https://blog.csdn.net/weixin_42137700/article/details/88639431

1993 年，時任大眾集團董事長的費爾南德·皮耶希不顧阻攔強制叫停了大眾旗下斯柯達汽車品牌要建立高度自動化工廠的計劃，也因此讓後者的 14 億馬克（捷克幣）貸款申請化為泡影。

作為一個傳奇管理者，他當時給出的理由無法反駁：

「一座全自動化工廠花費太過巨大。一個高階車間每工時要消耗 70 馬克，而如果能出現一個每工時只需 7 馬克的地方，景象就會完全不同。

更明智的做法是，僱 10 個工人將工作完成的與全自動化工廠一樣好，而不是隻用一個工人來監控異常昂貴的機器人。

我們要嘗試一下，將較低的人工成本優勢轉變為產品的價格優勢；同時，也能把富餘的成本空間放在提升質量層面，這樣才能確保我們在市場上擁有健康強大的地位。」

後來事實證明皮耶希的處理方法是奏效的。但是，這個案例不是為了來證明「推動工廠的自動化乃至智慧化轉型」是一個費錢費時的錯誤理念，而是想告訴所有作為製造業升級浪潮主導者之一的技術工作者們，工廠主們想要的到底是什麼。

盈利，資源利用率最大化，滿足客戶需求。這才是每一家工廠的終極目標。

儘管中國近年來一直在積極推動製造業的網際網路化與智慧化，但實際上各個工廠所處的階段存在巨大差異，「進化能力」也參差不齊。

譬如有些工廠連工業 3.0（自動化）都沒完全實現，硬體裝置都不達標，就更不用提工業 4.0，所謂資料化和智慧化純粹是一紙空談。

而即便很多大型企業已經建成了高度自動化的生產車間，然而在耗費大量硬體採購成本的基礎上，軟體層面卻跟不上，根本做不到生產效率的最大化。

甚至於一個小型工廠即便已經實現了自動化改造，也並不是所有「高大上」的生產控制系統就適用於這家工廠。

「有工廠找我說『我們剛剛上了一個生產節拍控制系統』，我說什麼企業？他說是小批次的，我說『既然是小批次哪裡有節拍？』」

跑過數千家制造企業，深知中國工廠頑疾的北京大學工學院工業工程與管理系系主任侍樂媛坦言，應用高階技術一定要符合企業現狀，不符合就是浪費資源。

「這也是為何有些大企業硬體很完備，各類生產系統也都引進了，要推行大規模定製化了，效率反而更低了。」

同理，所有脫離某個生產環境就談「利用機器學習或大資料技術，就能使生產效率提升幾個百分點」的言論都是無稽之談。

對於這一點，跑過無數工廠，碰過的壁比做成的專案還要多的天澤智雲也有發言權。

這家即便雲集了許多系統工程專家的工業智慧創業公司，一開始也沒有想到工業生產環境的複雜性會對資料採集和演算法模型的建立產生如此大的影響。

天澤智雲技術研發副總裁金超

「我們的確會遇到一些硬體制約我們的情況，」天澤智雲技術研發副總裁金超講述了一個真實案例，

「還在美國辛辛那提大學智慧維護系統 IMS 中心攻讀博士期間，有次我們去一家 PCB 製造廠，他們有條化金線（化學鍍金流程）被提出有改善空間，因為這個工藝流程涉及到『金層』的厚度，做厚了就浪費，薄了質量達不到，所以希望我們可以有一套演算法管控鍍金的『量』。」

但後來金超發現提供的原始方案根本做不了。

「因為線上實時檢測各種離子的感測器現在還不成熟、甚至不存在。沒辦法感知，就很難利用資料驅動的技術改善工藝。」

而這就是典型的「硬體制約了軟體」的工業場景。

換句話說，可以讓機器學習或深度學習發揮作用的工業場景都是有條件的，甚至條件是較為苛刻的。

因此，面對那些想用人工智慧嘗試解決頑疾但又怕做了無用功的工廠老闆們，天澤智雲 CEO 孫昕用團隊兩年的落地經驗總結出了一份能夠用機器學習和大資料分析真正提升生產效率的「工廠群像」：

