從大數據到智能制造

\h從大數據到智能制造目錄\h導引篇\h1.1智能制造，是制造還是思維\h1.2何謂智能制造的核心\h1.3從大數據到智能制造\h1.4大數據推動智能制造的三個方向\h1.5智能制造在發(fā)達國家的轉型\h1.6未來智慧工廠的無憂慮制造\h1.7從產品制造到全生命周期價值創(chuàng)造———給“蛋黃”配“蛋白”\h1.8工業(yè)大數據的機遇與挑戰(zhàn)\h案例分析篇\h2.1利用大數據分析，實現從解決問題到避免問題\h2.2利用大數據預測隱性問題，實現生產系統(tǒng)的自省性\h2.3利用知識產生可執(zhí)行的設計和制造數據的反向工程\h2.4基于大數據產品服務系統(tǒng)解決方案\h專家訪談篇\h李杰教授采訪著名經濟學家馬光遠\h李杰教授采訪航空發(fā)動機專家王安正\h《福布斯》（中文版）總編康健采訪李杰教授\h李杰教授采訪三一集團高級副總裁賀東東\h李杰教授采訪NI行業(yè)市場經理崔鵬導引篇1.1智能制造，是制造還是思維2013年，德國在漢諾威工業(yè)博覽會上推出“工業(yè)4.0國家戰(zhàn)略”，這被認為是人類第四次工業(yè)革命的開端，也開啟了各個國家在新一輪產業(yè)革命中競爭的序幕。世界各主要經濟體紛紛從自身的現狀與優(yōu)勢出發(fā)，制定了應對新一輪制造業(yè)革命的國家戰(zhàn)略。美國在2012年3月提出了“國家制造業(yè)創(chuàng)新網絡（NNMI）計劃”，在制造業(yè)的4個重點領域列出了9個創(chuàng)新中樞項目；日本在2015年6月公布了《2015年版制造業(yè)白皮書》，將3D打印、人工智能和智能ICT作為轉型升級的軸心；韓國提出了《制造業(yè)創(chuàng)新3.0戰(zhàn)略行動方案》，在3D打印、大數據、物聯網、ICT服務等8項核心智能制造技術中發(fā)力；法國提出了《工業(yè)新法國2.0》，將智慧物流、新能源開發(fā)、智慧城市、未來交通等9個重點領域作為改革的重心。中國也在2015年3月正式出臺了《中國制造2025》，作為新一輪工業(yè)革命的指導綱要，將工業(yè)化與信息化“兩化”深度融合發(fā)展作為主線，力爭在10個重點領域實現突破性發(fā)展。在過去三年中，關于工業(yè)4.0的定義和對世界各國戰(zhàn)略的解讀已有很多，也有許多專家學者和政府機構提出了一系列的實施路徑和方案，我們看到政府相繼提出了機器換人、智慧工廠、大數據、互聯網＋和工匠精神等一系列改革舉措。然而，有不少人都表達過這樣一種感受：我們越深入分析各個國家的政策，越是去嘗試不同的轉型路徑，反而愈發(fā)地感覺迷茫和浮躁。我認為之所以會有這樣的感受，是因為大家把智能制造當成了一個技術問題來看待，因此在分析其他國家行動的時候也只是停留在表面的方法和技術上，卻忽略了這些行動背后的思維和邏輯。于是當德國有“工業(yè)4.0”，我們就有了“中國制造2025”；美國提出“工業(yè)互聯網”，我們也提出了“互聯網＋”；日本精益制造做得好，我們就要大力提倡工匠精神。事實上，智能制造并不僅僅是一個技術體系或文化，更重要的是背后對智慧的理解、解決問題的邏輯和重新定義制造的思維。1.2何謂智能制造的核心制造系統(tǒng)的核心要素可以用5個M來表述，即材料（material）、裝備（machine）、工藝（methods）、測量（measurement）和維護（maintenance），過去的三次工業(yè)革命都是圍繞著這5個要素進行的技術升級。然而，無論是設備的精度和自動化水平提升，或是使用統(tǒng)計科學進行質量管理，或是狀態(tài)監(jiān)測帶來的設備可用率改善，又或是精益制造體系帶來的工藝和生產效率的進步等，這些活動依然是圍繞著人的經驗開展的，人依然是駕馭這5個要素的核心。生產系統(tǒng)在技術上無論如何進步，運行邏輯始終是：發(fā)生問題→人根據經驗分析問題→人根據經驗調整5個要素→解決問題→人積累經驗。而智能制造系統(tǒng)區(qū)別于傳統(tǒng)制造系統(tǒng)最重要的要素在于第六個M，即建模（modeling），并且正是通過這第六個M來驅動其他5個要素，從而解決和避免制造系統(tǒng)的問題。因此智能制造系統(tǒng)運行的邏輯是：發(fā)生問題→模型（或在人的幫助下）分析問題→模型調整5個要素→解決問題→模型積累經驗，并分析問題的根源→模型調整5個要素→避免問題。因此，一個制造系統(tǒng)是否能夠被稱為智能，主要判斷其是否具備以下兩個特征：（1）是否能夠學習人的經驗，從而替代人來分析問題和形成決策。（2）能否從新的問題中積累經驗，從而避免問題的再次發(fā)生。我們不難看出，無論是機器換人、物聯網，或是互聯網＋，解決的只是5M要素的調整方式和途徑，只是在執(zhí)行端更加高效和自動化，并沒有解決智能化的核心問題。所以說，智能制造所要解決的核心問題是，如何對制造系統(tǒng)中的5M要素的活動進行建模，并通過模型（第六個M）驅動5M要素。智能制造所要解決的核心問題是知識的產生與傳承過程。從傳統(tǒng)制造向智能制造轉型的基礎和內在動因是什么？要回答這個問題，我們需要從制造業(yè)的競爭力和代表技術的發(fā)展進行分析。現代制造業(yè)的價值邏輯從20世紀70年代至今主要經歷了4個階段：以質量為核心、以流程改善為核心、以產品全生命周期為核心和以客戶價值創(chuàng)造為核心。這個發(fā)展過程也是人們積累制造經驗的過程，從解決“可見的問題”向解決“不可見的問題”延伸，同時在發(fā)現和解決新問題的過程中產生新的知識，并以不同的科技形式將其運用到5M要素中的過程。第一階段：在人的知識積累過程中提升質量和生產效率從20世紀70年代至90年代，大到國家之間的制造業(yè)競爭，小到各個行業(yè)中企業(yè)間的競爭，無疑不圍繞著“質量”這一核心展開。20世紀70年代，日本意識到其制造的產品在質量上與歐美存在著巨大差距，為了擺脫其產品在國際市場上無人問津的窘境，提出了以“全生產系統(tǒng)維護（TPM）”為核心的生產管理體系。TPM的核心思想可以用“三全”來概括：全效率、全系統(tǒng)和全員參與；目標可以用4個零來概括：零停機、零廢品、零事故和零效率損失。實現方式主要包括3個方面的改善：提高工作技能、改進團隊精神和改善工作環(huán)境。因此我們不難看出，在這個階段，制造系統(tǒng)的進步主要依靠的并不是技術的升級，而是管理哲學和制度的創(chuàng)新，其核心是以組織為中心的實踐與文化建設。然而不可否認的是，這一階段的改革奠定了日本制造的精神內核，也使日本制造在短時間內險些使美國喪失世界第一制造大國的地位。受到日本制造沖擊的美國和歐洲也紛紛效仿日本，建立了先進的生產管理制度，并完善了質量管理體系。這個階段為制造系統(tǒng)的進步所帶來的影響可以總結為：將解決生產過程中問題的經驗，利用先進的管理制度和組織文化，轉變成為人的知識。第二階段：利用數據對問題的發(fā)生過程進行建模，使知識積累的速度迅速提升從20世紀90年代開始，企業(yè)開始發(fā)現以關注生產現場為主的TPM模式所發(fā)揮出來的潛能越來越少，于是開始了向庫存控制、生產計劃管理、流程再造、成本管理、人才培養(yǎng)、供應鏈協(xié)同優(yōu)化、設備資源和市場開發(fā)等整個生產系統(tǒng)的各個環(huán)節(jié)進行延伸。在這個階段，以豐田（Toyota）為代表的日本企業(yè)主要采用了精益生產（leanmanufacturing）技術體系，而以通用電器公司（GE）為代表的西方企業(yè)則主要采用6-sigma企業(yè)流程管理體系。兩者的主要區(qū)別在于，精益生產仍然是以組織管理為中心的實踐和流程優(yōu)化為主要手段，而6-sigma則更多地使用分析與管理工具（如SPC、DMAIC、DFSS、QFD）。然而在大多數企業(yè)的實踐中，兩者并沒有明確的界限，而是將兩個體系中適合自己的部分加以應用。與以TPM為核心的管理方式相比，精益生產技術體系和6-sigma的進步主要體現在以下幾點：①從僅僅關注生產現場，延伸到整個產業(yè)鏈的各個要素；②開始以客戶為中心，以滿足客戶需求為導向，以為客戶提供優(yōu)質服務為目標；③生產系統(tǒng)中的大量數據被采集和分析，開始從以往的經驗導向轉變?yōu)閿祿褪聦崒?。在這個過程中，以美國汽車制造業(yè)為代表的企業(yè)開始意識到利用數據將生產過程中的問題和差異化進行建模的重要性，于是大量的先進統(tǒng)計工具和建模方法被引入設計和制造的過程中，美國制造的質量得以大幅提升。1990～2000年這個階段對制造系統(tǒng)的影響是：大量的問題得以依靠數據被分析和保留下來，人獲取知識的能力在許多分析工具的幫助下得以提升，同時知識以軟件或嵌入式智能的形式得以分享、使用和傳承。