数字化转型、数据中台……近期这样的热词频出,但对于制造业,究竟如何落地?

记得几年前,一位制造业信息化专家和我聊到大数据这一话题时,就说过:缺少高质量的数据源,数据分析与展示没有任何价值。的确,当你的ERP库存数据还不准确,现场在制品数据仍然靠手工盘点,生产计划只能排到月,工时数据还是一笔糊涂账的时候……谈数字化运营真的意义不大。

能够将具体的设计、工艺、生产制造、运营管理、设备维护等业务场景高质量落地的信息化系统(业务中台)是制造业数字化管理的核心。在业务系统应用并见效的过程中,将这些业务数据提取出来,进行有价值的分析、挖掘,并再次进行业务应用,这二者的结合才是制造业完整的数字化管理。可以说,业务系统是基础,数据化应用是升级。没有强壮的业务系统,数字化管理很难走得通。

从HCPS看制造业数字化管理

周济先生在2017年提出了智能制造HCPS的理论框架,其中最大的亮点在于把人这一制造环节中的关键要素,补充到物理系统与信息系统中。不约而同,精益生产理论始终倡导以人为本,尊重人、培育人、塑造人、充分发挥人的能力。制造易也始终强调人是能否实现智能制造的关键动因!企业购置了多少先进设备,部署了怎样的网络设施,并不能决定智能制造必然成功。先进的管理思想,能够激发员工的工作活力与责任意识的体制机制,以及科学有效的落地方法才是关键。

我们认为,制造业数字化管理,不能停留在工业互联网、大数据平台的技术思维,而是要回归制造业“人机料法环“的管理原点。用内部数据加之外部的用户、供应链等相关信息,对其进行发现、感知、分析、决策。随着智能制造技术的深入应用,可实现从人对数据的管理,向人机结合、智能感知、智能分析、智能决策等知识发现技术,提高决策的效率与质量。

图片来源:e-work

制造业数字化管理抓什么?因企业不同的业务阶段、信息化基础、管理对象,从数据应用的角度可以将其应用水平划分为若干层级,呈现不同的关注重点。

业余段位

这个业余二字并无贬意。数字化管理的基础是信息化。现实中,很多企业的信息化系统因各种原因尚未健全,业务运行与数据分析停留在以纸质单据传递、手工方式统计为主,统计的内容庞杂,参与人员众多,管理决策主要靠经验。业余段位的企业在数据管理上的典型表现是:

§没有业务系统或系统不健全,数据基本靠人工整理、汇总

§领导着急要看什么表格,相关部门加班加点统计,下一次再要看,仍然需要临时统计

§领导对某几个数字有异议,报告人也拿不准,说不清,只能回去再核实

§数据的不准确、不实时、不系统,领导也不敢依赖其决策,只能拿来作为参照

经营企业如同战场上一场又一场战役,对于信息掌握的不及时、不精准,将严重影响决策。业余段位的企业,对管理者的最大的难点就是信息获取滞后、数据质量采信度不高。

基础段位

基础段位的数据管理有两个显著标志:一是初步应用信息化系统,实现了数据统计的部分自动化。目前多数企业拥有财务系统,报表可由系统提供;库房管理实现电子化,物料数据可随时查询;第二个标志,应用领域仍有限,集中在ERP中的财务、供应链管理中一些结果性指标数据,如财务分析、库存数据、销售数据等,生产类的过程控制信息掌握不足。以财务数据为例,分析指标很多,但多为事后诸葛,如果不与业务数据进行比对、关联,很难找到背后真正的原因。

基础段位的企业,由于其所掌握的数据没有触碰到现场,对于生产管理者来说,可供指导生产的信息数量明显不够。

进阶段位

进阶段位的标志是,企业开始尝试应用生产管理系统,生产现场数据进入到管理者的电脑中。管理指标的颗粒度逐步细化,结果性指标向过程型指标延伸,现场状态,计划执行情况、在制品状态通过信息化工具可以实时了解。

这个阶段的主要服务对象延伸到生产管理岗位,其目的是能够看清现场状态,有效提高生产产出效能。关注的数据与指标类别主要包括以下:

