车间里的创新 自适应数字化工厂三部曲（中）

    本文由知识自动化（zhishipai）授权转载

    本文选编自PEGA的数字工厂报告，有较大调整，此处为三部曲的中篇。

    1.数字工厂的战略决策

    制造业的数字化工厂的战略决策，可以采用观察、定位、决策和行动环（OODA）。

    OODA模型代表观察、定位、决策与行动。该模型同样以Boyd循环知名，Boyd循环是以USAF频道退休的James Byod名字命名的，他的方法是在战争中对敌人要取得战略性的优势。OODA模型与制造业的PDCA（Plan-Do-Check-Act）循环是相互关联的。OODA模型和PDCA循环都关注如何做决策。简单点来说，他们强调了观察数据与事件、决定的方法，过滤掉噪音，在新信息到来时重新定位，以及在连续的相互作用的环状模型中采取行动的必要性。

    数字化工厂中OODA模型中的行为流是包含人、机器、来自物的数据的工艺流程。在一个受低营业利润挑战的艰难的市场中，比竞争思考与行动更快的能力创造，是一个突出的优势。事实上，改善了的供应链管理与更低的操作成本是制造业与高科技工业发展的关键驱动。

    让我们看看OODA模型是怎么应用在数字化工厂的。

    ☆ 观察：观察要么与经验一致，要么与数字化工厂中知识工作者的直觉一致，要么与发现过程的数据收集（越来越多的物的数据）一致。数据来源包括物、工艺过程和企业应用软件。

    ☆ 定位：定位来自于特定环境下的知识与洞察力，例如，数字化专家的知识、行业自身规则，亦或通过数据分析得出的模型（如预测分析）。

    ☆ 决策：在观察与定位过程中，将呈现出一系列优先化的决策选择。用户或系统需要挑选行动的方针，在大部分案例中，该行动可能成为优先选择或一系列潜在行动中的最优选择。

    ☆ 行动：在数字化工厂的特定环境下，这些是在实施过程与决策应用中才采取的行动，用户将按照优先顺序排列决策列表，优化行动顺序。

    事实上，在大多数工业物联网使用案例中，客户关注点如下：检测正在发生的事情，无论是来自机器与设备的数据流，还是复杂或异常事件的发生；自动识别、诊断与推荐最高效的行动来解决问题（或在第一时间防范于未然）。

    随着时间的推移，系统必须能够检测与解决问题，以期最终形成自主学习与自动持续迭代的OODA模型。

    2.自适应数字化工厂建立大数据结构

    毫无疑问，我们将从设备、网络、人、链接与机器等上收集来的数据定义为大数据。在仅仅几年里，我们将接触到结构化、非结构化与半结构化的数据。拥有大量的数据，仅将大数据定义为存储库是不明智的。这也将是失去这些数据所提供的隐藏的洞察力与知识的最佳方式。

    管理大数据的一个最有效的方法是通过用例建立用例存储库。通过用例分析方法，我们能够理解与认识数据、数据的命名、数据的功能、数据的转换需求。另外，分析产生积极成果的用例触发新的问题并诞生新的用例。

    将用例的积累、相关思考与结果行为结合起来将促成建立一个有效的大数据平台。这个大数据平台形成了一个智能的、有序的、结构化的方法论，该方法论允许分散化的分析团队利用先前的工作用例。

    使用用例方法论的另一个重要的科技优势是——它促进基础设施的发展规模。在刚开始，没有必要利用重要资源来形成巨大的基础设施。而且，平台起初从小开始，随着需要的增加而扩大。

    图1：制造业各部门数据利用图

    在制造业中，数据是由每台机器、机器间的相互作用、机器间的传感器、检测仪表、控制系统、操作者、工程师等产生的。现如今，只有一部分数据被分析利用。

    随着产品越来越智能，他们产生有价值的数据。无论是系统，还是智能装备，均能受益于这些数据，制造业必须获取工具来利用这些未开发的知识。

    考虑到不久的将来：为了建立用例，一条简单的生产线将能够很快地沟通、传输数据并保存至云端。一个可能的用例将减少产线时间，这是在制造业中具有明显优势的行为。在该例子中，关于生产效率的数据可能每一秒被捕获一次，并被传送到像云端环境一样的软件服务存储库。利用复杂的统计工具对数据进行分析，并采取具体行动来改变基于从分析获取的知识的价值需要。反过来，这个用例可能为同样的问题提供了新的见解，将新的数据引入了新的分析、产生新的操作并交付新的业务价值。

    3.数据转换框架：战略性地使用有价值的数据

    自通过工业革命引入机械加工过程以来，制造业取得了长久的发展，并且从计算机化制造工艺的几十年中取得效率。但是，随着我们步入数字化信息革命时代，这为制造业带来了更大的利益。有价值的数据正在增加，制造业必须利用这些数据达到下一个竞争水平。

    一目了然，制造业将不可避免地向数字化生产过程转化。图2描述了促进该转换的一种方式。

    图2：制造业向数字化生产过程转化

    ☆ 识别：首先，我们必须识别用例，并决定我们是否想优化某个特定过程、管理或货币化。

    ☆ 使能：必须设计事物产生数据，这样才能产生信息与见解。数据可能是使用的系统所固有的，或者为了产生数据而实施某个过程。赋能的例子是不同类型的传感器，包含RFID、WIFI、移动设备、机器人等。

