构建全新数字化工厂 自适应数字化工厂三部曲（下）

    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，此处为三部曲的下篇。

    自适应数字化工厂与基于数据分析的持续优化，能够创造更大的价值。由于工厂的信息有多种来源，如供应商、制造单元、智能装备、产品、产线操作工人、消费者，以及持续运行的系统。此时就需要一个系统将这些信息进行有机整合，并对上述来源的数据进行分析，基于分析进行预测与自主学习。

    图1：自适应数字工厂的资产管理

    信息来源：PEGA报告

    正如前文所述，一个集成、协调的，能够通过自反馈实现“资产”优化的执行系统，可以使得自适应数字化工厂成为可能的平台。而这些“资产”包括流程判断、预测和自主学习或机器学习模型，也包括来自系统记录的数据。

    然而，许多问题需要解决，以确保这样的系统得以实现。

    1.数字化工厂的安全问题

    自适应数字化工厂在生产车间建立最优连接以及与供应商、物、资产的外部连接。自适应过程发挥了模型与资产不断改善的优势，但是这需要认真考虑连接的隐私与安全问题。

    首先是安全威胁问题。在任何网络中，安全漏洞都是常见且必须要给予重视的问题。黑客尤其热衷于窃取信息，侵入环境添加恶意软件来控制网络。在大数据、物联网广泛应用的未来工厂中，每个人都必须警惕上述以及传统威胁对自适应数字工厂所产生的影响。

    黑客案例

    ◇ 黑客旨在远程控制联网设备——要么是生产车间的机器，要么是制造的联网产品；

    ◇ 黑客接近并操纵消费者敏感或私人数据，对决策、业务流程或动态案例进行恶意操纵；

    ◇ 黑客在敏感数据中植入恶意错误。机器学习和自适应预测模型依靠正确的数据进行积极真实的预测。事实上，任何引入模型的恶意数据都将产生错误预测，潜在的消极甚至危险的后果。

    毫无疑问，在大数据、物联网广泛应用的未来工厂中，安全需要规划在首要位置。考虑到自适应数字化工厂的执行，我们必须强调所有阶段的隐私与安全问题——从底层的边缘设备到与联网产品相互作用的消费者。

    下面的每个过程需要认真考虑安全问题：

    ☆ 边缘设备：在生产车间的联网产品与智能机器需要能够保护来自未授权的访问。

    ☆ 生产车间：我们必须解决日益增长的自动控制器和自适应数字化工厂系统间的缺陷之间的矛盾。随着可操作机器人、信息技术和企业应用程序的连接，潜在的隐私与安全违规行为将增加。

    ☆ 云数据和控制中心：自适应数字化工厂越来越依靠云端存储产品与传感器数据，也越来越依靠各种用于联网产品的控制元件。各种云端安全标准以及从公共云平台到混合云平台、私人云平台的防护确实存在，这些标准与防护应该被评估。

    ☆ 大数据：我们必须着重关注贯穿产品整个生命周期的隐私与安全数据。个人数据实体和综合数据的授权访问、身份验证以及自动风险消减的政策必须同时颁布。

    ☆ 远程控制：制造商或服务商通过软件自动更新与维护控制来远程控制联网产品。不论什么情况下，未授权访问的检查必须嵌入到联网产品的远程相互作用中。

    2.主数据和主策略管理

    组成自适应数字化工厂的产品、部件和供应商可能遭遇糟糕的数据质量和不一致性，这可能导致缺陷甚至风险的决定。在现代制造业中，主数据管理至关重要。但并不是所有的主数据管理方法都能有效地保证一致性。

    有两种主要的主数据管理方式：

    一种是自下而上的IT方法。通常，组织试图通过“大爆炸”主数据项目、工具，甚至是优秀的MDM中心来解决MDM问题。技术和数据的一致性是令人敬畏且重要的，包括数据清除、处理丢失数据、数据一致性、数据提取转换加载和数据集成。

    还有一种是，自上而下的数字化业务转型方法。这是一个更加优化的方法。就是把主数据管理当做连续改善举措中的一部分。特别地，可以通过端到端动态案例管理方案连接、触及并操作主数据。这种自上而下的方法优先考虑转型项目而非主数据管理改进，并寻求业务价值与风险之间的平衡。

    在自适应数字化工厂中，主数据问题的解决方案被“远大构想而从小事起步”的思想驱使。获得快速成功，构建或获取必须的主数据，然后扩展额外的包含主数据管理的转换方法。

    该方法的核心是网络通信层，该层包裹着旧系统，同时使旧系统现代化，通过快速迭代提供自适应案例管理的解决方案，该方案对数字化业务转型至关重要。

    3.设备导向的保障

    一切过程都要实现互联设备的端到端保障。更具体地讲，需要处理端到端的过程包含物、原始设备制造商、服务技术、潜在供应商、消费者、当然，还有分销商或经销商。

    自适应数字化工厂，可以使得制造业主们将获得以下能力：

    ☆ 物联网诊断：万物将有一个随行CPU和执行器或将能够连接到一个设备上。

    ☆ 运行设备软件的自动更新：已制造设备（要么是边缘设备，要么是网关）通常有复杂的软件，该软件能通过制造商远程更新。

    ☆ 从边缘设备自动感知和测量数据：制造商拥有从设备收集数据或提取数据进行特定测量和分析的能力。

    ☆ 对于维护的自动控制：设备能够被远程控制或通过决策软件控制。

    ☆ 物联网供应链和零件退货：必须取代缺陷设备的边缘设备能在供应链的任何环节被监控。在这个方案中，一个必须被取代的缺陷器件能被监控以证实该器件退回至供应商或原始制造商。