第三階段：制造的價值鏈向使用端延伸，利用預測分析技術發(fā)現隱性問題進入2000年，企業(yè)的競爭焦點開始轉移到產品的全生命周期管理與服務（PLM）方面，這標志著制造業(yè)的注意力從以往的以生產系統(tǒng)為核心，向以滿足用戶需求為導向的產品與服務轉移。PLM是一種對所有與產品相關的數據、在整個生命周期內進行管理的技術，管理的核心對象是產品的數據。在企業(yè)內部，與PLM相關的主要軟件工具包括客戶關系管理系統(tǒng)（CRM）、計算機輔助設計（CAD）、產品數據管理系統(tǒng)（PDM）、計算機輔助工藝編制（CAPP）、制造執(zhí)行系統(tǒng)（MES）、供應鏈管理系統(tǒng)（SCM）和企業(yè)資源計劃系統(tǒng)（ERP）等，分別對需求分析、概念定義、產品設計、生產制造、產品銷售、產品服務等環(huán)節(jié)的數據進行管理與分析，是企業(yè)實現全面信息化的過程。與此同時，以預診與健康管理（PHM）為核心的預測分析技術被用于分析產品使用過程中的數據，通過對遠程監(jiān)控系統(tǒng)所采集的數據進行分析，實現對產品使用過程中的衰退和未知變異的透明化管理，通過及時避免產品故障為客戶創(chuàng)造價值。代表產品包括小松機械（Komatsu）在2005年推出的康查士（KomtraxTM）系統(tǒng)、JohnDeere的精智農業(yè)管理系統(tǒng)（FarmSightTM），以及GE航空（GEAviation）的On-wingSupportTM服務。這時的產品開始有了代表產品自身性能的“蛋黃”和代表以產品為載體的增值服務的“蛋白”區(qū)分，且“蛋白”所占的價值比重越來越大，各個公司都在思考如何以產品為載體為用戶提供服務。商業(yè)模式也因此發(fā)生了轉變，因為企業(yè)發(fā)現賣設備能夠賺到的錢已經很少了，倒不如把設備租給用戶從而賺取服務費用，于是就產生了產品的租賃體系和長期服務合同，其代表是GE所提出的“PowerbytheHour（時間×能力）”的盈利模式，企業(yè)賣的不再是產品，而是為客戶提供產品使用的能力。隨著產品大量全生命周期數據的獲取，尤其是產品使用過程中數據的收集，以及機器學習和仿真建模等先進分析技術的發(fā)展，使得人們能夠從數據中獲取以往不可見的知識，并利用這些知識去管理和解決以往不可見的問題。更確切地講，制造業(yè)的發(fā)展過程，其核心是制造哲學的進步過程，經歷了標準化、合理化＋規(guī)范化、自動化＋集成化、網絡化＋信息化4個階段，如圖1-1所示。這背后的制造哲學可以概括為，以低成本生產高質量的產品；通過全流程改善降低浪費、次品和事故；通過產品全生命周期的數據管理，為用戶提供所需要的能力和服務。在以上幾個階段的基礎上，現在的制造系統(tǒng)正處在向智能化＋客制化邁進的階段，目標是實現在“無憂慮”的生產系統(tǒng)中，以低成本快速實現用戶的客制化需求。而實現“無憂慮”的關鍵在于，對生產系統(tǒng)全過程中的5M要素，利用建模（modeling）進行透明化、深入和對稱性的管理，實現從問題中產生數據，從數據中獲取知識，再利用知識避免問題的閉環(huán)過程。圖1-1制造業(yè)哲學的進步過程1.3從大數據到智能制造我在《工業(yè)大數據》這本書中曾表達過一個觀點：大數據并不是目的，而是一個現象，或是看待問題的一種途徑和解決問題的一種手段。通過分析數據，從而預測需求、預測制造、解決和避免不可見問題的風險，和利用數據去整合產業(yè)鏈和價值鏈，這才是大數據的核心目的。大數據與制造之間的關系可以用圖1-2表示，這里面有3個重要的元素：圖1-2大數據與智能制造的關系（1）問題：制造系統(tǒng)中顯性或隱性的問題，比如質量缺陷、精度缺失、設備故障、加工失效、性能下降、成本較高、效率低下等。（2）數據：從制造系統(tǒng)的5M要素中獲得的，能夠反映問題發(fā)生的過程和原因的數據。也就是說數據的獲取應該是以問題為導向，目的是去了解、解決和避免問題。（3）知識：制造系統(tǒng)的核心，也就是我們平時所說的knowhow，包括制程、工藝、設計、流程和診斷等。知識來源于解決制造系統(tǒng)問題的過程，而大數據分析可以理解為迅速獲取和積累知識的一種手段。因此大數據與智能制造之間的關系可以總結為：制造系統(tǒng)中問題的發(fā)生和解決的過程中會產生大量的數據，通過對大數據的分析和挖掘可以了解問題產生的過程、造成的影響和解決的方式；當這些信息被抽象化建模后轉化成知識，再利用知識去認識、解決和避免問題。當這個過程能夠自發(fā)自動地循環(huán)進行時，即我們所說的智能制造。從這個關系中不難看出，問題和知識是目的，而數據則是一種手段。在圖1-2的要素中，當把“數據”換成“人”之后就是“工匠精神”，換成“自動化生產線和裝備”之后就是德國的“工業(yè)4.0”，換成“互聯網”之后就變成了“互聯網＋”。今天我們來談利用大數據實現智能制造，是因為大數據的研究已經成為一個日益受到關注的行為，而在制造系統(tǒng)和商業(yè)環(huán)境變得日益復雜的今天，利用大數據去推動智能制造，解決問題和積累知識或許是更加高效和便捷的方式。利用大數據推動智能制造主要有以下3個方向：（1）把問題變成數據，利用數據對問題的產生和解決進行建模，把經驗變成可持續(xù)的價值。（2）把數據變成知識，從“可見解決問題”延伸到“不可見問題”，不僅要明白“how”，還要去理解“why”。（3）把知識再變成數據，這里的數據指的是生產中的指令、工藝參數和可執(zhí)行的決策，從根本上去解決和避免問題。在第一個方向上最成功的應用案例應該是美國在20世紀90年代開展的“2mm計劃”，利用統(tǒng)計科學對汽車的設計和生產過程中的質量問題進行建模和管理，隨后推廣到了飛機制造等其他先進制造領域，對美國制造精度的提升起了重要的推動作用。在第二個方向上的典型應用是制造系統(tǒng)中的數據預測性分析，包括虛擬量測、健康管理、衰退預測等。核心是通過先進的分析算法對數據中的隱性知識進行挖掘和建模，并在制造過程中預測和避免問題。第三個方向上的典型應用是反向工程，即從問題的結果出發(fā)，利用知識反向推出問題發(fā)生的原因和過程；或是從產品最終的結果出發(fā)，反向推出產品的設計和制造過程，以及這樣去設計和制造的原因。這不僅需要知識，還需要了解知識之間的相關性和邏輯關系。在接下來的一節(jié)里將著重分析每一個方向上的實施路徑。1.4大數據推動智能制造的三個方向制造系統(tǒng)中的問題可分為“可見的問題”和“不可見的問題”，我們對待問題的方式是既可以在問題發(fā)生后去解決，也可以在問題發(fā)生前去避免。我們所心向往之的智能制造是建立在對“可見”及“不可見”問題全面了解基礎上的避免，實現無憂慮的制造環(huán)境。但是在這之前，我們還有3個必須要完成的方向（見圖1-3）。第一個是在解決可見問題的過程中積累經驗和知識，從而去避免這些問題。這個過程中美國、日本、德國都用各自的方式完成了積累，其中美國積累的主要載體是數據，日本的載體是人，德國的載體是裝備，形成了各自制造系統(tǒng)的特色和優(yōu)勢，之后我會在下一個章節(jié)里詳細分析。第二個方向則需要依靠數據去分析問題產生的隱性線索（evidence）、關聯性和根本原因等，利用預測分析將不可見問題顯性化，從而實現解決不可見問題的目的。完成這個過程后制造系統(tǒng)將不再有“surprise（意外）”，能對不可見問題發(fā)展過程進行有效預測，使得所有不可見問題在變成可見問題和產生影響之前都提前解決掉。第三個方向是通過對知識的深度挖掘，建立知識和問題之間的相關性，從舊知識中產生新知識，并能夠利用新知識對實體進行精確的建模，產生能夠指導制造系統(tǒng)實體活動的鏡像模型，從設計和制造流程的設計端避免可見及不可見問題的發(fā)生。這三個方向都可以通過大數據的路徑實現，接下來我們就來介紹一下大數據在這三個方向上所起的作用。圖1-3智能制造的3個方向第一個方向：將問題的產生過程利用數據進行分析、建模和管理，從解決可見的問題到避免可見的問題在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(yè)，德國和日本的汽車以更優(yōu)的質量和要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，美國在生產技術、裝備、設計和工藝方面并不比德國和日本差，在汽車制造領域積累的時間甚至超過他們，但是為什么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。光學測量被應用在產品線上以后，在零部件生產和車身裝配的各個工序已積累大量的測量數據。但問題是，即便測量十分精準，在各個工序和零部件生產和車身裝配都進行嚴格的質量控制，但是在組裝完畢后依然有較大的誤差。于是美國的汽車廠商不得不花大量時間反復修改和匹配工藝參數，最終的質量卻依然不穩(wěn)定，時常出現每一個工序都在質量控制范圍內，但最終的產品質量依然不能達標。