18世紀中葉，蒸汽機讓社會生產進入機械化時代；

19世紀70年代，電力讓人類社會進入電氣時代；

20世紀90年代，通信技術和計算機技術讓社會進入信息時代高速發(fā)展時期。

三次工業(yè)革命，每一次都讓社會生產效率呈爆發(fā)式增長。而眼下，智能制造的概念又掀起了第四次工業(yè)革命，德國的工業(yè)4.0，美國的工業(yè)互聯網，中國的智能制造2025，都在這場革命之下排好了陣仗。

毫無例外，每一次的革命都是為了生產效率的提高，但這次，世界各國對生產效率的提高，卻定位在了1%。

而在剛過去不久的2050大會上，鋅財經記者也奔赴了智能制造主題的分會場，見到了積夢智能，一家工業(yè)智能科技公司的創(chuàng)始人謝孟軍。在會場，鋅財經記者也與謝孟軍對第四次工業(yè)革命“1%的小目標”進行了長時間的探討。

（積夢智能創(chuàng)始人謝孟軍接受鋅財經采訪）

其實，1%的目標并不小。

前三次的革命，已經把社會生產效率提升到了足夠的高度。而底盤足夠大，哪怕是1%的進步，進步也足夠大。

從蘋果工廠出身的謝孟軍，接觸了大量的制造工廠，出來創(chuàng)業(yè)之后，又跑遍了家鄉(xiāng)寧波的上百家工廠。在采訪中，謝孟軍告訴鋅財經，大部分的工廠包括一些諸如汽車、3C的高端制造工廠，最大的痛處是無法讓各個部門串聯成一個整體。

在蘋果制造工廠里待過，又看過數百家傳統工廠的謝孟軍，也和鋅財經分享了這些年來他對中國智能制造的一些看法。

他說，所有的部門就像一個個孤島，而這些孤島之間的距離，就是與1%小目標之間的巨大鴻溝。

積夢智能創(chuàng)始人 | 謝孟軍

1

中國智能制造的小目標：1%的進步

首先還是要明確一下智能制造的概念，為什么德國叫工業(yè)4.0，美國叫工業(yè)互聯網，而我們就叫智能制造。

德國提出來了工業(yè)4.0之后，國內才有了智能制造這個概念。所謂工業(yè)4.0，基本上就是按照解決不同的問題來定義工業(yè)4.0，而工業(yè)4.0想要解決的問題，是希望用CPS的方式把整個工廠互聯互通，成為智能工廠。

在德國提出來工業(yè)4.0之后，美國提出了工業(yè)互聯網，其實這些名稱并不是隨意取的。美國目前整個互聯網非常發(fā)達，所以美國就想利用它們發(fā)達的互聯網，來改善它整個的工業(yè)體系，想要利用互聯互通的方式把所有設備打通。

這些名詞的產生是符合每個國家工業(yè)發(fā)展不同特征的。德國在設備硬件方面非常厲害，而美國互聯網也非常厲害，所以它們的出發(fā)點會不一樣。但是它們的目標是一致的，希望搶在下一個工業(yè)革命當中那個制高點。

如果我們把維度降到地球村來參考，其實分工是很明確的，設計、生產、配件等等都有專人負責。那么，在德國的工業(yè)4.0和美國的工業(yè)互聯網之前，中國的定位是什么？世界制造工廠，全球最大制造國，全球各地需要的高端的、低端的零配件我們都有。

在工業(yè)2.0向工業(yè)3.0轉型的過程當中，中國要做的事情是用機器換人。而現在，各個發(fā)達國家都提出了工業(yè)發(fā)展的新概念，所以中國為了應對全球制造領域內的分工，提出了中國制造2025。

中國提出中國制造2025的概念，同其他發(fā)達國家一樣，想要在十大領域里搶占制造領域中的制高點。

但不論是哪個國家，提出工業(yè)發(fā)展的新方向，最終的目的是為了提高效率。

根據美國通用公司的調查，工業(yè)互聯網的效率只要提升1%，帶來的效應是巨大的。以航空領域為例，如果整個航空行業(yè)節(jié)省1%的燃料，那就能夠省下300億美金。在電力行業(yè)這個數字是660億美元、醫(yī)療領域是630億美元、鐵路領域是270億美元、而在石油天然氣行業(yè)，節(jié)省下來的經費將達到驚人的900億美元。

把1%的威力放大到全球規(guī)模來看，它的效益是非常驚人的。對無利不起早的商人來說，在利益的驅動下，會把全球的智能制造推動起來。

2

信息孤島間的橋梁，是頂層設計

雖然提出智能制造2025的概念已經有一段時間，但我們也知道目前也尚處在起步階段，讓制造業(yè)轉型，還是有很多的步子要走。

我們知道很多傳統工廠里，以單個應用為信息督導的特別多。而這些有關聯卻又單獨存在的信息督導，就可以叫做信息孤島。

一個工廠從小規(guī)模發(fā)展壯大，必然會增添新的部門和職能，比如DOE分析、量產性管控等等這些東西。而這些隨著工廠發(fā)展拓展的業(yè)務板塊，必然會增加新的應用。但絕大部分工廠的做法是怎樣的？我增加一個部門，就增加一個對應的APP；出現一個問題，我就去解決一個問題。

