您現在的位置: 首頁 > 新聞 > 內容
大數據與第四次工業革命的聯系
- 2017-08-03 -


第四次科技革命的到來爲各個國家提供了發展和轉型的機遇,智能制造無疑將成爲世界各國競爭的新戰場。無論是德國提出的“工業4.0國家戰略”,還是美國的“國家制造業創新網絡計劃”,抑或是日本的“工業價值鏈計劃”,無不圍繞著制造業這個核心。中國如何實現智能制造?


中國錯過了前三次工業革命,又一輪工業革命到來之際,中國要走什麽樣的道路?


在制造系统和商业环境变得日益复杂的今天,利用大数据去解决问题和积累知识或许是更加高效和便捷的方式。“大数据的目的并不是追求数据量大,而是通过系统式的数据收集和分析手段,实现价值的最大化。所以推动智能制造的并不是大数据本身,而是大数据的分析技术,”李杰在采访中再三强调,数据本身不会说话,也不会直接创造价值,真正为企业带来价值的是数据经过实时分析后及时地流向决策链的各个环节,或是成为面向客户创造价值服务的內容和依据。


大數據如何具體推動智能制造?


李杰告诉澎湃新聞记者,可以从三个方向看这一问题。“第一个方向是利用大数据分析,从解决问题到避免问题。”


20世紀80年代,美國制造受到了德國和日本的巨大沖擊,尤其是在汽車制造行業,德國和日本的汽車以更優的質量和更好的舒適度迅速占領了美國市場。令美國廠商百思不得其解的是,美國在生産技術、裝備、設計和工藝方面並不比德國和日本差,在汽車制造領域積累的時間甚至超過他們,但是爲什麽美國汽車的質量和精度就是趕不上人家?


在那個時候,質量管理已經在汽車制造領域十分普及了。光學測量被應用在産品線上以後,在零部件生産和車身裝配的各個工序已積累大量的測量數據。但問題是,即便測量十分精准,在各個工序和零部件生産、車身裝配都進行嚴格的質量控制,可在組裝完畢後依然有較大的誤差。于是美國的汽車廠商不得不花大量時間反複修改和匹配工藝參數,最終的質量卻依然不穩定,時常出現每一個工序都在質量控制範圍內,但最終的産品質量依然不能達標。


李杰告诉澎湃新聞记者,针对这一难题,上世纪90年代他们与美国密歇根大学吴贤铭教授一起发起了“2mm”工程来解决这一问题。什么是“2mm”工程?李杰解释:“就是利用统计科学对这些庞大的测量数据进行分析,对质量误差的积累过程进行分析和建模,从而解释误差的来源并进行控制,使车身波动降低到所有关键尺寸质量的6-sigma值必须小于2mm,2mm是当时理论上的精度控制极限值。”


在引入上述數據分析對質量進行管理和控制的方法後,産品的設計周期和成本得以大幅降低,並且産品質量的精密度和穩定性也得以明顯提升。1992年12月,一個位于美國密歇根州底特律市的裝配工程陳宮實現了2mm變化級,並第一次將2mm工程成功市場化。李傑表示,這一方法並不需要大量的硬件投入和生産線的改變,實施的成本非常低廉,但産生的效果顯著,因而被廣泛推廣到飛機制造、發動機制造和能源裝備等各類制造領域,對美國制造精度的提升起到了重要的推動作用。



大數據推動智能制造的第二個方向,是利用大數據預測隱性問題,在問題成爲顯性前就進行解決。


如果将露出海面的冰山比作可见问题,那么硬性问题就是隐藏在冰山下的恶魔。李杰用冰山模型向澎湃新聞记者介绍了制造系统中可见与不可见的问题。


“生産系統中存在著不可見因素的影響,比如設備性能的衰退、精度的缺失、易耗件的磨損和資源的浪費等。而可見的影響因素往往是不可見因素積累到一定程度所引起的,比如設備的衰退最終導致停機、精度的缺失最終導致質量偏差等。”李傑表示,對這些不可見因素進行預測和管理是避免可見因素影響的關鍵。“可以從數據當中抽象提取出的、與判斷某一事物的狀態或屬性有較強關聯的、可被量化的指標。常用的特征包括時域信號的統計特征、波形信號的頻域特征、能量譜特征、特定工況下的信號讀數等。在一個坐標系中這些特征的分布就劃分了若幹區域,這其中既有健康狀態的分布區域,也有不同故障模式下的分布區域。”


“當我們將這些區域分別建模時,在制造系統的運行過程中這個分布可能會慢慢偏移,這時與正常狀態和某一類異常狀態可能有所重疊,那麽其與正常狀態的相似程度就代表它的健康值,與故障狀態的相似程度就代表了其故障風險,我們可以將這個相似程度進行量化。隨著時間的推移,這個分布可能會有慢慢向某一個狀態發展的趨勢,我們所量化的結果就形成了一個時間序列,這個時間序列代表的就是衰退的軌迹,進而對這個趨勢的未來發展進行預測,就可以推斷出在未來的什麽時間會發生什麽問題或故障,”李傑介紹。


因此美國辛辛那提大學NSF産學研合作智能維護研究中心提出並發展了針對預診斷與健康管理的工具箱,將廣泛使用的智能分析算法整合在一起,並且評估每一個算法在不用情況下的優勢和劣勢,采用一種系統化的方法把每個算法的適用度進行優先級排序,從而減少了實際應用開發中反複試驗的次數。