于是在20世紀90年代初，我們與美國密西根大學吳賢銘教授一起發(fā)起和推動了“2mm”工程，目的是利用統(tǒng)計科學對這些龐大的測量數據進行分析，對質量誤差的積累過程進行分析和建模，從而解釋誤差的來源并進行控制，使車身波動降低到所有關鍵尺寸質量的6-sigma值必須小于2mm（2mm是當時理論上的精度控制極限值）?！?mm工程”用到的主要技術是誤差流分析（streamofvariation，SoV）在多級制造過程中的應用，通過對復雜產品流所產生的數據流進行建模，分析多級制造過程中的質量波動和誤差傳遞的相關性。許多工作站組成裝配組件，許多裝配組件又組成車身裝配過程的裝配線，每一個工作站在每個裝配組件中有一個尺寸波動，每個裝配組件轉移到下一個工作站來裝配更多的部件時造成的誤差傳遞關系就是需要通過測量數據進行分析的對象。一個工作流所產生的數據流之中包含著3個維度的相關性：①質量屬性與生產線不同階段的相關性；②同一個生產階段中質量屬性的相互影響關系；③質量屬性隨時間變化的關系（由設備隨時間的衰退產生）。在這3個維度的基礎上，建立關鍵控制特征（keycontrolcharacteristics，KCC）與關鍵產品質量特征（keyproductqualitycharacteristics，KPC）之間的關系，并有針對性地通過控制KCC來改進和控制質量的波動。在引入數據分析對質量進行管理和控制的方法后，產品的設計周期和成本得以大幅降低，并且產品質量的精密度和穩(wěn)定性也得以明顯提升。如圖1-4所示，在達到相同精度要求（5mm）的情況下，產品投入市場所用的時間減少到原來的1/3，產品質量提高了2.5倍。這個方法并不需要大量的硬件投入和生產線的改變，實施的成本非常低廉，且產生的效果十分顯著，因而被廣泛推廣到飛機制造、發(fā)動機制造和能源裝備等各類制造領域。圖1-4采用SoV算法前后的6-sigma值對比圖[1]除了利用數據分析對質量問題進行管控，相似的分析方法還被運用到了產線的彈性設計、維護排程優(yōu)化和生產系統(tǒng)的協(xié)同優(yōu)化等方面。在案例分析篇中我們會用案例的形式對其在解決各類問題的應用上進行詳細介紹和分析。第二個方向：從數據中挖掘隱性問題的線索，通過對隱性問題的預測分析，在其發(fā)展成為顯性問題之前進行解決生產系統(tǒng)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。就如同冰山一樣，可見的問題僅僅是冰山一角，而隱性的問題則是隱藏在冰山下面的惡魔（見圖1-5）。因此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。對生產系統(tǒng)隱患的預測性分析需要在預測設備性能趨勢的基礎上預判出設備可能存在的隱患類型，也即隨著設備性能未來的進一步衰退所造成的對質量的影響、對成本的增加、最終導致的故障模式和對整個生產線整體效率（overallequipmentefficiency，OEE）和協(xié)同性的影響。一般來講，設備或者工藝中存在的故障類型是多種多樣的，每一個故障類型都能對應特定的衰退模式以及應對策略。有些故障可能會影響設備正常運行和生產安全，需要停機維護；而有的故障可能對設備運行不構成影響，則可等待下次定期檢修時一起解決，這就為我們的決策提供了優(yōu)化的空間。如果生產系統(tǒng)的運行人員能夠確知未來將要發(fā)生的隱患，則可對情況產生預判從而更為快速有效地進行修復。圖1-5用冰山模型解釋制造系統(tǒng)中可見與不可見的問題預測制造系統(tǒng)的核心技術是一個包含智能軟件來進行預測建模功能的智能計算工具。對設備性能的預測分析和對故障時間的估算，將減少這些不確定性的影響，并為用戶提供了預先緩和措施和解決對策，以防止生產運營中生產力/效率的損失。利用大數據對制造系統(tǒng)中隱性問題的發(fā)生過程進行建模和預測，實際上是選擇了數據驅動（data-driven）的手段，其他的方式還包括物理建模、可靠性模型和混合模型等。接下來我們將利用數據驅動方法的原理從比較淺顯易懂的角度進行闡述。在闡述之前，我們首先要對“特征”這個重要概念進行解釋。特征：從數據當中抽象提取出的、與判斷某一事物的狀態(tài)或屬性有較強關聯的、可被量化的指標。例如在人臉識別的過程中，首先要提取出臉部主要器官的位置、形狀等相對具體的特征，再對這些特征進行匹配，從而實現身份的識別。在生產系統(tǒng)隱性問題的預測方面，提取有效的健康特征也是至關重要的。常用的特征包括時域信號的統(tǒng)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。然而僅僅依靠幾個特征是不夠的，即便是同一個信號，依然可以提取出多個特征，就好像在醫(yī)院體檢時抽一管血再分析里面的不同成分指標，就可以判斷存在各種病情的隱患。這些特征之間存在著一定的相關性，其變化情況也有若干種不同的組合，將這些組合背后所代表的意義用先進的數據分析方法破解出來，就是我們進行建模和預測的過程。如圖1-6所示，橫軸與縱軸分別代表兩個不同的特征，在一個坐標系中這些特征的分布就劃分了若干區(qū)域，這其中既有健康狀態(tài)的分布區(qū)域，也有不同故障模式下的分布區(qū)域。當我們將這些區(qū)域分別建模時，在制造系統(tǒng)的運行過程中這個分布可能會慢慢偏移，這時與正常狀態(tài)和某一類異常狀態(tài)可能有所重疊，那么其與正常狀態(tài)的相似程度就代表它的健康值，與故障狀態(tài)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（比如0～1）。隨著時間的推移，這個分布可能會有慢慢向某一個狀態(tài)發(fā)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跡，進而對這個趨勢的未來發(fā)展進行預測，就可以推斷出在未來的什么時間會發(fā)生什么問題或故障。如果故障模式不止有一種，這些特征的組合就會形成代表不同故障模式的區(qū)域，稱之為特征地圖，如圖1-7所示，可以用來判斷設備當前所處的狀態(tài)。圖1-6利用數據驅動分析制造系統(tǒng)隱性問題的原理圖1-7對軸承的高維特征信息進行主成分分析（PCA）分解后，不同故障模式的分布區(qū)域從分析的實施流程來說，數據驅動的智能分析系統(tǒng)采用了如圖1-8所示的分析框架，包括5個主要步驟：數據采集、特征提取、性能評估、性能預測和性能可視化以及性能診斷。可用數據包括了傳感器信號、狀態(tài)監(jiān)控數據、維護歷史記錄等。這些數據可以用特征提取的方法進行處理，從而得到衰退性的特征?；谛阅芴卣鳎a系統(tǒng)的運行狀況可以通過健康置信值（confidencevalue）來評估和量化。另外，可以在時域內預測特征在將來的值，從而可以預測性能的衰退趨勢和問題發(fā)生的剩余時間。最后，診斷方法可以用來分析問題產生的根本原因和問題診斷。這個智能分析系統(tǒng)的范例已經被廣泛地應用，尤其是在生產系統(tǒng)中設備的預測性維護和健康關系方面，從簡單的機械元件（如軸承）到復雜的工程系統(tǒng)（如發(fā)動機），從機械設備到結構，從單個機器到生產線，從制造產業(yè)到半導體產業(yè)等，都有非常成功的應用。不論各個應用區(qū)別如何，它們都有一個共同的特征，就是通過算法或技術在關鍵步驟上獲取信息并傳輸信息。即使對于同一個應用領域，也要根據不同應用的實際情況（如穩(wěn)態(tài)或瞬態(tài)信號、數據維度、有無足夠樣本等）來選擇算法工具。因此，美國辛辛那提大學NSF產學研合作智能維護研究中心（IMS）提出并發(fā)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，并且評估每一個算法在不用情況下的優(yōu)勢和劣勢，采用一種系統(tǒng)化的方法把每個算法的適用度進行優(yōu)先級排序，從而減少了實際應用開發(fā)中反復試驗的次數。圖1-8以設備預診與健康管理（PHM）技術為核心的工程數據分析流程第三個方向：利用反向工程，利用知識對整個生產流程進行剖析和精細建模，從產品設計和制造系統(tǒng)設計端避免問題與前文所描述的兩個方向不同的是，反向工程既不是從問題，也不是從數據端來分析問題，而是從結果或知識端去反推問題。其核心是找到隱性問題的顯性根源，簡單地說就是從結果里找原因，再從原因中開發(fā)及制定關鍵技術和優(yōu)化6-sigma的控制流程。如果說前文所提到的兩個方向是講隱性的問題顯性化，再把顯性的問題抽象化，從而固化成知識被保存和傳承下去的過程，那么這里要介紹的就是如何將這些知識再具象化，從而形成能夠被執(zhí)行和用來解決問題的“ABC（簡單易行的操作流程）”的過程。從一個工程師的角度來看反向工程，他可能會問這幾個問題：反向工程可以做些什么？