智能服务推进策略

    2016年9月23日，由国家商务部、中国国际贸易促进委员会、湖北省人民政府、武汉市人民政府主办，e-works数字化企业网、制造装备数字化国家工程中心承办，武汉·中国光谷制造业信息化技术创新产业联盟、湖北省机械工程学会等协办的主题为“未来十年中国智能制造路线图”的2016（第二届）智能制造国际论坛在武汉洲际酒店成功召开。美国辛辛那提大学教授李杰在论坛上发表了题为《智能服务推进策略》的演讲，本文根据演讲内容整理而成。

图1 美国辛辛那提大学教授李杰

    非常荣幸，今天有机会与大家分享一些智能制造的案例，我主要围绕美国国家科学基金会（NSF）智能维护系统产学合作中心的一些案例展开，讲述如何利用大数据分析实现制造业转型为服务型企业。

    辛辛那提是第二次工业革命的发源地，也是美国工业4.0的展示城市。在美国提出工业4.0之后，西门子的PLM开始找我们学院教授来购买硬件。我认为学校一定要能够快速切入，成立这个产学研中心的初衷是希望把数据做成一个流程。什么加工参数？根本不需要考虑，我们只需要比较相关区域的参数，就知道相关设备到底有多厉害。很多厂家不了解产品是如何坏的，实际上厂商需要搜集数据、分类分析，产品到底是怎么坏的？然后拿着各种故障数据，再进行重新设计和改进。

    为什么中国要做大数据，而不是跟着美国，跟着前世界走？中国的大数据意义远大于全世界，因为中国有全世界最多的装备。GE在2001年提出建立数据库，2016做的大数据库目前已经在国家推广了，各位现在可以下载。当某个产品数据搜集之后变成特征，特征经过分解，然后再设计，产品都是经过这样的过程。为什么过了15年企业才敢讲这个话，因为没有一个15年的文件。

    其实国家也是如此，去年我们推动了很多新项目。2011年3D打印，以后称之为DMBI，名字完成变了，上个星期改的。今年我们成立了几个新中心，基本上是参与了DMBI旗下布置的，设定了45个目标。但是这个目标存在很多问题，如果真的留下来的一定要用心去做。无论做什么，企业界要用心。包括绿色制造，模组化化工材料，养老式的机器人协助……，都是由此衍生出来的发展方向。

    事实上德国工业4.0真正的含义是生产式，而非工业式的。工业覆盖的范围很广，半导体、生化材料、物流、健康、社会安全等都叫工业。什么是生产式的？我们现在做的就是整个产业法，通过制造一个次感觉的装备，来辨别设备的好坏。为什么要做这件事？举个例子，如果有一天我的产品要外包给全世界，我只需要知道你装备的实力，然后给你IP下载，连到你的装备生产，生产之后我远程就知道质量好坏，无需等待运送过来才知道结果。未来的制造你无需知道设计过程，只需要会制造就可以了。

    中国自己有市场，为什么要做别人的？大数据分析做好就不错，中国经过三十多年改革开放，已经有很好的制造基础。个人认为中国制造2025并不是把制造一味地做大做强，而是将制造知识往前走，即要把基础做强做大，而不是把工厂做大，机器做强。因为东南亚在效仿我们的路子，所以未来中国一定要有自己的策略往前走。

    今天我要介绍的第一个思维是“煎蛋模型”。“煎蛋模型”，是指一个核心的产品不仅是一种产品：蛋黄是产品本身，蛋白是其服务衍生的价值。这如同煎熟的蛋，每份的蛋黄其实都差不多，但蛋白却大异其趣；也就是说，在产品差异不大的情况下，配套服务的差异才是制胜的关键。

    如果用数据来代表问题，你如何从数据对这个知识更了解？回到问题点，你的数据只有一个任务，就是把人的经验变成人不了解的问题。今天我要强调怎么样将数据变成一个服务的知识，服务的知识带来了价值的产生。我今天主要讲预测，如何从数据优化来看，从分析来看，这些都不重要，重要的是预测。

