自動化生產線,而看不見的自動化是數據流動的自動化,實現數據在企業內部的流動,使得隱形數據顯性化,這是企業創新進入高級階段的必然路徑。”
      筆者在2015年7月曾撰文《工業4.0,戰略上別“丟人”!》,(此處的別丟人,是指別丟掉人的意思),呼吁“一定要分析清楚自己實施工業4.0的戰略目的。對具體企業而言,一定不是為實施工業4.0而購買大量高端設備、機器人、先進的計算機系統。”并提出了“人機網三元戰略”,突出強調了人在智能制造中的核心價值,企業通過提升人員素質,優化企業管理,弘揚工匠、契約、合作等精神,在自動化、數字化、網絡化、智能化等技術體系支撐下,打造中國特色的智能制造戰略。
      由于看得見的自動化,相對來說易見、易學、易購、易建,不用強調也能引起企業的重視,而看不見的數據流動自動化,以及更深層次的研發技術、生產工藝、業務流程、人員素質、企業管理、企業文化等等,往往被企業所忽視。這些方面不是通過購買等方式就能快速復制的,需要企業長期的積累,這是一個可以壓縮但不可跨越的過程,然而,對企業的價值而言,“看不見的”要遠遠大于“看得見的”,這將是企業的核心競爭力所在。
      因此,本文的第一個觀點,“多關注看不見的,少追風看得見的”,這并非是認為裝備自動化等看得見的因素不重要,而是呼吁企業要更多地關注那些看不見的因素,這樣才有利于企業的長期健康發展。
     
      2,多關注數字化,少追風智能化
      我們發現,在歐美國家,他們講智能化的少,講數字化的多,如數字化車間、數字化工廠、數字化制造等等。他們認為數字化是智能化的第一步,數字化具有非常清晰的導向性與落地性,是非常務實且效果顯著的戰略方向,并給予了高度重視。
      工業4.0教父"孔翰寧說:“數字化一切可數字化”,也即盡可能地數字化一切有必要數字化的過程及管理,比如研發數字化、生產數字化、管理數字化、產品數字化、服務數字化、知識數字化等等。包括國外提出的數字孿生模型、數字主線等,都無不是從數字化做起,如果能夠實現從產品設計、生產計劃、制造執行、產品服務等全過程的數字化,我們就能收到很大的成效,我們離智能化就更進一步了。
      與其“坐而論道,不如起而行之”,如果還搞不清如何實施智能制造,就請從數字化做起,這本身就是智能制造的基礎。
     
      3,多關注Smart,少追風Intelligent
      現在很多人對智能制造的“智能”過于理想化,認為要具有“自感知、自分析、自決策、自執行”的系統才能叫智能系統,總是希望自己即將建設的智能制造系統就具有類似的功能,筆者認為,這種觀點實質上是對智能制造的誤解,對企業智能制造建設是不利的。
    德國人喜歡用Smart表示智能
     
      我們注意到,在工業4.0白皮書及相關文章中,德國人一直用Smart Manufacturing來表述智能制造,而不是用有些人經常講的Intelligent Manufacturing。
      Smart的中文是聰明的意思,聰明就是耳聰目明,就是耳朵靈敏,眼睛明亮,就是耳朵能聽見、眼睛能看見、大腦會思考。
      Smart Manufacturing是德國人非常務實的提法,是希望通過靈活、高效、聰明的系統及多系統的協作運轉來滿足個性化、定制化生產與服務的需要,而不刻意強調單一設備或系統的高度智能。
      Intelligent一般是指物的智能,常用為計算機術語,比如智能汽車、智能網絡、智能儀表等。
      筆者認為,我們所講的智能制造應該是德國人說的Smart Manufacturing。這是德國人在全球經濟一體化的大背景下,人類生產能力嚴重過剩情況下的被動應對策略,利用自動化、數字化、網絡化、智能化等先進技術,滿足個性化(消費者選擇余地多了,變得挑剔了)、定制化(企業大訂單小訂單都得接,以前大批量生產的好日子沒有了)的生產與服務,這是一種靈活、高效、聰明的制造模式,而不是一味強調“自感知、自分析、自決策、自執行、自學習”的Intelligent Manufacturing。
      因此,多研究Smart,少講Intelligent,如何讓企業的制造變得更高效、更靈活、更聰明,而不去追風單個設備或系統的Intelligent,對中國制造業而言,不失為一種務實而明智的作法。
     
