用戶名: 密碼: 登錄 注冊 忘記密碼
車間里的創新 自適應數字化工廠三部曲(中)
2017-11-06       suixiang    瀏覽:3317    0  

1.數字工廠的戰略決策

制造業的數字化工廠的戰略決策,可以采用觀察、定位、決策和行動環(OODA)。

OODA模型代表觀察、定位、決策與行動。該模型同樣以Boyd循環知名,Boyd循環是以USAF頻道退休的James Byod名字命名的,他的方法是在戰爭中對敵人要取得戰略性的優勢。OODA模型與制造業的PDCA(Plan-Do-Check-Act)循環是相互關聯的。OODA模型和PDCA循環都關注如何做決策。簡單點來說,他們強調了觀察數據與事件、決定的方法,過濾掉噪音,在新信息到來時重新定位,以及在連續的相互作用的環狀模型中采取行動的必要性。

數字化工廠中OODA模型中的行為流是包含人、機器、來自物的數據的工藝流程。在一個受低營業利潤挑戰的艱難的市場中,比競爭思考與行動更快的能力創造,是一個突出的優勢。事實上,改善了的供應鏈管理與更低的操作成本是制造業與高科技工業發展的關鍵驅動。

讓我們看看OODA模型是怎么應用在數字化工廠的。

☆ 觀察:觀察要么與經驗一致,要么與數字化工廠中知識工作者的直覺一致,要么與發現過程的數據收集(越來越多的物的數據)一致。數據來源包括物、工藝過程和企業應用軟件。

☆ 定位:定位來自于特定環境下的知識與洞察力,例如,數字化專家的知識、行業自身規則,亦或通過數據分析得出的模型(如預測分析)。

☆ 決策:在觀察與定位過程中,將呈現出一系列優先化的決策選擇。用戶或系統需要挑選行動的方針,在大部分案例中,該行動可能成為優先選擇或一系列潛在行動中的最優選擇。

☆ 行動:在數字化工廠的特定環境下,這些是在實施過程與決策應用中才采取的行動,用戶將按照優先順序排列決策列表,優化行動順序。

事實上,在大多數工業物聯網使用案例中,客戶關注點如下:檢測正在發生的事情,無論是來自機器與設備的數據流,還是復雜或異常事件的發生;自動識別、診斷與推薦最高效的行動來解決問題(或在第一時間防范于未然)。

隨著時間的推移,系統必須能夠檢測與解決問題,以期最終形成自主學習與自動持續迭代的OODA模型。

2.自適應數字化工廠建立大數據結構

毫無疑問,我們將從設備、網絡、人、鏈接與機器等上收集來的數據定義為大數據。在僅僅幾年里,我們將接觸到結構化、非結構化與半結構化的數據。擁有大量的數據,僅將大數據定義為存儲庫是不明智的。這也將是失去這些數據所提供的隱藏的洞察力與知識的最佳方式。

管理大數據的一個最有效的方法是通過用例建立用例存儲庫。通過用例分析方法,我們能夠理解與認識數據、數據的命名、數據的功能、數據的轉換需求。另外,分析產生積極成果的用例觸發新的問題并誕生新的用例。

將用例的積累、相關思考與結果行為結合起來將促成建立一個有效的大數據平臺。這個大數據平臺形成了一個智能的、有序的、結構化的方法論,該方法論允許分散化的分析團隊利用先前的工作用例。

使用用例方法論的另一個重要的科技優勢是——它促進基礎設施的發展規模。在剛開始,沒有必要利用重要資源來形成巨大的基礎設施。而且,平臺起初從小開始,隨著需要的增加而擴大。


圖1:制造業各部門數據利用圖

在制造業中,數據是由每臺機器、機器間的相互作用、機器間的傳感器檢測儀表、控制系統、操作者、工程師等產生的。現如今,只有一部分數據被分析利用。

隨著產品越來越智能,他們產生有價值的數據。無論是系統,還是智能裝備,均能受益于這些數據,制造業必須獲取工具來利用這些未開發的知識。

考慮到不久的將來:為了建立用例,一條簡單的生產線將能夠很快地溝通、傳輸數據并保存至云端。一個可能的用例將減少產線時間,這是在制造業中具有明顯優勢的行為。在該例子中,關于生產效率的數據可能每一秒被捕獲一次,并被傳送到像云端環境一樣的軟件服務存儲庫。利用復雜的統計工具對數據進行分析,并采取具體行動來改變基于從分析獲取的知識的價值需要。反過來,這個用例可能為同樣的問題提供了新的見解,將新的數據引入了新的分析、產生新的操作并交付新的業務價值。

3.數據轉換框架:戰略性地使用有價值的數據

自通過工業革命引入機械加工過程以來,制造業取得了長久的發展,并且從計算機化制造工藝的幾十年中取得效率。但是,隨著我們步入數字化信息革命時代,這為制造業帶來了更大的利益。有價值的數據正在增加,制造業必須利用這些數據達到下一個競爭水平。

一目了然,制造業將不可避免地向數字化生產過程轉化。圖2描述了促進該轉換的一種方式。


圖2:制造業向數字化生產過程轉化

☆ 識別:首先,我們必須識別用例,并決定我們是否想優化某個特定過程、管理或貨幣化。

☆ 使能:必須設計事物產生數據,這樣才能產生信息與見解。數據可能是使用的系統所固有的,或者為了產生數據而實施某個過程。賦能的例子是不同類型的傳感器,包含RFID、WIFI、移動設備、機器人等。