    大数据三个特性，透明性、预测性和风险性。简单来说就是：透明性高不高，分析性强不强，风险性高不高这三个问题，其余不需要知道。但是问题数据有个不好的地方——大家数据都不一样。刀具不一样，答案不一样，加工参数不一样，到最后发现80%到90%的数据不能用。数据的量不是主要的问题，是这个数据的背景要突出，实际上90%多的数据都是缺乏背景支撑。

    一个数据的认证方法，就是描述一个特征。数据本身就有一个单向性，但是彼此有了交互就会有了方向性。因为数据的方向性不是量出来而是算出来的。数据本身没有方向性，有时间性。我们人一直往死亡走，那叫方向吗？那不是方向，人的方向是社会的价值和人生意义的方向，不是说你活几岁的方向。

    大家知道不同的轴承，震动的频率不同。从轴承震动峰值的变化，拿同一个频率比较，就可以知道轴承内环不好，外环不好，以此分类。我并不能解决轴承的问题，但是运用软件就可以解决问题。我们做的事情就是运用工具，工具有很多，怎么使用工具的过程并不重要。 美国成立了大数据竞赛，我们今年又拿了第一名。大数据分析，说简单了就是你把过去数据拿过来，然后做一些分析。大数据可能在未来帮助我们，不是过去。

    下面举几个案例。

    第一个案例是小松，小松在2005年与我们合作，小松2005年一共有1800个装备。小松将数据从日本带到美国，要求我们通过这些数据能够做到监控故障状态。我们做了一个蛋白，进入到KOMATSU。2005交付给小松，2006年将此蛋白变成一个可以分析的软件交给小松，2007年才真正开始做了大数据。做大数据的目的就是后续服务。我要做什么样的服务？如挖掘机，我想知道有没有挖到石头，通过在车子中安装一个系统，我就可以知道你挖石头占了25%，这个轴承可以用2000小时，什么时候需要更换。我可以卖服务给客户。

    过去五年与中船合作，智能化的船是使用者的最大的效益，我们把使用情况当做蛋白。通过中船实验室将数据搜集起来，然后分析研究，通过研究就可以知道大海的浪潮以及风向等影响。然后得出船要怎样行走才是最好的路线。目前通过走最好的路线，我们帮助客户一年减少6%的浪费。卖船就是卖服务。

    那什么是蛋黄？制造业就是蛋黄，蛋白是制造机床，华中数控也是蛋白，6M指材料、机器、方法、测量、维护、数据和知识建模。知识化的建模使产品可以见世界，所以一定要有物联网、云计算、虚拟网络、社群、个制化。

    丰田凯美瑞生产线机器人进行智能生产，其目标是运用2000个机器人生产时，50%的业务不能产生故障。我们通过查看流水线，了解了哪些零部件经常故障？找出经常出问题的零部件。丰田的10分钟代表很重要，故障十分钟意味着亏钱。之前丰田一小时可以生产50辆车，现在是一小时65辆。2000个机器人，我只用四个零部件做分析就实现了。通过对轴承运动数据的搜集分析，从而了解到哪些机械轴有问题。最新的智能传感器，他不需要经过电流，就可以告诉你哪一个步骤产生变化了，这个是最新的服务型智能传感器。

    德国刀具能够快速发展，为什么？因为只有他们知道刀具是怎么磨坏的，别人不知道。解决问题不是王道，避免问题才是王道。再如一个LED怎样调光，让超市的衣服卖得更多？你要懂LED对颜色的反应，对人的影响才有用。这就是服务。

    数据不是目的，分析数据产生的价值才是目的。最后我想简单概括一下，6M+6C就是工业4.0。我的《工业大数据》一书有做详细的阐述，今年有再出版。日本就把蛋白蛋黄当成封面，蛋黄是日本最强的，蛋白是日本最弱的，现在或许是中国制造业最好的发展机会。今天就讲到这里，谢谢各位！

    本文根据美国辛辛那提大学教授李杰在2016（第二届）智能制造国际论坛的演讲内容整理而成，未经本人确认。