      4,多關注工業大數據,少套用商業大數據
      近幾年來,大數據已經成了一個大家耳熟能詳的術語了。
      大數據方面經典的著作當數牛津大學維克托·邁爾·舍恩伯格教授寫的《大數據時代》,作者重點強調了大數據時代最大的轉變就是放棄對因果關系的追求,取而代之的是關注相關性。也就是說只要知道“是什么”,而不需要知道“為什么”。
      有關大數據(實質就是商業大數據)最有名的案例就是尿布與啤酒的故事。據說故事發生在20世紀90年代的美國沃爾瑪超市中,沃爾瑪的超市管理人員分析銷售數據時發現了一個令人難于理解的現象:在某些特定的情況下,“啤酒”與“尿布”兩件看上去毫無關系的商品,但銷量卻有很強的相關性,即啤酒銷量大時,尿布的銷量也大。后來經過分析后得出結論,原來周末時,年輕的父親要肩負起照看孩子的重任,他們在邊看足球邊喝啤酒時還需要照看孩子,在購買啤酒時就順手買了些尿布。沃爾瑪根據這個現象,將啤酒與尿布放在一起,方便這些年輕的父親購買,于是,兩者的銷量大增。
      該故事形象地說明,商業大數據強調數據挖掘,強調數據的相關性,而不強調數據之間的因果關系。盡管該故事經過考證是杜撰出來的,但該故事一直被作為了大數據研究的經典,推波助瀾地推動著大數據概念的迅猛發展。
      近些年來,大數據成了大家張口必談的熱點,并明顯地影響到了制造業,好像不說說大數據,就有不懂智能制造的感覺。但筆者認為,很多人講的都是商業大數據的特征與理念,對制造業除了市場營銷等部分業務有幫助以外,對制造業的價值實際并不大,制造業更應該關注自己最擅長、自己最有優勢的工業大數據。

     
    國際數據公司IDC的統計表明,制造業具有數量最多的數據
     
      工業大數據與商業大數據到底有什么區別呢?筆者做了一些研究,并于2016年5月份專門請教了工業大數據著名專家、《工業大數據》作者李杰教授。李杰教授指出:“大數據具有發散性,工業大數據具有收斂性,同為大數據,表象相同,本質不同。工業大數據具有更強的專業性丶關聯性丶流程性丶時序性和解析性等特點。”
      筆者認為工業大數據同商業大數據相比,除了都具有數據量大的相同點外,還有如下明顯的不同點。
      1)工業大數據具有更高的價值密度
      為講清楚商業大數據與工業大數據的區別,我們先看一下著名的DIKW體系模型。
    DIKW模型
     