计划数据:各类型生产计划执行状态,完工、超期、停滞、异常等信息

在制数据:批次、投料数量、加工数量、废品数、在制数

质量数据:废品率,单位、个人统计,返修率、废品原因分析

盈亏分析:成本分析是盈亏分析的基础,难点在于成本项目的细化,以及各种费用如何分摊到具体产品中,多数企业目前这方面还是依靠手工方式操作。

从实践中看,多数制造业企业到这个阶段就止步了,或者在这个阶段很多数据采集与处理方式又回到手工统计的业余级别,比如质量信息统计、成本核算等,至于更高级别的数字化管理则难以企及。原因在于缺乏有力的信息化工具做支撑。

中级段位

中级段位,有两个特征。首先,运营数据实现了“条线管理”,即管理者看到的是具有关联关系的完整数据。比如,查询一个生产订单,可以看到该订单的所有相关信息:原材料、投产时间、工序进度、人员设备、质量情况、入库信息等;其次,是在局部点上,出现了更为精细化、智能化的应用,数据可以指导、预警,甚至辅助决策。由于数字化管理的介入,大幅提高了工作效率与质量。以下是目前智能制造中常见的数字化管理应用场景。

□订单跟踪

有的朋友会说,这有何难?物流行业是可以做到订单全程跟踪的。但在加工连续性差、工艺路线漫长的离散制造行业,能做到的企业真的不多。因此当面对客户、销售人员的催单电话时,生产人员难以快速回答,原因在于缺少支撑生产现场信息实时记录的业务系统。

有效的信息化管理可以实现订单的实时跟踪。从接到一个客户订单开始,管理者可以全程进行监控,谁的订单,何时开工、已经完成哪些工序,预计何时完工入库,中间的工艺设计情况有无调整,有无报废、用户何时能收到货、质量全程追溯等等。

□数字化工艺

数字化工艺是解决设计工艺与制造环节的数据标准化与唯一性管理的手段。其目的是保证全生命周期管理中设计与制造过程中,工艺数据的规范化、准确性与可复用性,提高信息传递效率,保证制造数据质量。其工作方式可参见之前《结构化工艺,您的企业做到了吗》一文。

□设备数据采集:

这并不是一个新技术,PLC、MDC、DNC早已出现几十年了,但这几年却被炒得火热,很多人以为这就是智能制造。对于多品种小批量、单机作业的离散制造行业,设备数据采集价值极为有限。一是工厂机床集中定置,可由专人使用专用设备进行定期点检,集中上传数据分析处理;二是越好的机床,故障率越低,如果频繁出现问题,这个设备也不会有市场;最关键的原因是部署成本过高,对于低利润率的制造企业来讲,投入产出极不划算。

机床设备数据采集或生产线的自动化控制仅是生产管理“人机料法环”中的一个点,采集上来的数据如果不与计划信息等管理应用结合,就是个设备预警工具。其在实践中更适合对停线损失极为敏感的大批量、自动化、流水线等生产模式的企业。

□视觉识别

视觉检测就是用机器代替人眼来做测量和判断。在制造业中应用于不适合人工作业的危险工作环境或人工视觉难以满足要求的场合。同时在大批量工业生产过程中,用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。目前,在半导体、电子的质量检测上应用比较广泛,但同样其只是针对某一局部问题,对整体生产管理的贡献有限。

高级段位

高级段位的特征是企业从局部的信息化应用向核心业务领域(如设计研发、生产计划)深入,整体管理呈现智能化、数字化。其标志是,企业不仅有智能装备还有智能化管理。机器设备、信息系统产生的数据与企业管理者的知识经验形成融合,实现了知识管理下的人机互动、人机协同,能够提供更为科学、高效、敏捷的决策支持,且持续迭代。

以下几个方面可能会是高阶数字化管理追求的目标与方向

□数字化制造,仿真技术

仿真技术,是以计算机和专用物理设备为工具,利用系统模型对实际的或设想的系统进行动态试验的一门综合性技术。目前应用较为成熟的是设计仿真(数字孪生)、制造过程仿真。

如,在工业产品实物化前,利用仿真技术可以对设计思想、产品潜在性能、使用效能和适应性等进行全方位评估,从而减少研制风险,缩短研制周期,降低研制成本。在设计产品方案之初,首先建立产品的数字化样机(而非物理样机),然后在计算机上,运用不同的仿真分析软件,模拟产品的性能属性,最大限度缩短产品开发时间,优化产品性能,减少物理样机的问题,从而提高设计的效率。

