新闻资讯

智能制造纵向智能化:智能化起点

来源:admin日期:2020/01/01

“智能业务需求影响下的智能制造技术架构”一文中对智能制造技术架构进行了探讨,污水处理设备安装很显然信息化向智能化的技术架构演变是渐进式的,而且渐进发展的快慢、方式是围绕各业务单元的智能化进程而定。制造企业的哪些业务单元以及如何实现智能化,并没有标准答案,不同企业基于各自现状在努力做着各种尝试,但总的来说当前还只是处于智能制造发展的前期,业界也没有成熟的发展路径可供参考,本节根据作者对智能制造的理解给予分析。

在智能制造技术架构中,物联网、云计算和人工智能三者构成了智能制造的核心技术推动力,正是这三者推动制造业务从纵向深度和横向广度两个维度向智能化方向演进。纵向深度智能化指的是不将信息化范围反馈扩大到整个产业链,依然立足于单个企业的角度增强数据采集密度,利用AI智能技术进行知识提取并反馈到执行系统的方式,这也符合信息化阶段企业的现状,以信息化为基础发挥物联网和人工智能的优势,可以作为智能化的起点;但很显然纵向模式的智能化不能充分利用云计算的优势,因此还需要在横向广度上智能化,将信息化范围扩展到整个制造价值链,在云计算模式下对链内运营及流程进行智能优化,对外实现向以客户价值为核心的集群多向协作模式转变,进而促进商业模式的升级。

基于企业资源约束和智能化推进的复杂度,在所有业务单元同时全面推进智能化是比较困难的,只能根据企业战略规划及优先级,统筹规划智能化推进步骤,逐个业务单元实现是比较可行的路径。下图总结了对单个业务单元进行智能化的方法论。

2)智能方案规划:根据智能单元定义,初步规划智能模型及其数据要求,智能模型是智能化的核心及难点,以当前发展迅速的深度学习技术为例,一个成熟的智能分析模型需要经过多次的数据训练及应用磨合。

污水处理设备 3)智能数据采集:根据规划阶段数据要求,对照现有数据找出差异;对缺失的数据采取措施给予完善。数据采集方案根据实际情况差异很大,有的可能要给设备添加传感器,有的需要改造PLC,有的要用RFID或者二维码等方式增加数据录入点,还有的是需要与现有信息系统进行集成,直接获取历史数据。要强调的是智能模型训练对数据的需求是海量的,一般需要相当长时间的积累。

4)智能应用磨合:数据和智能分析模型是智能分析技术的核心,在获得数据后,要通过大量的数据学习才能形成可用的智能模型,不管是监督、半监督和无监督哪种学习模式,智能模型都在不断地优化磨合中,每一个成熟的智能模型都是在不断地重复方案规划、数据采集和应用磨合中产生的。

5)决策与执行整合:智能模型的运算结果要回到信息系统和自动化设备中,优化制造执行。原有信息系统和自动化设备中很多依赖人工决策的部分,现在要进行改造以自动接收智能决策结果,形成执行与决策系统的集成应用。

因为我们是假设企业已经处于信息化阶段,已经有各类信息系统在支撑业务运行,下面我们尝试下图信息技术架构中的典型业务领域为蓝本,按照智能化推进方法论从纵向维度分析智能化推进,后文将继续对横向维度进行分析。

我们以设备维护为例来分析MES支撑的业务领域智能化方法。设备维护包括设备事前的维护计划制定及执行,事后的异常设备维护管理两类功能。事前的维护计划是根据经验制定的,可能造成过度维护,也可能造成维护不够的情况,这种不精准的设备维护方式也是造成事后异常设备维护的主要原因。如果可以根据设备实际运行状况提前进行精准维护,可以最大程度的降低维保浪费,提高设备利用率。这就是我们定义的智能单元。

下一步是进行智能方案规划,规划用什么技术和数据来训练智能模型。当前通常以深度学习技术来训练智能分析模型,这种技术依赖于对海量数据的学习,在初期只能是按照基本模型来定义数据的采集需求,规划智能分析结果与设备管理系统的反馈机制。设备相关数据采集自关键控制参数KCC和关键产品参数KPC,这些数据往往不是现成的,有的需要增加传感器进行数据感知,有的需要改造PLC,有的需要增加数据通讯模块等等,数据采集方案根据现场情况制定的方案也会千差万别,如果可以在设备采购之初就进行智能化、信息化规划可以大幅度降低数据采集的难度。

当数据条件满足后,就可以通过深度学习等人工智能方法对智能分析模型进行训练,并将分析结果实时反馈给设备管理系统。此时原来的设备维护计划将不再是依据经验人工制定,而是依据智能模型的分析结果进行定义,达到精准维护的目标。

MES中的其他业务模块都可以按照同样模式探讨智能化方法。生产排程是车间运营的重点,业界也有各种APS高级排程工具支持运行,但人为的介入依然不可避免,随着供应链中数据量的增大,数据准确性的改善,智能化高级排程工具相信很快会出现。物流运输能力的配置和路线优化也有较大的智能优化空间。

ERP支持的业务领域从客户订单到生产计划、库存管理、销售发运以及相应的财务信息流。这些领域的智能数据采集较少来自设备端,更多的是事务性交易数据。

供应链管理领域有著名的牛鞭效应,客户给的需求量不一定是真正的需求,如果完全按照客户数据制定生产计划可能带来极大浪费,如果不按照客户数据生产,有可能出现供应不足的情况,如何在最低成本状态下达到供需平衡是一大挑战,这可以成为智能化推进的智能点。基于大量的历史数据,企业的当前产能数据、市场数据等都是数据采集的重点,在训练出智能模型后,智能分析结果可以直接成为主计划中的需求依据。

生产排程也有类似的需求,不同生产设施生产能力不一样,成本也可能不同,客户需求优先级也不一样,怎样排程可以在低成本模式下满足以上所有目标一直是计划员比较头疼的问题,同样可以考虑以智能化方式来解决。

设备智能化是纵向智能化的重要一环,以生产过程的质量判断为例,很多离散制造过程中对于质量问题需要质量部门介入人工判断,如果设备层可以采集足够的数据,有成熟的智能分析模型,在设备上就可以完成质量异常判断,提高制造效率。人工智能和边缘计算的快速发展为设备智能化增添了新的动力,人机协作、机器间协作等应用已经成为工业领域成本效率优化的重要抓手。

研发阶段决定了产品成本的70%,在研发阶段引入智能化研发工具对成本、质量的改善将起到事半功倍的效果,研发阶段的智能化工具一般是以人机协作的模式实现,去扩大、延伸人脑活动。比如建立数字化样机,实现仿真驱动创新,应用虚拟现实与增强现实技术进行设计评审。虚拟现实和增强现实技术,在产品初创阶段就能够对产品的设计方案和产品的相关属性信息进行直观的展示和体验,使整个设计评审过程更便捷和有效,同时能更直观的发现设计过程中存在的问题。另外在虚拟现实环境下,还能够进行逼真的产品虚拟使用和维修培训,以及为用户提供沉浸式体验,帮助用户提前感受企业智能产品的独特魅力。

0
首页
电话
短信
联系