反向工程不可能做到的是什么？如何利用反向工程來輔助現階段研發(fā)和改善的過程？我們可以在圖1-9中找到前兩個問題的答案。這是一張風扇葉片圖，它展示了葉片的設計參數。利用反向工程，我們可以得到這些參數的數值，卻不會知曉隱藏在這些參數（如葉片形狀或厚度分布等）之后的秘密。這張圖傳遞的最重要的信息就是，反向工程可以告訴我們某一個部件的外形是什么樣的，卻不能告訴我們，它為什么是這個樣子的。但是反向工程與大數據分析相配合，或許能夠解決這個問題，也可以回答如何利用反向工程來輔助研發(fā)和改進的過程。圖1-9反向工程能夠實現的———測量部件外形參數我們依然以航空發(fā)動機為例，事實上航空發(fā)動機真正的科技與挑戰(zhàn)都是隱藏在“看不見的世界”當中，這里存在著兩種科技，一種稱為顯性科技（explicittechnology），也就是可以明確和清楚地定義的科技。譬如所有在制造藍圖上定義的規(guī)格，如何建模，如何定義邊界條件，輸入和輸出的數據，以及結果的分析等。另外一種是隱性科技（implicittechnology），也就是無法像顯性科技一樣清楚定義的，必須經由不同的方法與嘗試，最終總結和歸納出的某種特性。這種特性可能隨程序、隨時間、隨客觀環(huán)境，或者隨另一種特性而改變。這就是存在于包括航空發(fā)動機、半導體制造和精密元器件等領域里最尖端并且最富挑戰(zhàn)的核心和關鍵技術。之所以稱之為“隱形科技”或“隱形殺手”是因為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(wěn)定、非線性、瞬態(tài)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(yōu)化的厚度分配，其本身就是一個非常具有挑戰(zhàn)性的題目。所以隱形科技可以存在于“看得見的世界”里。同樣，顯性科技可以從“看不見的世界”當中挖掘出來，科技的成熟度可以定義為把隱形科技顯性化的程度。所謂先進科技就是如何挖掘這些隱性殺手，然后控制住所有可激活的條件，這也就是反向過程控制程序所期望達成的目標。利用大數據輔助反向工程的進行取決于兩個重要的因素：（1）數據的數量與涵蓋面，也就是廣度和深度。只要和研究主題有關，不論領域、時間、來源，這些數據都在我們收集的范圍之內。圖1-10是航空發(fā)動機大數據構架，它包括設計、材料、制造、分析、測試、驗證、運行到維護在全生命周期內產生的所有數據。（2）反向運作的程序。這是一個從如何收集數據、如何過濾、如何分類、如何整合、如何分析、如何比較到如何驗證的整個流程。圖1-11是一個典型的航空發(fā)動機反向運作流程，它的起點就是大數據的搜集。圖1-10航空發(fā)動機大數據構架圖1-11反向運作流程由于航空發(fā)動機的設計與制造中的內容范圍太廣，涵蓋的整個生命周期太長，本節(jié)將不討論先進航空發(fā)動機反向科技的具體過程。不過，我們可以跟隨反向科技的思路，一起來探討航空發(fā)動機的智能制造。有一個很好的例子可以當作參考，那就是CFM引擎系列。它的原始設計起始20世紀70年代，在過去的三十多年里，在CFM引擎的全生命周期過程中，工程師們不時地運用了大數據與反向工程，去優(yōu)化它的設計、材料和制造。我們看不到任何革命性與突破性的技術引入到最新型的CFM引擎系列。但迄今為止，它仍然是世界上最受歡迎也是最暢銷的引擎，它成功的秘密依然是許多與航空發(fā)動機產業(yè)相關的廠家想要知道的。在案例分析篇中我們將通過一個案例分析來詳細闡述從結果出發(fā)利用反向工程實現發(fā)動機設計改進和性能提升的過程。1.5智能制造在發(fā)達國家的轉型仔細觀察第四次工業(yè)革命的進行過程，我們不難發(fā)現，與之前幾次工業(yè)革命具有典型的技術不同，這次工業(yè)革命中每個國家所選擇的路徑和側重點有非常明顯的不同，這一方面取決于各個國家的制造業(yè)基礎和國情，另一方面，更重要的是各個國家在制造文化和哲學方面的差異。在過去近200年的工業(yè)積累中，美國、日本、德國等工業(yè)強國都形成了非常鮮明的制造哲學，其根源是對知識的理解、積累和傳承方式的差異。同時，各個國家在整個制造業(yè)的上、下游中也形成了非常明顯的競爭力差異，在產業(yè)鏈的不同位置都有各自的相對優(yōu)勢。本節(jié)將主要從主要工業(yè)強國的制造哲學和競爭力的差異方面，分析各個國家制造轉型戰(zhàn)略差異的原因，并給中國制造的轉型方向提供建議。第一，對知識的理解、積累和傳承方式的差異決定了制造哲學和文化繼續(xù)回到1.3節(jié)智能制造中的問題、數據和知識三者的關系（見圖1-2）。從不斷解決和理解新問題的過程中獲取經驗，再把經驗抽象化的這個過程即為制造中獲取知識的過程。解決問題的手段和方法決定了所獲得知識的形式，而將知識抽象化加以運用的過程和形式則決定了知識傳承的形式。這個過程可以通過人來完成、數據來完成、設備來完成，或是系統(tǒng)來完成，這也是決定一個國家制造哲學的最根本原因。日本：通過組織文化和人的訓練不斷改善，在知識的承載和傳承上非常依賴人日本獨特的克忍、服從和集體觀念文化也深深地影響了日本的制造文化，其最主要的特征就是通過組織的不斷優(yōu)化、文化建設和人的訓練來解決生產系統(tǒng)中的問題。這一點相信國內許多制造企業(yè)都感同身受，因為大家在接受精益培訓的時候被反復強調的3個方面就是“公司文化”“三級組織”和“人才訓練”。最典型的體現就是日本在20世紀70年代提出的以“全生產系統(tǒng)維護（TPM）”為核心的生產管理體系。其核心思想可以用“三全”來概括：全效率、全系統(tǒng)和全員參與。實現方式主要包括在3個方面的改善：提高工作技能、改進團隊精神和改善工作環(huán)境。以致在20世紀90年代以后日本選擇“精益制造”作為其轉型方向，而非6-sigma質量管理體系。日本企業(yè)在人才的培養(yǎng)方面也是不遺余力的，尤其是雇員終身制文化，將雇員與企業(yè)的命運緊密聯系在一起，使得人的經驗和知識能夠在企業(yè)內部積累、運用和傳承。日本企業(yè)解決問題的方式通常是：發(fā)生問題→人員迅速到現場、確認現物、探究現實（三現），并解決問題→分析問題產生的原因，通過改善來避免問題。最終的知識落在了人的身上，人的技能提升之后，解決和避免問題的能力也就上升了（見圖1-12）。除了企業(yè)內部以外，日本還有獨特的“企業(yè)金字塔梯隊”文化，即以一個巨型企業(yè)（通常是產業(yè)鏈最下游，直接面對最終客戶），如豐田、三菱等為核心，形成一個完整產業(yè)鏈上的企業(yè)集群，企業(yè)之間保持長期的合作，并且互相幫助對方進行改善和提升。這樣能夠保證知識在一個更大的體系中不斷地積累、流通和傳承。圖1-12日本的制造哲學因此對于日本企業(yè)而言，員工是最重要的價值，對人的信任遠遠勝于對設備、數據和系統(tǒng)的信任，所有的自動化或是信息化建設也都是圍繞著幫助人去工作為目的，所以日本企業(yè)從來不會談機器換人或是無人工廠。如果中國想要學習工匠精神，那么最應該借鑒的是日本孕育工匠的組織文化和制度。但是這樣的文化在近幾年遇到了一個十分巨大的挑戰(zhàn)，就是日本的老齡化和制造業(yè)年輕一代大量短缺的問題，使得沒有人能夠去傳承這些知識。日本也意識到了自己在數據和信息系統(tǒng)方面的缺失，開始在這些方面發(fā)力。這一點在日本的工業(yè)價值鏈（IndustrialValueChainInitiative，IVI）產業(yè)聯盟的構架和目標上能夠清晰地看到。該聯盟提出的19條工作項目中有7條與大數據直接相關，分別是：①遠程工廠的操作監(jiān)控和管理；②設備生命周期管理；③生產線實時數據的動態(tài)管理；④設備集成的實時維護；⑤實時數據分析和預測維護；⑥云共享和維護數據的策劃實施檢查改進（plan-do-checkactioncycle）；⑦通過制造執(zhí)行系統(tǒng)（MES）將自動化生產線、運輸和人工檢測進行集成；⑧自主的制造執(zhí)行系統(tǒng)在公司外工作；⑨能處理意外情況的制造執(zhí)行系統(tǒng)；瑏瑠達到從實時數據獲取制造知識；瑏瑡以智能數據作為質量保證（故障的早期發(fā)現和阻止）；瑏瑢中小型企業(yè)制造系統(tǒng)使用機器人；瑏瑣制造技術與管理的無縫集成；瑏瑤設計和制造的物料清單與可追溯管理的集成；瑏瑥人與機器合作的工作方式的工廠的標準化；瑏瑦連接中小企業(yè)；瑏瑧信息物理生產和物理一體化；瑏瑨遠程站點的B2B收貨服務；瑏瑩面向用戶的大規(guī)模定制。具體的實施構架如圖1-13所示，其中包括4個主要模塊：①數據采集與執(zhí)行（設備端接口）；②標準化的數據平臺；③先進的數據分析算法；④專家系統(tǒng)為核心的決策支持工具。