□制造协同

制造协同,广义上是指产业链上下游企业间的供应链、生产、设计等协同协作;狭义上则是指企业内部各个部门岗位之间未完成某项具体工作的高效协作。实践中,很多企业的内部协同尚存在极大问题。即使应用了ERP、MES、PDM等系统之后也是如此,其也不是协同OA或报表工具所能解决的问题。原因在于,这些信息化系统功能各有局限,各自为战,数据难以整合应用。企业多数岗位的实际工作仍然在线下通过Excel、Word或纸质文本完成,信息不共享、不透明,不能够结构化传递、沉淀,线上与线下工作严重脱节。

针对这一现实情况,制造易在产品的设计思想上,体现了职责、流程、绩效的拉动式管理。系统可以把各个岗位的工作均置于同一平台上,并根据权限进行信息共享、查询,通过待办机制拉动任务完成,实现工作过程的精细化管控,保证生产协作的高效组织。

□计划仿真与调度管理

计划仿真也是数字化制造的核心应用场景之一。其并不等同于目前大家所看到的APS(高级计划排程)。因为APS本身就是个NP问题,一定没有最优解。要想让排程结果最大程度可用,需要动态调度功能相配合,以规避传统APS应用中出现的计划与执行两层皮的情况。

计划仿真与调度管理强调的是资源的实时化可用性,具有反馈机制的计划可执行性,现场信息的敏捷交互性,加之人(计划员、调度员)丰富的实战经验与计算机算法之间的互补性。

为此,系统要有一个快速、准确的信息传递机制能够真实反映现场状态;有一个可以快速试算、灵活调整、准确表现调度状态的互动式看板;同时,还可以通过人机协同、人机互动将生产指令贯彻、执行、回馈、考核。这种人机互动、人机协作、智能分析与智能化调度指挥应该是未来生产计划管理的工作常态。

超一流段位

到这个阶段好像一定要说说机器学习与AI了。但说实话,这个段位AlphaGo级别的选手,在多品种小批量的离散制造行业仍未见到。即使那些频繁上镜的黑灯工厂,也都是集中在总装等后端环节,属于数字化车间级别的成果。

如果是生产效果非常依赖于设置参数,如化工等流程生产,则机器学习可以发挥明显作用,而机加工行业的工艺优化与流程型行业多有不同,前者的关键参数不是多个特征的罗列,要牵涉到复杂的尺寸链处理。此外,这个行业,在相当长一段时间内,还难以实现机器换人,即使替代了部分一线人员,还需要有大量的设计、工艺、计划、管理人员存在,个人认为,如何用信息技术实现人机协作才是这个行业未来智能化管理的发力点。

所以,姑且将其称之为愿景。但相信未来随着工业大数据的真正完备,一定会衍生出更多目前我们尚未预见的深入的应用。

总结

需要说明的是,上述阶段的划分并无一定之规与先后必然。具体应用场景,也仅是举例,应视企业管理水平与发展阶段灵活取舍。再有,行业不同,数字化管理的重心也不一样。如整车制造企业,很早就实现了产业链上下游的协同制造,生产效率得以大幅提升。像徐工、海尔在产品装配环节也有了自己的黑灯工厂。但他们的经验对于航空军工等多品种小批量,无法自动化、流水线生产的高离散型行业却很难适用。后者更关注设计阶段、工艺阶段,计划与执行阶段的数字化、智能化与制造过程协同。因此,数字化管理一定要因行业不同,一企一策,进行个性化设计与打造。

数字化管理的重点是“管理”,数字化只是手段与展现方式。其一定是要以能否有效提升企业的管理水平为检验标准。任正非先生说“我们不要炫耀锄头,而忘记了锄地”。遗憾的是,现实中,很多企业连一把好锄头都没有。这个锄头,就是能解决制造问题的信息化系统。这个系统不是工业互联网、不是设备数据采集、更不是报表工具,应当是一个能够支撑业务运行的强壮的生产管理系统。

在这个系统的选择上,站在企业智能化管理的高度,其也不会停留在ERP、MES、PDM等孤岛式的传统软件。更应该是一个开放、柔性的平台(前段时间西门子高调宣布Xcelerator产品组合与Mendix开发平台也印证了这一趋势)。在这个平台上,可以敏捷、快速的搭建流程应用,能够将组织内多数岗位有效协同拉动,能够对各类生产资源进行全面掌控,更能够进行数字化建模,智能化辅助决策。其将与线下工作相呼应,成为强大、智能的数字化工作平台。

信息化和软件服务网 - 助力数字中国建设 | 责编:莎莉