可複製的規模大，產線裝置昂貴，產品質量要求高，能耗最佳化空間巨大。

「關鍵性裝置與裝備價值高；生產的產品昂貴，生產與運維過程耗能巨大；規模化可複製性強。

針對這幾個型別客戶在製造過程與裝備運維中的痛點如果解決了，例如涉及到安全執行、能耗最佳化、工藝最佳化良品率提升、維護最佳化，就可能給他們帶來上千萬上億的利益。所以從專案角度來說這類使用者就願意付錢，做成產品也易於推廣。」

而天澤智雲目前完成和進行的專案名單裡，機加工、鋼鐵、風力發電、軌道交通，皆符合以上條件。

另外，不同行業業務形態的差異也決定了他們需要改造的生產環節可能並不相同。

假如主要問題並不是出在工藝環節，而在於它的排放和安全環節，那麼只改造工藝流程就對提升效率沒什麼明顯作用。

「就像木桶效應一樣，我們一定要找到這家工廠某個最痛的點，並且有行業共性的點，然後再集中解決問題。只有我們具備解決方案的泛化能力，才能讓行業受益。」

工廠到底在做什麼無用功？

對於所有工廠來說，終極夢想當然是實現「三個零」——零當機、零缺陷、零浪費。

而這三個目標分別對應著的「效率、質量、成本」決定了一家企業的生存能力。

金超認為，在這三點上目前做的最好的製造類行業之一，莫過於「半導體制造」。

「為什麼半導體制造能夠做得相對更好？就是因為在其生產過程中能夠收集到大量關鍵有效的資料。

呼應這一點，首先就要有能夠採集關鍵變數的感測器，要能夠把實際有效量測資料收上來，才有機會分析哪些流程改進質量才能更好，生產效率才能更高。」

事實上，目前國內的大型國有工廠其實無論是自動化裝置還是管理系統都配備地十分齊全，甚至有工廠上幾百套系統都不成問題，但產生資料的利用率卻一直不盡如人意。

因此，在基本條件都具備（譬如感測器泛在）的工廠裡，採集資料的方法，資料的質量、多樣性以及規模直接決定了機器學習或者深度學習究竟有多大的發揮餘地。

而這幾點恰恰也是工廠智慧化改造中普遍遇到的難題——

傳統收集資料的方法耗時耗力；收集上來的資料大多沒什麼用。

天澤智雲團隊到一個半導體皮膚廠調研，發現他們收集資料的方法竟然是靠人力，軟體所收集的資料通常是孤島式的存在。

「這個例子是真實的。工廠有個人每天 4 點上班，4 點到 8 點其他什麼事都不幹，就是把各個系統的資料收集整理到一個 Excel 裡面，然後跟昨天 24 小時資料做對比，最後人工出一份報表，遞交到總經理辦公室。」

除了相當耗費時間和人力，這也是個可能適用於老師傅，但絕對不會讓當下年輕人買賬的工作崗位。

換句話說，假如這份工作今後沒人做，那麼我們如何獲取這份工作本應輸出的洞察來支援決策？

「一方面這種事情很難傳承，另一方面人為介入也有很多犯錯機會。因此，儘管一直在談數字化，但工業本身血液裡面的觀念就不是資料驅動的。

所以這時候引入一些資料驅動的技術就是為了改善原來工業不善用的方法，去嘗試能不能用一些演算法來最佳化流程、提升效率、或降低成本。」金超認為。

天澤智雲首席資料科學家晉文靜

實際上，在無形中浪費工廠裝置及人力資源的不僅僅是資料收集方式的老化，走訪數個自動化工廠的過程中，天澤智雲團隊也發現了他們的另一個「無用功」。

「有一個客戶採了 1 年半的資料，問這些資料應該怎麼處理，」天澤智雲首席資料科學家晉文靜並沒有立刻翻看這些資料，而是問了一個問題——你想解決什麼問題。

在得到答案後，她看了資料第一行就下了一個結論：

全是垃圾資料，白採了，365 天每分每秒。

「工業裡面有個誤區，覺得資料越多越好，這其實是非常錯誤的」晉文靜認為，這其實相當於在大量消耗工廠的資源。

就像城市監控裡面這麼多影片，其實大家存那麼多影片有什麼用？我們影片當中出現犯罪分子特徵值，他的臉部特徵出現了，你要的就是那段資訊，他可能會觸發一些事件來獲取前後段原始資料。