圖1-13日本“工業(yè)4.1J”架構可以說日本的轉型戰(zhàn)略是應對其人口結構問題和社會矛盾的無奈之舉，核心是要解決替代人的知識獲取和傳承方式。日本在轉型過程中同樣面臨著許多挑戰(zhàn)，首先是數據積累的缺失，使得知識和經驗從人轉移到信息化體系和制造系統(tǒng)的過程中缺少了依據和判斷標準。其次是日本工業(yè)企業(yè)保守的文化造成軟件和IT技術人才的缺失，正如日本經產省公布的《2015年制造白皮書》中所表達的憂慮：“相對于在德國和美國正在加快的制造業(yè)變革，現在還沒有（日本）企業(yè)表現出重視軟件的姿態(tài)?！钡聡和ㄟ^設備和生產系統(tǒng)的不斷升級，將知識固化在設備上德國的先進設備和自動化的生產線是舉世聞名的，可以說在裝備制造業(yè)的實力上有著傲視群雄的資格。同時德國人嚴謹的風格，以及其獨特的“學徒制”（co-op）高等教育模式，使得德國制造業(yè)的風格非常務實，理論研究與工業(yè)應用的結合也最緊密。然而德國也很早就面臨勞動力短缺的問題，在2015年各國競爭力指數的報告中，勞動力是德國唯一弱于創(chuàng)新驅動型國家平均水平的一項。因此，德國不得不通過研發(fā)更先進的裝備和高度集成自動的生產線來彌補這個不足。德國的制造業(yè)解決問題的邏輯是：發(fā)生問題→人（或裝備）解決問題→將解決問題的知識和流程固化到裝備和生產線中→對相似問題自動解決或避免（見圖1-14）。舉個比較直觀的例子來比較日本和德國解決問題方式的不同：如果產線上經常發(fā)生物料分揀出錯的現象，那么日本的解決方式很有可能是改善物料辨識度（顏色等）、員工訓練，以及設置復查制度。而德國則很可能會設計一個射頻識別（RFID）掃碼自動分揀系統(tǒng)，或是利用圖像識別＋機械手臂自動進行分揀。又比如，德國很早就將誤差補償、刀具壽命預測、多軸同步性算法、主軸震顫補償等解決方式以功能包的形式固化到了機床中，因此即便是對制造工藝和操作并不熟練的工人也能夠生產出可靠的產品。也正是這個原因成就了德國世界第一的裝備制造業(yè)大國地位。除了在生產現場追求問題的自動解決之外，在企業(yè)的管理和經營方面也能夠看到其盡力減少人為影響因素的努力。比如最好的企業(yè)資源管理（ERP）、生產執(zhí)行系統(tǒng)（MES）、自動排程系統(tǒng)（APS）等軟件供應商都來自德國，大量的信息錄入和計劃的生成及追溯通過軟件自動完成，盡量減少人為因素帶來的不確定性。然而德國同樣對數據的采集缺少積累，因為在德國的制造系統(tǒng)中對故障和缺陷采用零容忍的態(tài)度，出現了問題就通過裝備端的改進一勞永逸地解決，在德國人的意識中不允許出現問題，也就自然不會由問題產生數據，最直接的表現就是找遍德國的高校和企業(yè)幾乎沒有人在做設備預診與健康管理（PHM）和虛擬測量等質量預測性分析。另外由于德國生產線的高度自動化和集成化，使得其整體設備效率（OEE）非常穩(wěn)定，利用數據進行優(yōu)化的空間也較小。德國依靠裝備和工業(yè)產品的出口獲得了巨大的經濟回報，因為產品優(yōu)秀的質量和可靠性，使得德國制造擁有非常好的品牌口碑。然而德國近年來也發(fā)現了一個問題，那就是大多數工業(yè)產品本身只能夠賣一次，所以賣給一個客戶之后也就少了一個客戶。同時，隨著一些發(fā)展中國家的裝備制造和工業(yè)能力的崛起，德國的市場也在不斷被擠壓。因此，在2008—2012年的5年時間里德國工業(yè)出口幾乎沒有增長。由此，德國開始意識到賣裝備不如賣整套的解決方案，甚至同時如果還能夠賣服務就更好了。于是德國提出的工業(yè)4.0計劃，其背后是德國在制造系統(tǒng)中所積累的知識體系集成后所產生的系統(tǒng)產品，同時將德國制造的知識以軟件或是工具包的形式提供給客戶作為增值服務，從而實現在客戶身上的可持續(xù)的盈利能力。這一點從德國的工業(yè)4.0設計框架中能夠十分明顯地看到，整個框架中的核心要素就是“整合”，包括縱向的整合、橫向的整合和端到端的整合等，這簡直太像德國制造體系的風格了，既是德國所擅長的，也為其提供增值服務提供了途徑。所以第四次工業(yè)革命中德國的主要目的是利用知識進一步提升其工業(yè)產品出口的競爭力，并產生直接的經濟回報。圖1-14德國的制造哲學美國：從數據和移民中獲得新的知識，并擅長顛覆和重新定義問題與日本和德國相比，美國在解決問題的方式中最注重數據的作用，無論是客戶的需求分析、客戶關系管理、生產過程中的質量管理、設備的健康管理、供應鏈管理、產品的服役期管理和服務等方面都大量地依靠數據進行，如圖1-15所示。這也造成了20世紀90年代后美國與日本選擇了兩種不同的制造系統(tǒng)改善方式，美國企業(yè)普遍選擇了非常依賴數據的6-sigma體系，而日本選擇了非常依賴人和制度的精益管理體系。中國的制造企業(yè)在2000年以后的質量和管理改革大多選擇了精益體系這條道路，一方面因為中國與日本文化的相似性，更多的還是因為中國企業(yè)普遍缺乏數據的積累和信息化基礎，這個問題到現在也依然沒有解決。除了從生產系統(tǒng)中獲取數據以外，美國還在21世紀初提出了“產品全生命周期管理（PLM）”的概念，核心是對所有與產品相關的數據在整個生命周期內進行管理，管理的對象即為產品的數據，目的是全生命周期的增值服務和實現到設計端的數據閉環(huán)（closed-loopdesign）。圖1-15美國制造業(yè)創(chuàng)新的哲學數據也是美國獲取知識的最重要途徑，不僅僅是對數據積累的重視，更重要的是對數據分析的重視，以及企業(yè)決策從數據所反映出來的事實出發(fā)的管理文化。從數據中挖掘出的不同因素之間的關聯性、事物之間的因果關系，對一個現象定性和定量的描述和某一個問題發(fā)生的過程等，都可以通過分析數據后建立的模型來描述，這也是知識形成和傳承的過程。除了利用知識去解決問題以外，美國也非常擅長利用知識進行顛覆式創(chuàng)新，從而對問題進行重新定義。例如美國的航空發(fā)動機制造業(yè)，降低發(fā)動機的油耗是需要解決的重要問題。大多數企業(yè)會從設計、材料、工藝、控制優(yōu)化等角度去解決這個問題，然而通用電氣公司（GE）發(fā)現飛機的油耗與飛行員的駕駛習慣以及發(fā)動機的保養(yǎng)情況非常相關，于是就從制造端跳出來轉向運維端去解決這個問題，收到的效果比從制造端的改善還要明顯。這也就是GE在推廣工業(yè)互聯網時所提出的“1％的力量（Powerof1％）”的依據和信心來源，其實與制造并沒有太大的關系。所以美國在智能制造革命中的關鍵詞依然是“顛覆”，這一點從其新的戰(zhàn)略布局中可以清楚地看到，利用工業(yè)互聯網顛覆制造業(yè)的價值體系，利用數字化、新材料和新的生產方式（3D打印等）去顛覆制造業(yè)的生產方式。第二，制造中價值鏈的位置是競爭力的決定性因素之前我們從日本、德國和美國三者間文化差異性方面分析了三個國家對智能制造革命的理解、側重點和目的的不同。除此以外，這些國家的競爭力差異也是造成其戰(zhàn)略方向差異的關鍵因素，其中各國在制造價值鏈的分布和未來布局的不同起了決定性的作用。如圖1-16所示，生產活動中的價值要素分布從上游到下游依次是：想法創(chuàng)新與需求創(chuàng)造、原材料與基礎使能技術、關鍵裝備與核心零部件、生產過程與生產系統(tǒng)、產品和服務。在整個價值要素的分布中，中國在生產過程與生產系統(tǒng)這個環(huán)節(jié)具有優(yōu)勢（主要體現在勞動成本和生產能力方面），但是在其他各個環(huán)節(jié)中處于劣勢。圖1-16生產活動中的價值要素分布那么，如果進行橫向比較，世界各主要國家在生產活動中的價值要素的地位，以及未來改革的布局是怎樣的？美國：牢牢占據生產要素的上游，努力向下游延伸美國在生產活動要素的分布中，在想法創(chuàng)新和需求創(chuàng)造、原材料和使能技術，以及產品增值服務端具有明顯優(yōu)勢。美國工業(yè)系統(tǒng)的核心競爭力主要來源于‘6S’的生態(tài)體系：（1）航天航空（space/aerospace）：為美國制造業(yè)積累了大量技術紅利，成為美國工業(yè)系統(tǒng)中基礎使能技術的最主要來源。（2）半導體（semiconductor）：近年來在低耗能半導體材料的研發(fā)方面投入巨大，在未來智能化技術的核心，低耗能高性能芯片技術上具有明顯優(yōu)勢。（3）頁巖氣（shalegas）：布局未來新能源和清潔能源領域，已成為美國最主要的替代能源。（4）智能化服務創(chuàng)值經濟（smartICTservice）：借助美國在計算機和信息化技術領域的優(yōu)勢，在利潤最高的制造業(yè)服務端進行布局。（5）硅谷為代表的創(chuàng)新精神（SiliconValleysprit）：通過不斷創(chuàng)新挖掘用戶的潛在需求，從而不斷獲得新的市場和商業(yè)機會的藍海。（6）可持續(xù)人才資源（sustainabletalentpool）。