“第三個方向,就是利用反向工程,從結果中找到原因”,李傑總結。李傑依然以航空發動機爲例:“事實上航空發動機真正的科技與挑戰都是隱藏在‘看不見的世界’中,其中的‘隱性科技/殺手’就存在于包括航空發動機、半導體制造和精密元器件等領域裏最尖端並且最富挑戰的核心和關鍵技術。因爲人們不了解它存在的原因和激活的條件,它們都隱藏在不穩定、非線性、瞬態和隨機的工況與過程之中。”


譬如,在同樣一張圖紙上所定義的厚度及其分配曲線是明確的、清楚的。但是不同的厚度及分配對部件的性能、安全性、可靠性及持久性是隱形的科技。“如何去找出一個最優化的厚度分配,其本身就是一個非常具有挑戰性的題目。所謂先進科技就是如何挖掘這些隱性殺手,然後控制住所有可激活的條件。大數據可以幫助我們達成這個目標。”


1989年7月19日,一架從丹佛起飛計劃飛往芝加哥奧黑爾國際機場的道格拉斯三引擎客機DC-10,在飛到愛荷華的玉米田上空時二號引擎空中爆炸,導致了機上296人中的111人不幸遇難。調查人員發現,是由于引擎中的風扇盤破裂,導致了事故的發生。


針對疲勞裂紋産生的區域進行更深入的分析後發現,導致風扇盤損壞的罪魁禍首是钛合金葉盤中混入的少量氮元素與氧元素。這些雜質如果出現在钛合金的部件之內就會增加它的脆性,使其容易在受力的情況下産生裂紋。即使引擎部件裂紋的檢測包含在引擎的例行檢查項目之中,但該風扇盤的裂紋産生的地方極難察覺,導致了事故的發生。


“風扇盤制造過程産生的缺陷或許才應該是事故發生的必要因素,但又不構成充分的條件。因爲在老化的過程中,許多隱形特性(疲勞與應力特性)的加入,導致了最後事故的發生。”


李傑在《從大數據到智能制造》中詳細分享了多例案例。“航空發動機的安全、可靠及持久性很大程度上建立在偶然率之上。爲了更好認識和控制那些‘隱形的特性’,不僅需要提升設計、材料、制造、維護以及測試的技術水平,更需要主動地對它進行監控與預測,獲取部件實際的運行特性曲線,進而預測其故障發生的可能性。”李傑提出,工業互聯網與大數據爲這種基于不確定性與概率的特性評估提供了技術基礎。


李杰告诉澎湃新聞记者,大数据在智能制造中的典型应用场景还包括加速产品创新、生产系统质量的预测性管理、产品健康管理及预测性维护、能量管理、环保与安全、工业企业供应链优化、产品精确营销、智能装备和生产系统的自省性与自重构能力等。



中國制造業轉型的方向在哪裏?

最近,“提升供給側質量”成爲中國政府在重整制造業中的重要改革舉措。李傑認爲,用“制造競爭力=産品質量/成本”這個簡單的公式可以衡量供給側的質量。


“提升産品質量的方式有很多種,但是我認爲中國制造目前最需要提升的是標准化、規範化和合理化,至于是應該使用自動化、信息化、機器換人,還是工匠精神等方式,應該視具體的行業和企業的情況而定。”


李傑特意指出,工匠精神未必一定是好的,比如最注重工匠精神的日本,很多企業由于過于嚴苛地追求性能指標的極致而投入了大量不必要的成本,使性能比其他産品高出1倍,但其代價可能是導致商品的價格高出了3-5倍,這樣的産品顯然也是不具備競爭力的。“在不對成本加以限制的情況下任何一個企業都能夠做出質量和性能很高的産品,但是物美的同時做到價廉就很難了,這是一個複雜的系統工程,需要對生産系統的各個方面進行優化。


除此之外,中國制造業的供給側質量改革,李傑建議可以從兩個方向進行嘗試:“一是從以往的依靠投資拉動需求,轉變爲以主控式創新的思維挖掘市場潛在的需求;二是將資源要素向價值鏈上遊轉移,增加基礎科學研究領域的投入,研究與産品開發均衡發展,在生産系統上遊的要素中取得更多的話語權,逐漸從價值鏈的較低端向高端環節轉移。”


“我們相信中國會成爲新制造革命的中心,因爲大數據將成爲中國繼人口紅利之後的又一大競爭優勢,中國應該利用好使用數據的資源,才能彌補中國在裝備制造和核心零部件等方面的弱勢,做到讓世界向中國學習在制造系統中創智和創值的經驗。”李傑說。

李傑給出了三個方向分別適用的幾種情況。“‘從解決問題到避免問題’這一方向適合在某一個領域已經做了很久,有了一定的積累,但是卻不知道爲什麽做得好或是不好。比如中國的離散制造、精密加工、汽車制造、裝配制造等領域;第二個方向預測隱性問題,適用于在解決了可見的問題之後,仍然存在一些不可見問題對制造系統造成的影響,希望能夠了解不可見因素的變化過程和相互的關聯性,積累更加深入的領域知識;而在制造基礎非常薄弱的領域,並沒有形成太多有效的數據,但是從國外聘請了非常有經驗和知識的人,則可以實施反向智能制造。”