但剩下的把那些資料拿過來幹什麼用？就是浪費儲存，說白了就是浪費計算資源。」

富士康工廠的轉型邏輯

與富士康合作的機加工刀具壽命預測專案是天澤智雲演算法團隊幫助解決以上兩個難題的典型案例。

在確定「不可能持續採集有效資料」的基礎上，演算法工程師們選擇先確認銑削產線上存在的問題究竟是什麼，再根據問題分析需要建立什麼樣的模型，然後再倒推其究竟需要怎樣的資料。

在機加工過程中，刀具的質量和磨損是影響產品的良率和生產效率的一個重要因素，而且刀具成本佔總成本的 70% 以上，降低刀具成本將至關重要。

刀具在銑削過程中，因受各種外界原因的干擾，譬如切削速度、進給率、工件材質，都會對刀具造成不同程度的磨損。

換句話說，刀具的壽命最直接的標準可以由磨損度來衡量，然而，在加工過程中不可能靠人工用比測儀做到實時線上檢查，無論從效率還是質量角度來看，人力操作完全是不可靠的；

但是，如果要靠機器、靠演算法做到實時監測，你就必須要確認哪些生產節點可以產生最相關的資料，要不然也是無用功。

天澤智雲演算法團隊在機加工產線上泡了若干天后，發現刀子與工件撞擊會產生磨損的同時，其表徵為刀具的振動，雖然振動量很微弱，但這個細節非常關鍵。

「經過我們的測算後，發現這個振動是最敏感的，因此我們就在刀子最靠近其加工的部位裝上了振動感測器。」晉文靜指出。

解決了「如何採」，而下一步就是「何時採」的問題，這個問題的答案恰恰可以幫助工廠節省大量資料採集時間與資料儲存空間。

「我知道要採振動，那我應該按需採，可能只在某些加工的時候去採集，並不需要每天無時無刻都採。一是那個時候可能根本不在加工，第二是有些根本不需要。譬如我拿一把新刀在高速加工跟一把舊刀在低速加工去比對，前者振動大難道是這把刀具磨損程度更嚴重嗎？

我們從不連續採資料，但要採最有效的資料。也就是說，可能只需要採一秒就夠了，例如每一加工週期只需要採集一秒的高頻資料，這樣的話資料量也很小。」

晉文靜總結的這些「臨床經驗」，也從另一方面證明了做邊緣計算的合理性——

透過建立演算法模型倒推所需資料，就相當於將這些原始資料做預處理或做了特徵提取，最終拿到的就是最有效的資訊，只把這些資料上傳到雲上進行處理。

「富士康一個工廠一般有 500-700 不等的機床，這些資料全上雲，一點用都沒有，那些振動訊號誰都看不懂。所以把反映刀具磨損最有用的資訊放到雲上去處理，而它根本不需要在乎哪裡來的。這才是一個工廠最快實現智慧化的邏輯。」

結尾

資料現有質量低下，行業天然缺乏標籤，再加上人工智慧的侷限性，讓技術公司歷來在工業江湖站穩腳跟的難度不小。

要讓固執精明的工廠老闆們點頭，只有展現讓演算法能「立即上膛發槍」的實操能力，而做到這一點，只靠一群演算法工程師或資料科學家很容易偏離工業軌道。

因此這也是金超所呼籲的，「要落地，只有軟體工程、硬體團隊，以及行業專家一齊上陣。」

但如何挖掘這樣一群多樣化人才，又如何讓這一群在各自領域內有豐厚經驗的精英進行更好地協同作戰，也是像天澤智雲這樣的工業智慧公司不得不面對的考驗。

「在富士康無憂刀具這個專案中我們發現，整個建模過程會用到各個領域知識的人才幫助我們完成建模。

比如說我們採集振動訊號，對於這些旋轉機械的振動訊號我們如何做提取，還有基於機器學習的建模方面，這些都要依靠工業領域的專業人才做一些指導。」晉文靜表示。

或許正如同濟大學工業4.0學習工廠實驗室主任陳明教授所說，智慧製造作為新興交叉學科，既牽扯到傳統的機電控制軟體，又牽扯到新技術，所以這塊其實需要具有創新能力的綜合性人才，必須跟工業界緊密結合。

「挑戰還很大，培養工業智慧專屬人才任重而道遠。」