在第四次工業(yè)革命的戰(zhàn)略布局方面，美國白宮在2012年3月提出了國家制造創(chuàng)新網絡計劃（NNMI），在制造業(yè)的4大領域建立9個研究創(chuàng)新中樞，如表1-1所示。表1-1美國制造創(chuàng)新網絡計劃布局的4大領域和9個創(chuàng)新項目分析美國‘6S’生態(tài)系統(tǒng)和制造業(yè)發(fā)展戰(zhàn)略布局，我們不難發(fā)現，美國力圖在生產系統(tǒng)最基礎的原料端（能源和材料）、工業(yè)產品的使用服務端（互聯網技術和ICT服務），以及不斷由創(chuàng)新驅動的商業(yè)模式端，牢牢掌握住工業(yè)價值鏈當中價值含量最高的幾部分，這樣即便德國的制造設備再先進、中國的制造系統(tǒng)再高效，都可以從源頭和價值的投放端確保其競爭力的核心優(yōu)勢。德國：充分發(fā)揮在關鍵裝備與零部件、生產過程與生產系統(tǒng)領域的技術優(yōu)勢，通過服務增強盈利能力與競爭力德國在關鍵裝備與核心零部件，以及生產過程與生產系統(tǒng)兩個環(huán)節(jié)上具有十分明顯的技術優(yōu)勢，這主要得益于以中小企業(yè)為核心的隱形冠軍企業(yè)，以及德國務實的學徒制雙元教育，這兩者為德國工業(yè)提供了扎實的基礎，是德國制造難以被撼動的地基。德國的隱形冠軍企業(yè)幾乎不被外界所關注，它們規(guī)模都不大，但卻在其領域占領著很高的市場份額，在全球位列前三。這些中小企業(yè)占據了德國出口總量的70％，它們的銷售回報率平均超過德國普通企業(yè)的兩倍，擁有著高水平的研發(fā)能力與技術創(chuàng)新能力，注重產品價值與客戶的貼合、高質量高效率的制造能力和精益化、柔性化的全球化高效運營體系，它們很大一部分已經傳承了百年。高素質的技術工人和工程技術專業(yè)人才歷來被看作是德國經濟發(fā)展的支柱，是“德國制造”產品的質量保障。旨在培養(yǎng)專業(yè)技術工人的職業(yè)教育在德國社會發(fā)展中承擔著重要的角色，并形成了一套相對完備而且不斷調整的法規(guī)體系，保障了以雙元制為主要特征的職業(yè)教育長期穩(wěn)定的發(fā)展。學徒不僅要在生產車間里跟隨師傅學習實用技術，還要到學校里學習必要的理論知識。在德國，每年約計60萬年輕人開始接受雙元制職業(yè)教育，約占同齡人數的三分之二。德國是一個工業(yè)產品外向型的國家，由于國內市場較小和自身需求的薄弱，其工業(yè)產品幾乎全部用于出口，也因此成就了德國制造業(yè)設備出口第一大國的地位。然而，由于以“金磚四國”為代表的新興經濟體已基本完成了工業(yè)化，東南亞和非洲國家的新一輪增長引擎還沒有完全開啟，導致了德國的工業(yè)裝備產品需求停滯不前。從這幾年德國的工業(yè)出口總值上來看，其幾乎沒有任何的增長，這也從一定程度上影響了德國的經濟發(fā)展。由此可見，德國提出工業(yè)4.0的核心目的主要有兩方面：①增強德國制造的競爭力，為德國的工業(yè)設備出口開拓新的市場；②轉變以往只賣設備而服務性收入比重較小的狀態(tài)，將重心從產品端向服務端轉移，增強德國工業(yè)產品的持續(xù)盈利能力。日本：雖然在產品這個環(huán)節(jié)中丟失大量市場，但產業(yè)競爭力在向上游轉移以往日本制造的核心競爭力主要在于生產過程與生產系統(tǒng)、產品以及服務端。近兩年來，日本兩個最強勢的傳統(tǒng)產業(yè)，汽車制造和消費電子產業(yè)中的市場份額不斷被韓國、美國和中國占據，看似在產品端的優(yōu)勢已經喪失殆盡。然而在《2015年全球創(chuàng)新創(chuàng)業(yè)百強》榜單中，日本以40家入圍企業(yè)成為全球最具創(chuàng)新力的國家。同時，在2015年的《全球制造力競爭指數》報告中，日本也由前一年的第10位上升至第4位。其實，日本在消費電子領域的衰退背后是日本創(chuàng)新方向的轉變，日本開始在上游的原材料及使能技術和關鍵裝備及關鍵零部件領域擁有更多的話語權。例如松下在失去電氣行業(yè)的優(yōu)勢后，在汽車電子、住宅能源和商務解決方案等領域找到了新的發(fā)展機會，同時也成為世界上最先進的電池生產商，特斯拉電動車使用的就是松下18650電池。索尼在喪失消費電子領域老大的地位后，在醫(yī)療領域取得突破，已經占據了醫(yī)療內窺鏡全球80％以上的份額。夏普也將核心業(yè)務轉向智慧醫(yī)療、智能住宅、食品、水、空氣安全以及教育產業(yè)。在日本發(fā)布的《2015年制造業(yè)白皮書》中，將人工智能和機器人領域作為重點發(fā)展方向，同時也將加強在材料、醫(yī)療、能源和關鍵零部件領域的投入。第三，給中國制造業(yè)轉型方向和目標的建議我們在1.4節(jié)詳細介紹了大數據在實現智能制造方面的三個方向上的應用，這三個方向可以概括為：①解決可見問題的過程中積累經驗和知識，從而去避免這些問題；②依靠數據去分析問題產生的隱性線索（evidence）、關聯性和根本原因等，利用預測分析將不可見問題顯性化，從而實現解決不可見問題的目的；③通過對知識的深度挖掘，建立知識和問題之間的相關性，從知識中產生新的知識，并能夠利用知識對實體進行精確的建模，產生能夠指導制造系統(tǒng)實體活動的鏡像模型，從設計和制造流程的設計端避免可見及不可見問題的發(fā)生。這三個方向對中國制造都非常具有借鑒意義，但是需要對不同的情況適用不同的方向?？偟膩砀艣r，這三個方向分別適用于以下幾類情況中問題的解決：（1）第一個方向：適合在某一個領域已經做了很久，有了一定的積累，但是卻不知道為什么做得好或是不好。比如中國的離散制造、精密加工、汽車制造、裝配制造等領域。（2）第二個方向：在解決了可見的問題之后，仍然存在一些不可見問題對制造系統(tǒng)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。（3）第三個方向：在制造基礎非常薄弱的領域，并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。從制造系統(tǒng)的價值鏈方面，本書也給中國制造提出以下幾方面的建議：中國的制造轉型中，要著重填補中國工業(yè)基礎技術的缺口，改變核心零部件和先進材料過度依賴進口的現狀；努力提高生產效率，從粗放式的生產模式向精益模式轉變；重視工藝和制造過程的研究和生產過程的管理，不斷提升產品質量；努力研發(fā)核心生產設備和智能設備，并對設備的使用進行精細化和信息化管理。同時，要注重原始想法的創(chuàng)新，提升產品的服務能力和可持續(xù)盈利能力，以顧客端的價值缺口為導向創(chuàng)造新的市場機會，利用增值服務提升中國工業(yè)產品的核心競爭力。最近，“提升供給側質量”成為中國政府在重整制造業(yè)中的重要改革舉措。那么如何來衡量供給側的質量？能不能找到一個合適的可以量化的指標？本書認為可以用以下這個簡單的公式來衡量：制造競爭力＝產品質量÷成本提升產品質量的方式有很多種，但是我認為中國制造目前最需要提升的是標準化、規(guī)范化和合理化，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(yè)和企業(yè)的情況而定。舉一個例子，工匠精神就一定都是好的嗎？比如最注重工匠精神的日本，很多企業(yè)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，使性能比其他產品高出1倍，但其代價可能是導致商品的價格高出了3～5倍，這樣的產品顯然也是不具備競爭力的。過于注重產品本身而忽略了客戶的實際需求，即便再有工匠精神也很難維持。把質量做好真的很難嗎？在不對成本加以限制的情況下任何一個企業(yè)都能夠做出質量和性能很高的產品，但是物美的同時做到價廉就很難了，這是一個復雜的系統(tǒng)工程，需要對生產系統(tǒng)的各個方面進行優(yōu)化。除此以外，中國制造業(yè)的供給側質量方面，還可從以下兩個方面進行嘗試：①從以往的依靠投資拉動需求，轉變?yōu)橐灾骺厥絼?chuàng)新的思維挖掘市場潛在的需求，以創(chuàng)新作為創(chuàng)造需求的核心動力；②將資源要素向價值鏈上游轉移，增加基礎科學研究領域的投入，研究與產品開發(fā)均衡發(fā)展，在生產系統(tǒng)上游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(huán)節(jié)轉移。1.6未來智慧工廠的無憂慮制造評價生產系統(tǒng)性能的關鍵指標是產量（throughput）、質量、成本和零部件的精度，利用數據去分析和了解生產系統(tǒng)影響上述關鍵指標的因素，并對可能出現的風險進行預測和管控，是能否實現預測型制造的關鍵因素。