    ☆ 物联网修复或零件验证：一旦维修或替换完成，制造商会证实该次维修和对制造业管理政策和程序的承诺。

    4.预防性维护与数字化指令性维护

    正如我们所描述的，自适应数字化工厂进行顺利超越了反应性召回和维修，并且提高甚至超越精益和六西格玛方法论。

    精益制造商一直赞同全面生产维护的理念，该理念具有改善设备综合效率的目标。通过全面生产维护，诸如迅速转换的技术被用来增加生产率同时降低停机时间。

    在自适应数字化工厂，工艺过程数字化和决策管理被用来避免设备失效的后果。该想法是在设备失效前通过替代或维修废旧部分来阻止失效。在当前的环境下，通过物联网和大数据，实现现代化维修。

    预防性维护的到来代表了自动化和智能化维护的数字化革命的重要里程碑。通过预防性维护，对于信息或来自万物的事件的大数据分析被分析表明能够用作维护。来自于追踪操作条件，怎样使用设备，设备是怎么出现故障的，传感器的数据是可以利用的。如此能够减少浪费，同时创造一个更精益的机构。

    我们设想一个场景，一个大型农场设备制造商使用新技术来帮助农民提高农作物产量。制造商有机会使用来自联网设备的前所未有的大量的性能数据。制造商的目的是使用数据分析来预测设备在将来什么时候需要维修。物联网收集关于设备及其状态的数据，当达到阈值或发生异常时引发警报，为下次采取措施提供参考。

    而另外一种是数字化指令性维护。通过利用维护过程及决策的端到端的数字化，通过指令性维护实现维护的变革性优化。当和物联网配合时，指令性维护才完整。它包含以下内容：全面的生产维护、自主学习和自适应维护，以及基于历史数据进行预见性分析的模型。一个非常棒的方法是不间断地监测和学习来自物联网数据的行为，同时适应维护的先后顺序。遥控设备能追踪机器的位置、燃料消耗和利用率。分析数据来进行最初的诊断并阻止问题的发生。最终提高运行时间，同时增加机器和操作者的生产率。

    这种维护方式，可以实现价值流的自动化：自动化的价值流整合端到端的联网设备（物联网）、供应商、制造商、消费者。这个价值流通过自动化和数字化的工艺过程（该过程是完全可视化并可控制的端对端工艺过程）将用户的设备和维护的整个生命周期绑在一起。

    5.联网生态系统的影响

    尽管互联网上的网联设备自问世以来就一直存在，但直到最近，物联网才对工业尤其是制造业产生了重大影响。从联网的家居、汽车、城市到工业，如健康、保险、制造业、公共事业，网联与智能设备正在改变整个生态系统。作为物联网不同分支，消费者物联网和工业物联网经常被相互对比。

    家居物联是前者的典型代表，而服务于过程或离散制造业的物联，则是工业物联网的代表。物可以是小型设备，如智能手表或监控监测设施，这些设施可以通过智能手机联网（越来越多的智能手机自身就提供复杂的监控功能），也可以是大型机器如涡轮发动机、风电设备、油气开采设备、机器人等越来越智能化、半自主化，甚至完全自主化的设备。

    事实上，物联网对工业生态系统的影响非常大，美国知名咨询公司Frost & Sullivan将物理设备整合到软件工业网络的软件系统中，视为提高创新、提升工业机器维护和操作过程的方法。这是一个新型联网生态系统,包含物理机器、设备、互联网和各种算法（工艺、操作和分析）——这是优化资产管理和商业成果的关键元素的简短清单。

    6.制造业的数字化转型

    正如我们所看到的，数字化意味着网络连接、社会协同、物联网、大数据分析、云计算和移动领域极具颠覆性的大趋势。数字技术的转型方面正在为数字创新铺平道路，这个创新将改变制造业的面貌。

    随着数字化速度的加快，产品和服务的变化与迭代速度也在加快。物联网正在改变整个端到端的制造价值流，向传统的企业管理运营模式、商业模式等提出了空前的挑战。

    企业不能低估将网络世界与物理联网设备相结合所产生的影响。这些设备产生大量的信息，这些信息必须被挖掘、分析，并对其采取具有针对性的行动。随着联网设备的普及，IT与OT正在融合，物理世界与虚拟世界正在融合，传统的制造模式将越发变得不再适用。

    嵌入式传感器、软件、控制器等正在创建制造业与售后服务中的数字革命。在网络、边缘计算、云技术、能效管理等方面的突破正在持续降低数据处理与存储的成本。

    物正生成比人们或应用程序更多的数据。将这些数据转化为洞见和明智的决策是有效分析的关键。如果一个公司应用数字化技术，通过人类、企业应用程序、供应链合作伙伴以及越来越智能的事物或设备整合执行任务，那么智能的、面向未来的决策将可以从数据分析中派生出来。

    将工业物联网与数字化技术相融合的自适应数字工厂，正以一种创新的模式，试图谱写数字化未来。