      從上圖可以看出,最底層是數據層(原始數據),然后是信息層(有邏輯的數據),再上面是知識層,最上面是智慧層。
      舉個例子,我說39,大家知道39是數據,假如帶上量綱,39oC就是信息了,我們知道這是溫度。如果說39oC是發燒,那就是知識了。發燒吃XX藥,并注意休息,我們說這就是智慧了。
      我們回到剛才尿布的例子,1000(尿布的月銷量)對計算機系統而言,由于沒有邏輯,這只能算是數據了,不應該算為信息。
      而工業大數據就不一樣了。比如我們對零件進行熱處理時,要求爐溫500度,保持半小時?,F在采集上來的數據是600,我們就知道,這個600,實際上是600度的溫度,這已經突破數據層面,屬于信息了。600度高溫,我們(包括相關管理系統,如蘭光設備物聯網系統)就知道要出廢品,這就是知識層面,甚至要去采取相關措施去干預,這是智慧層面了。
      由此可見,工業大數據不是簡單的數據,在相關系統支撐下可以很輕松地加載上信息屬性,甚至是知識屬性,乃至智慧屬性。
      2)工業大數據具有強關聯性
      商業大數據具有發散性。啤酒的銷量高低也許與跑步機銷量有相關性,也許與花生米有關系,美國人就充分發揮他們計算能力的優勢,在海量數據中尋相關性,有點像荒野中尋找黃金。
      工業大數據具有強關聯性。比如,在工廠里出現廢品,無非就是人、機、料、法、環等幾個方面的因素,有經驗的師傅可以很快進行定位,這就是強關聯性,而不會考慮零件廢了是否與霧霾有關,也不會考慮是否與窗外駛過的汽車有關。
      工業大數據具有很強的行業知識特征,具有相對“精準”的判斷方向,這些都是商業大數據所不具備的。
      3)工業大數據具有因果性
      制造業具有很強的因果關系,你3D模型設計錯了,制造出來就是廢品;材料用錯了,制造出來合格品的可能性就幾乎為零;機床精度不夠,零件就容易超差。這些都具有比較強的因果性。
      而商業大數據強調的是相關性,比如發現兩個批次產品廢品率在某一時間內具有相關性,這些相關性可能對發現問題很有指導價值,但如果你靠這個相關性去指導生產,很可能就是荒謬的了。
      4)德國喜歡稱之為Smart Data
      這里面有個細節,擅長IT與商業的美國人叫Big Data,而擅長制造業的德國人喜歡稱之為Smart Data,甚至還對大數據表示出了一定程度的輕視。
    德國人喜歡叫Smart Data而非Big Data
     
      西門子前研發中心總監Wolfgang Heuring博士在2015年時說:“數據只是“大”,并沒有太大意義,關鍵是如何最佳地挖掘高價值的數據,使這些數據成為“靈性數據”(Smart Data)”,在未來,靈性數據可以幫助我們了解一個智能系統每時每刻發生了什么,更能夠告訴我們為什么會發生。甚至還可以告訴我們接下來會發生什么,以及我們應該如何應對。”
      這里,筆者將Smart Data翻譯成靈性數據,而不是智能數據。筆者認為數據本身不具有自分析、自決策等功能,不應該算為智能數據,但經過分析,可從這些數據挖掘出很多有價值的信息,從而做出智能化決策。所以說,這些數據是有靈性的,而不僅僅是“大”而已。
      工業大數據是包含了豐富的工業信息的數據,制造業沒必要去追風與套用商業大數據的理念與特征,花費大力氣去研究什么相關性,踏踏實實地采集好、利用好企業的研發、生產、設備、質量等工業大數據,就會取得很大的收益,這是制造業觸手可及的金礦。
     
      結束語
      筆者始終認為,實施智能制造,不是面子工程,不是政績工程,而是企業智能化轉型升級的內在需要。在這個過程中,企業一定不要好高騖遠,不要追求過于理想化的智能,不要追風與套用所謂的商業大數據概念,不要只聚焦在設備等看得見的自動化上,還要多關注研發技術、生產工藝、人才素質、企業管理、企業文化等看不見的內在因素。借鑒國內外先進理念,結合企業實際情況,在正確應用自動化、數字化、網絡化、智能化的基礎上,揚長補短,以人為本,充分發揮人才優勢、管理優勢、文化優勢,就能實現企業智能化轉型升級的成功。
      智能制造,務實、落地最重要!
      鳴謝:中國發明家協會常務理事趙敏先生及寶鋼首席研究院郭朝暉教授對本文的指正!
     
     
    国产成年无码aⅤ片在线观看,丰满老太婆bbwbbwbbwbbw,江苏高大屁股老肥熟女,bbwbbw欧美肥妇pics