今天大多數工廠的生產系統(tǒng)較為普遍地運用商業(yè)化的管理軟件輔助工廠管理者去獲取整體設備效率（OEE）等信息，這是對生產系統(tǒng)中可見的影響因素和產生的結果進行及時的掌握和應對。然而生產系統(tǒng)中更多的是不可見因素的影響，因此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。零部件及裝備層面的智能化———實現自省性、自預測性和自比較性對于智能裝備的CPS應用設計，我們可以通過網絡層面的機器網絡接口（CPI）進行網絡健康分析的交互連接，這個從概念上類似于社交網絡。一旦網絡級基礎設施到位，機器可以注冊到網絡，通過網絡接口交換信息。在這一點上，可以通過已經建立的一套算法跟蹤機器狀態(tài)的變化，從歷史信息推斷額外知識，應用對等比較，并將輸出傳遞到下一層。這樣，就必須制定新的方法來執(zhí)行這些操作并產生相應的結果。這里引入“時間機器”的設計在網絡層面執(zhí)行分析，通過三個步驟實現一個智能裝備的應用設計：（1）數據切片管理：如圖1-17所示，信息不斷地從機器中壓入網絡空間?？煺帐占娜蝿站褪且杂行У姆绞焦芾硎杖霐祿鎯π畔?。一旦監(jiān)測機器的狀態(tài)發(fā)生重要變化，這些快照才出現。這些變化可以定義為機器健康值的偶然變化，維護行為或者工作制度的改變。在機器的整個生命周期里，這些快照將被收集并用于構造特定優(yōu)點的時間機器的歷史。這個當前的時間機器記錄將被用來進行優(yōu)點之間的對等比較。一旦這個優(yōu)點失效或者被替代，其相關的時間機器記錄將改變狀態(tài)從當前變?yōu)闅v史，并將用作相似性的識別和合成的參考。（2）相似識別：在網絡層面，對設備自身（以及相同設備）在不同運行模式和健康模式下的歷史數據進行特征提取和建模，再利用該模型與當前狀態(tài)產生的數據進行比較，就可以自動識別設備當前的健康狀態(tài)，進而對設備進行風險評估和故障診斷。除此之外，單個設備還可以與設備集群中的同類設備進行比較，自動識別與自己工況模式相似的其他設備并進行聚類，在工況模式相同的條件下比較自身的性能與其他設備的差異性，這種自比較和自省性的能力是以往“設備對設備（machine-tomachine）”概念中所沒有的。通過對當前運行的模式匹配以及健康模式隨時間的變化軌跡，就能夠更加準確地預測設備未來狀態(tài)的變化，實現設備自預測性的能力。圖1-17以數控機床為例的智能裝備快照收集過程示意圖[2]（3）執(zhí)行決策的優(yōu)化：當設備具備了自省性、自比較性和自預測性的能力后，就可以對自己當前和未來的性能進行預測。單個設備作為復雜工業(yè)系統(tǒng)中的一份子，承擔著該系統(tǒng)某個環(huán)節(jié)的任務要求。智能設備能夠結合當前自身的性能與任務要求，自動預測自身性能與任務需求在當前和未來的匹配性，并制定最優(yōu)化的執(zhí)行策略。執(zhí)行策略優(yōu)化的表現是，在滿足任務要求的前提下，使用資源最少、對自身的健康損害最小，以及在最優(yōu)的維護時機進行狀態(tài)恢復。執(zhí)行決策的優(yōu)化需要設備對自己在整個系統(tǒng)中的角色有較為清晰的認知，并能夠預測自身的活動對系統(tǒng)整體表現的影響，是設備從自省性到自認知能力的進一步智能化。全生產系統(tǒng)層面的智能化———無憂慮的生產環(huán)境在工業(yè)4.0的工廠中，自我意識（self-aware）和自我預測（self-predict）的功能成為監(jiān)測和控制系統(tǒng)的新功能，這些新功能可以幫助用戶去了解機器的健康退化、剩余可用時間、精度的缺失以及各類因素對質量和成本的影響。此外，機器的健康還可以通過零部件健康狀況的融合和同類機器的對比（peer-to-peer）來預測。這種預測能力使得工廠可以采取及時的維護措施從而提高管理效率，并最終優(yōu)化機器的正常運行時間。最后，歷史健康信息也可以反饋到機器設備設計部門，從而形成閉環(huán)的生命周期更新設計，最終實現無憂慮生產（worry-freeproductivity）。自我預測分析方法可以將產品和制造系統(tǒng)都轉化為自我意識和自我維護的智能信息。產品預測服務系統(tǒng)可以使得產品在其退化過程中產生主動觸發(fā)的服務請求并進一步預測和預防潛在的故障?！邦A測＋制造”融合了來自生產制造系統(tǒng)的信息和來自供應鏈系統(tǒng)的信息。傳統(tǒng)意義上，制造商通過供應鏈系統(tǒng)做出決策，這種方法利用物流、同步化供給與需求以及全球化性能測試來實現優(yōu)化成本的目標。工業(yè)4.0所需要的就是可以提供具有透明度的工具和技術，這些工具和技術具有拆解和量化不確定性的能力，從而可以客觀地估計其制造能力和可用性。之前描述的制造策略假定了設備的連續(xù)可用性以及它在每一個使用過程中保持最佳性能，但這樣的假設在一個真正的工廠中是不成立的。為了實現工廠透明化，制造業(yè)需要大量投入以實現預測性生產。這種革新需要使用先進的預測工具和方法，實現系統(tǒng)地將工廠不斷產生的數據加工成有用信息。這些信息可以幫助解釋不確定性，從而使得資產管理者和過程監(jiān)管者可以做出更“知情”的決策，傳統(tǒng)工廠與未來工業(yè)4.0工廠的對比如圖1-18所示。圖1-18傳統(tǒng)工廠與未來工業(yè)4.0工廠的對比圖[2]在制造業(yè)中積極采用“物聯網”的思想可幫助預測制造業(yè)奠定其智能傳感網絡和智能機器的基礎。預測制造系統(tǒng)的核心技術是一個使用智能軟件來進行預測建模功能的智能計算工具。對設備性能的預測分析和對故障時間的估算，將減少這些不確定性的影響，并為用戶提供預先緩和措施和解決對策，以防止生產運營中生產力/效率的損失。隨著制造系統(tǒng)對不可見問題的認識和控制能力不斷加深，工廠管理以準確的信息為基礎，從而將工廠范圍內整體設備效率（OEE）提升，最終實現零意外和零停機的狀態(tài)。由于對設備具有可預測能力，可以實現有效管理維護從而降低管理成本。最后，歷史健康信息也可以反饋到機器設備設計部門從而形成閉環(huán)的生命周期更新設計，最終形成一個無憂慮的生產環(huán)境。1.7從產品制造到全生命周期價值創(chuàng)造———給“蛋黃”配“蛋白”我在《工業(yè)大數據》這本書中曾經提出用“煎蛋模型”來解釋產品與服務之間的關系，這也是一種以創(chuàng)造價值為產品設計導向的思維。一個核心的產品不僅是產品這個實體本身（蛋黃：產品本身），還有很多以這個產品為載體的增值服務（蛋白：服務衍生的價值），如圖1-19所示。這如同煎熟的蛋，每顆蛋黃其實都差不多，比如普通電視機去掉品牌logo就很難判斷是三星的還是索尼的，但是打開電視看到有點播、回放、存儲和社交等功能的很可能就是樂視的電視，這就是蛋白的大異其趣；也就是說，在產品差異不大的情況下，配套服務的差異才是制勝的關鍵?！吨袊圃?025》中也明確提出，將制造與服務協(xié)同發(fā)展作為轉型的重要方向，加快生產型制造向服務型制造轉變的步伐。那么我們要如何給“蛋黃”配上“蛋白”？大數據在這個過程中又會起到什么作用？圖1-19煎蛋模型“服務型制造業(yè)”這個概念我在2005年以前就開始在工業(yè)界推動，許多學習過我的“主控式創(chuàng)新”課程的朋友們對這個詞應該早已不陌生。制造業(yè)向服務端轉移的趨勢早在十年前就已經在進行了，當時一些明顯的環(huán)境和產業(yè)的變化使得制造業(yè)的服務化成為一種世界范圍的趨勢。這些變化主要表現在3個層面：①消費行為的轉變。終端顧客由傳統(tǒng)的對于產品功能的追求轉變?yōu)榛诋a品的更為個性化的消費體驗和心理滿足的追求。這使得在制造環(huán)節(jié)應更加地貼近客戶的需求和心理滿足，最終表現為對客戶服務價值實現的追求。②企業(yè)間合作和服務的趨勢。由傳統(tǒng)的單個核心企業(yè)轉變?yōu)槠髽I(yè)間密切的合作聯系，企業(yè)間通過密切的交互行為，充分配置資源，形成密集而動態(tài)的企業(yè)服務網絡。③企業(yè)模式轉變。世界典型的大型制造企業(yè)紛紛由傳統(tǒng)的產品生產商轉變?yōu)榛诋a品組合加全生命周期服務的方案解決商（如GE、IBM等）。根據德勤的調研，許多世界大型制造企業(yè)早在2005年就開始了轉型，其一半以上的收入來自企業(yè)的服務行為。那么如何來定義服務型制造？服務與制造應該怎么融合？一方面，制造企業(yè)通過相互提供工藝流程級的制造過程服務，合作完成產品的制造過程；另一方面，生產性服務企業(yè)通過為制造企業(yè)和顧客提供覆蓋產品全生命周期的業(yè)務流程級服務，共同為顧客提供產品服務系統(tǒng)。這種更深入的制造與服務的融合模式，被稱為“服務型制造”。它是基于制造的服務，也是為了服務的制造，是制造與服務相融合的新產業(yè)形態(tài)、新的生產模式。