    ☆ 捕获：设备产生未被编译的数据， 这种数据无法被理解。为了捕获数据，应用软件被安装在这些设备上来产生结果。在该阶段，应用软件捕获设备产生的原始数据。

    ☆ 转换：为了分析捕获的数据，数据通常需要被转换，这样数据要么与其他数据源相关，加入到其他数据中，要么加载到特定数据库中。这个阶段执行抽取、转换与必要的加载，这样数据被用于分析。

    ☆ 储存：随着数据成指数形式增长，数据被用户存储。这个转换库考虑到数据类型（结构化、非结构化、半结构化）、容量、轻松存取性、安全性、恢复性与其他。

    ☆ 分析：分析阶段考虑了外部和内部微观/宏观经济因素与数据获取的知识，同时为了采取行动应用统计或数学模型获得见解。

    ☆ 行动：已经获得见解，就要采取行动并定义新的用例了。

    4.供应链数字化：通过动态数据挖掘提高端到端性能

    供应链能力的进展展现了制造业是怎么成为数字化连接的。通过监测、连接、端到端自动动态案例的数字化供应链已经为优化供应链过程提供了很多新的机会。

    随着用于社交制造业的3D打印的兴起，优化供应链管理至关重要。为了以高的服务水平进行生产，公司要依靠材料的及时供应或3D部件。供应链中任何一环被打断，将会有负面的影响。

    从经济角度来看，成本中断可能导致存货过多、减产、浪费，最终，端到端供应链的可见性。由于这个原因，对公司来说供应链的中断代表重要的风险。为了将该风险最小化，公司必须识别中断的来源。并且通过预测缓解工厂问题。

    供应链的数字化是创新且不可避免的。用于优化供应链执行的预测模型、传感器事件与业务规则都是通过动态案例管理自动执行并操作的。数字化跨越了延伸的制造业的数字企业，举几个例子来说，包含了原始设备制造商、部分供应商、物流与运输。

    5.生产车间里的创新

    在生产车间能引入什么创新？引入机器学习策略提供预测分析！

    机器学习软件利用计算机统计学来学习，然后将预测结果独立反馈到模型中。事实上，许多在线搜索引擎使用自主学习的方法也是一种人工智能。

    如今的大部分可靠的搜索引擎模型包含潜在的人类行为分布模型，就是来自于近些年来从互联网收集的数据。例如，你已经对谷歌或亚马逊进行的分析研究。他们的算法预测了你搜索事物的频率。

    我们能够将来自于这些有效的搜索引擎模型的机器学习策略应用到制造业的生产车间中去。

    人机为什么需要结合？因为机器非常擅长执行基于参数化配置的重复性任务，但机器不擅长自动匹配到特定环境。而人类，恰好非常擅长匹配到特定环境。

    为了提高机器的适应性，我们必须采用一种机器将能够匹配某些特定环境的方式将人类模型化。自动学习（自适应）工厂将利用机器学习，结合来自操作者与工程师的反馈，以及机器间的信息。目的是在特定环境中自动预测与预知行为。

    因此，需要在每台机器上有操作者或工程师来进行调查研究，但是利用机器学习，结合用户反馈（操作者或工程师）能够通过指示首先调查研究哪台机器来优化这个过程。基于参数、各种图表与先前的工程师/操作者输入数据能够预测失控属于哪个模型。

    能够获取新知识的工程师或操作者将反过来提供反馈，这样机器学习算法将再次评估模型来使将来做出更精确的预测。

    6.生产车间体现的制造业未来

    通过基于数据的“最优下一步行动”预测提升工艺流程。

    如果我们预想制造业的将来，我们能容易地设想一个中心化的云平台，该平台收集机器数据如统计过程控制信息（统计模型能够突出在工艺过程或机器中什么时候会有潜在的问题）以及预测调查研究哪个机器处于失控过程。

    这样为将来提供了预测缺陷与残次产品的“最优下一步行动”。不必依靠大量的操作者或工程师就可以对机器全生命周期的价值进行优化。

    将最优下一步行动预测(约定俗成)与那些不仅来自于生产车间，而且来自生产产品(外部)的信息结合可能有以下优势：

    △ 从设备获取数据，这些数据可能在其有用的生命结束时使用。

    △ 使外部数据输入融入系统组件功能相关的算法中。

    △ 创建一个新的外部反馈系统来确定潜在的无法预见的失控过程。

    最终，使用最优下一步的行动预测创建一个制定性的过程，该过程要比仅仅依赖于工程师或操作者的反馈信息要有效率得多。

    想象一下，将这些信息供给了修理机器的机器人或自修复机器。出于可持续性的原因，提供在生产车间里组件寿命信息的传感器在产品中提供传感器的返回信息。

    进一步扩展这一愿景，在使用外部数据来预防维护与可持续性的动机下，由于生产车间变得更有效率，所以很容易预见供应链也会变得高效。在这个超信息的环境中，供应链可以成为一个“按需应变”的模型——一个类似于商品市场的供应链市场。

    或者再想象一下，当生产车间预测资源需求，以最快的速度识别出最佳投标人时，它会出价。出价投标是基于生产、机器寿命、产品寿命、部件寿命和可持续性要求。整个生产车间正同步与准自动的进行工作。

    这是制造业的未来，现在已经触手可及。