☆ 捕獲:設備產生未被編譯的數據, 這種數據無法被理解。為了捕獲數據,應用軟件被安裝在這些設備上來產生結果。在該階段,應用軟件捕獲設備產生的原始數據。

☆ 轉換:為了分析捕獲的數據,數據通常需要被轉換,這樣數據要么與其他數據源相關,加入到其他數據中,要么加載到特定數據庫中。這個階段執行抽取、轉換與必要的加載,這樣數據被用于分析。

☆ 儲存:隨著數據成指數形式增長,數據被用戶存儲。這個轉換庫考慮到數據類型(結構化、非結構化、半結構化)、容量、輕松存取性、安全性、恢復性與其他。

☆ 分析:分析階段考慮了外部和內部微觀/宏觀經濟因素與數據獲取的知識,同時為了采取行動應用統計或數學模型獲得見解。

☆ 行動:已經獲得見解,就要采取行動并定義新的用例了。

4.供應鏈數字化:通過動態數據挖掘提高端到端性能

供應鏈能力的進展展現了制造業是怎么成為數字化連接的。通過監測、連接、端到端自動動態案例的數字化供應鏈已經為優化供應鏈過程提供了很多新的機會。

隨著用于社交制造業的3D打印的興起,優化供應鏈管理至關重要。為了以高的服務水平進行生產,公司要依靠材料的及時供應或3D部件。供應鏈中任何一環被打斷,將會有負面的影響。

從經濟角度來看,成本中斷可能導致存貨過多、減產、浪費,最終,端到端供應鏈的可見性。由于這個原因,對公司來說供應鏈的中斷代表重要的風險。為了將該風險最小化,公司必須識別中斷的來源。并且通過預測緩解工廠問題。

供應鏈的數字化是創新且不可避免的。用于優化供應鏈執行的預測模型、傳感器事件與業務規則都是通過動態案例管理自動執行并操作的。數字化跨越了延伸的制造業的數字企業,舉幾個例子來說,包含了原始設備制造商、部分供應商、物流與運輸。

5.生產車間里的創新

在生產車間能引入什么創新?引入機器學習策略提供預測分析!

機器學習軟件利用計算機統計學來學習,然后將預測結果獨立反饋到模型中。事實上,許多在線搜索引擎使用自主學習的方法也是一種人工智能。

如今的大部分可靠的搜索引擎模型包含潛在的人類行為分布模型,就是來自于近些年來從互聯網收集的數據。例如,你已經對谷歌或亞馬遜進行的分析研究。他們的算法預測了你搜索事物的頻率。

我們能夠將來自于這些有效的搜索引擎模型的機器學習策略應用到制造業的生產車間中去。

人機為什么需要結合?因為機器非常擅長執行基于參數化配置的重復性任務,但機器不擅長自動匹配到特定環境。而人類,恰好非常擅長匹配到特定環境。

為了提高機器的適應性,我們必須采用一種機器將能夠匹配某些特定環境的方式將人類模型化。自動學習(自適應)工廠將利用機器學習,結合來自操作者與工程師的反饋,以及機器間的信息。目的是在特定環境中自動預測與預知行為。

因此,需要在每臺機器上有操作者或工程師來進行調查研究,但是利用機器學習,結合用戶反饋(操作者或工程師)能夠通過指示首先調查研究哪臺機器來優化這個過程。基于參數、各種圖表與先前的工程師/操作者輸入數據能夠預測失控屬于哪個模型。

能夠獲取新知識的工程師或操作者將反過來提供反饋,這樣機器學習算法將再次評估模型來使將來做出更精確的預測。

6.生產車間體現的制造業未來

通過基于數據的“最優下一步行動”預測提升工藝流程。

如果我們預想制造業的將來,我們能容易地設想一個中心化的云平臺,該平臺收集機器數據如統計過程控制信息(統計模型能夠突出在工藝過程或機器中什么時候會有潛在的問題)以及預測調查研究哪個機器處于失控過程。

這樣為將來提供了預測缺陷與殘次產品的“最優下一步行動”。不必依靠大量的操作者或工程師就可以對機器全生命周期的價值進行優化。

將最優下一步行動預測(約定俗成)與那些不僅來自于生產車間,而且來自生產產品(外部)的信息結合可能有以下優勢:

△ 從設備獲取數據,這些數據可能在其有用的生命結束時使用。

△ 使外部數據輸入融入系統組件功能相關的算法中。

△ 創建一個新的外部反饋系統來確定潛在的無法預見的失控過程。

最終,使用最優下一步的行動預測創建一個制定性的過程,該過程要比僅僅依賴于工程師或操作者的反饋信息要有效率得多。

想象一下,將這些信息供給了修理機器的機器人或自修復機器。出于可持續性的原因,提供在生產車間里組件壽命信息的傳感器在產品中提供傳感器的返回信息。

進一步擴展這一愿景,在使用外部數據來預防維護與可持續性的動機下,由于生產車間變得更有效率,所以很容易預見供應鏈也會變得高效。在這個超信息的環境中,供應鏈可以成為一個“按需應變”的模型——一個類似于商品市場的供應鏈市場。

或者再想象一下,當生產車間預測資源需求,以最快的速度識別出最佳投標人時,它會出價。出價投標是基于生產、機器壽命、產品壽命、部件壽命和可持續性要求。整個生產車間正同步與準自動的進行工作。

這是制造業的未來,現在已經觸手可及。

0
?
版權所有:漢尊(廈門)自動化科技有限公司 閩ICP備12010980號
喜乐彩票app