這就將最初的“制造”概念進行了擴展，產品的全生命周期都被看作是制造的過程，制造不僅僅是關注產品的生產過程，更應該注重客戶使用周期的價值創(chuàng)造過程。這也產生了兩個新的制造模式———“產品服務系統(tǒng)”和“整體解決方案”。這兩種模式向客戶提供覆蓋從需求調研、產品設計、工程、制造、交付、售后服務、產品回收及再制造等產品服務系統(tǒng)全生命周期的價值增值活動；制造網絡中的合作企業(yè)基于工藝流程級的分工，相互提供面向服務的制造活動，以實現低成本、高效率的產品制造，為顧客提供基于制造的服務。服務型制造模式希望通過生產性服務、制造服務和顧客參與的高效協(xié)作，融合技術驅動型創(chuàng)新和用戶驅動型創(chuàng)新，實現分散化服務制造資源的整合和價值鏈各環(huán)節(jié)的增值。作為一種新的商業(yè)模式和生產組織方式，服務型制造的運作模式也不同于以往的制造模式：①在運作模式上，服務型制造更關注客戶價值的實現，通過滿足顧客的效用需求，實現企業(yè)價值和客戶價值的雙贏。②產品服務系統(tǒng)的引入也要求建立新的運作模式。服務的無形性、生產過程和消費過程的不可分割性，使得傳統(tǒng)的以庫存管理為基礎的制造運作管理理論不再適用，需要建立基于能力管理（能力×使用時間，powerbythehour）的服務型制造系統(tǒng)的運作模式。發(fā)展不同類型的制造及服務能力，建立制造及服務能力知識庫，開發(fā)規(guī)范化的制造及服務能力協(xié)作接口，形成不同模塊即插即用的能力，以根據客戶的需求實現能力模塊的快速發(fā)現、配置、運作和重構，是服務型制造系統(tǒng)運作管理的根本特點。③知識成為服務型制造系統(tǒng)運作的基礎。在服務型制造系統(tǒng)的運作中，主要包括技術知識、生產過程知識和顧客知識，知識的獲取和運用能力將成為企業(yè)的核心競爭力，數據作為產生知識的主要途徑將成為企業(yè)的核心資產，知識交易（不是數據交易）將成為企業(yè)之間協(xié)同和增值服務的主要方式。市場的開放使得大多數資源都可以通過市場交易獲得，基于流程的分工也使得每個流程的復雜性大大降低，熱數據和知識的交易與共享促進實現產業(yè)鏈的協(xié)同優(yōu)化。因此，企業(yè)只有構筑基于產品設計知識、制造過程知識，或者顧客需求知識的隱性知識壁壘，開發(fā)動態(tài)制造及服務能力，在不同流程內部隱性知識封裝的基礎上，相互之間基于開放的知識接口，實現不同流程的協(xié)作。利用大數據建立產品服務系統(tǒng)產品與服務緊密結合的產品/服務組合是一個集成系統(tǒng)，人們稱之為產品服務系統(tǒng)（productservicesystem，PSS）。在服務型制造模式中，無論是面向企業(yè)的服務還是面向顧客的服務，在微觀企業(yè)層面，其主要的企業(yè)內行為表現是產品服務系統(tǒng)下產品/服務組合。產品服務系統(tǒng)的創(chuàng)新模式既不是傳統(tǒng)的產品創(chuàng)新（推出新款式、新功能的產品），也不是傳統(tǒng)的服務創(chuàng)新（開發(fā)設計、生產運作和營銷過程的技術創(chuàng)新），而是從顧客需求的缺口（gap）出發(fā)的主控式創(chuàng)新模式。關于主控式創(chuàng)新模式的介紹，如何進行主控式創(chuàng)新，以及主控式創(chuàng)新的工具等介紹可以參照我的《工業(yè)大數據》一書，這里我們還是將話題的重心放到如何利用大數據建立產品服務系統(tǒng)上。大數據在建立產品服務系統(tǒng)上有兩方面非常重要的作用：①利用數據發(fā)現用戶需求的缺口，進而重新定義問題和服務；②以數據作為服務用戶和連接用戶的載體，從廣泛用戶的數據中獲取隱性的知識，再利用知識為用戶提供客制化的服務。數據作為提供服務的基礎并不難理解，比如位置數據是打車軟件為用戶提供服務的基礎，否則乘客與司機之間的匹配就無從談起。反過來說，服務也是用戶愿意把數據開放給企業(yè)的基礎，很多企業(yè)抱怨說自己的客戶不愿意把數據提供給自己，最主要的原因還是沒有想好自己要這些數據干什么，能給客戶提供怎樣的服務。用戶為什么愿意將數據分享給企業(yè)？除了服務提供途徑的要求之外，還有一個很重要的動機是，一個人的數據很難產生有效的知識，但是許多人的數據進行挖掘之后會產生許多意想不到的知識和新的看待問題的角度，進而用戶可以利用所產生的知識獲得服務和價值，其創(chuàng)值模式如圖1-20所示。舉個例子，在設備的預測性維護模型建立過程中，單個用戶所產生的數據樣本并不足以分析所有的失效模式和發(fā)生的過程，但是成百上千的用戶的數據匯集起來就可以形成一個完整的樣本庫，這些數據通過先進的預測分析算法固化成一個預測模型，那么接下來用戶就可以將實時數據輸入到這個模型中去預測當下的運行風險。在使用這個模型的過程中，用戶也從別人分享的數據中獲得了價值。圖1-20大數據的創(chuàng)值模式數據的分享是一種知識的眾籌模式，而企業(yè)扮演了知識的挖掘者、分享者和服務匹配者的角色，這個過程的實現就是產品服務系統(tǒng)產生的過程。在接下來的案例分析篇中，我們也會通過一些案例給大家提供更加生動的參考。1.8工業(yè)大數據的機遇與挑戰(zhàn)麥肯錫的報告顯示，就大數據的數量而言，制造業(yè)遠遠超過其他行業(yè)的數據產生數量，且可被接入的設備數量也遠超移動互聯網。然而工業(yè)大數據的應用卻遠沒有在社交網絡、醫(yī)療和商務等方面普遍和深入，其中的價值還有待人們去充分挖掘，因此擁有巨大的機會潛力。智能制造的實現過程需要將傳統(tǒng)的依靠人的經驗，通過大數據的智能分析，轉變成為依靠Evidence的管理模式，最終實現預測型制造系統(tǒng)。數據從設備上的產生到形成可以帶來價值的決策，需要將數據進行分割、分解、分析和分享。然而目前的工業(yè)大數據分析有一個重要的缺口，那就是中間的分析過程還比較薄弱，尤其是基于模型的預測性分析?，F在大家提到制造系統(tǒng)的智能化和大數據，首先想到的是“端到端”的連接，但是僅僅實現數據從設備到辦公室的縱向集成就足夠了嗎？如果僅僅是數據的傳輸、集成和可視化，那么數據被利用和挖掘的價值很小，還有很大一部分價值需要通過對數據的深度挖掘和分析來獲得。除此以外，工業(yè)大數據的分析除了先進的算法工具以外，更重要的是要結合工業(yè)場景和應用原理的領域知識，也就是說數據的分析者不僅要對智能算法非常了解，還要對生產系統(tǒng)十分了解。這也導致了兩個非常重要的挑戰(zhàn)：首先是人才的嚴重缺失，對工業(yè)大數據分析人才的培養(yǎng)更加困難。其次，即使對同一類問題也很難有普適性的方法和模型，數據分析工具＋領域知識這樣的模式決定了工業(yè)大數據的分析模型一定是應用定制化的，因此很難有一個通用的平臺能夠解決所有問題。這也是GE的數據平臺Predix所要面臨的挑戰(zhàn)。案例分析篇大數據在智能制造的使用場景及案例分析上一篇我們分析了大數據與智能制造之間的關系，以及大數據在推動智能制造中的作用和典型的三個方向。除此之外，大數據在智能制造中的典型應用場景還包括加速產品創(chuàng)新、生產系統(tǒng)質量的預測性管理、產品健康管理及預測性維護、能量管理、環(huán)保與安全、工業(yè)企業(yè)供應鏈優(yōu)化、產品精確營銷、智能裝備和生產系統(tǒng)的自省性與自重構能力等。本篇章將結合導引篇所介紹的思維方式和理論基礎，針對大數據在制造企業(yè)中的應用場景進行梳理，并結合案例分析提供實施路徑的參考。2.1利用大數據分析，實現從解決問題到避免問題制造系統(tǒng)中的可見問題包括產品質量缺陷、精度缺失、設備故障、整體運轉效率損失等，這些問題都可以利用統(tǒng)計科學、規(guī)劃建模、差異分析、協(xié)同優(yōu)化等方式進行解決和避免。這一節(jié)我們將通過案例，對數據分析在質量管理、維修排程、生產協(xié)同優(yōu)化和生產線彈性設計方面的作用進行詳細的闡述。案例一：2mm工程———基于統(tǒng)計科學的質量管理體系白車身（Body-In-White，BIW）的質量主要反映空間尺寸的波動，其被認為是美國20世紀80年代汽車工業(yè)競爭力的最重要影響因素之一。一個典型的BIW大概有100～150個薄壁金屬部件，并有80～120個裝配站。一個BIW裝配線正常有1500～2000個定位夾具和4000個焊接點。圖2-1顯示了一個BIW的裝配過程。如果定位器、焊接點或者零部件有誤差值，這個誤差值會傳遞給裝配站，最后累積于BIW中。圖2-1BIW裝配20世紀80年代后期，內嵌式光學測量機（opticalcoordinationmeasurementmachine，OCMM）被應用于汽車車身裝配車間中。OCMM安裝于裝配線的末端，并用激光傳感器來測量BIW的關鍵特征，提供相關車身尺寸。