那么，問題來了。

這樣做的結果就是，每個部門之間的應用是割裂的，就像一片海里的若干個孤島一樣。在蘋果的經歷也讓我認為，這是傳統制造企業(yè)最大的問題。連同一個企業(yè)的各個部門都無法高效協同，請問你怎么做到智能制造？

蘋果公司在制造工廠是如何做的？他們在做之前就已經從頂層搭好了邏輯和框架，已經清楚要什么，大的模塊有哪幾塊，如何讓各個模塊之間的數據流通起來……這些東西，已經事先思考的非常清楚了。

其實，事先從頂層設計的思考邏輯，就是一個數字工廠的模型。跟蘋果公司一樣，每個工廠都會有不同的數字模型，比如以產品為中心從設計開始到供應商、到生產、到銷售、到供應鏈……哪怕是一些模塊還沒有拓展，都是能夠事先搭好整個數字模型的。

數據，只有流通起來才是最有價值的。

為了讓數據的價值放到最大，我們在中間這層加一個PAAS層以及海量的數據儲存，和一個儲存的引擎。另外，我們也有很多檢測報警框架和機器學習框架。

在我們目前切入的3C和汽車行業(yè)里，我們打造了很多這樣的模型。在行業(yè)打磨的這幾年里，我們已經能夠讓大數據可視化，為了搭好最底層的統計分析框架，我們自己也做了很多數據采集的方案，比如自動采集器、終端、移動端和很多適配器的方案。

在這個基礎之上，我們做了一個工業(yè)的APP Store。我們都知道，現在有一個事實：APP都是IT和懂技術的人來開發(fā)的。但實際上我們的業(yè)務需求提到IT那邊后，最終是由代理商完成這些功能的。

但我們要做的是自己搭建所有的應用過程。

我們會有一個這樣的思考，建一個基于樂高的思想設計的系統平臺，它的底層會有一個底層服務。因為我們團隊大多數都出身自互聯網，所以，我們在基于容器云的模式上搭建了一整套方案，就是用“微服務+容器”的方式搭建了整個底層服務。

在這之上我們自己搞了一套數據存儲的軟件，同時要支持OLAP和OLTP兩個板塊，既能夠做到實時分析，還能夠有一些歷史分析的東西。

我們現在基本上是以PG為主，就是類似于Oracle的開源數據庫，基于這個數據庫我們做了一個大型的解決方案。我們同時又跟Hadoop等等這些接口串起來，在這個基礎上搭建了數字工廠模型，我們把設備、測量、產品、售后、缺陷、任務這些東西抽象化出來，到數字工廠模型里面，在這之上再設一些SAAS服務，統計分析、檢測分析、統計報警這些技術服務的東西。

再比如工裝管理的應用開發(fā)，我們利用數字工廠模型里面的三個板塊，就可以搭建出來工裝管理模塊。工裝、設備怎么用一個應用管理起來？

這只是一個舉例，一個工廠會有很多需要解決不同問題的應用。工廠越大，所需要的數據工廠模型就越復雜，需要搭建的應用就越多。工廠里面關心的包括幾個東西，一個是所謂的效率問題，一個是財務問題，一個是質量問題。效率問題可能是MS，財務問題是ER，質量問題是MS和ERP。

他們不可能把整個數字工廠的東西都交同一家公司來做。如果在這方面創(chuàng)業(yè)，我的建議是選擇一個具體的口子切入。比如我們作為一個初創(chuàng)企業(yè)，是專門針對做質量，從業(yè)務角度說是全面質量，從設計開始，設計、生產、銷售、售后等等，這塊所有的東西做了一個全面的解決方案。

總結一下這一塊，我想說的是，要消除信息孤島的狀況要從頂層設計就開始。

3

孤島的距離，1%的距離

但不可否認，目前大多數企業(yè)各部門，以信息孤島的形式運作的現象是普遍存在的。而這樣的運作方式，也無法讓企業(yè)最大化的做到高效運行，也就是離各國都在追求的1%，還有一定的距離。

有這么個現象，大家可以思考一下：

在大部分傳統企業(yè)里，紙張依然是記錄的重要載體，但其實在紙質記錄的方式下，所有的數據是散落的。比如，在汽車制造工廠，汽車里有一個扭矩箱是要扭螺絲的，但一輛汽車有兩三個扭矩箱，都會在不同流程，不同時間，甚至不同的人去操作，這些數據都是分散的，可能一個星期就沒了。

（紙張依然是記錄的重要載體）

但事實上，這些數據都是相互關聯的，那我們如何把這些數據采集起來并長期保存呢？

對于這個問題，最好的答案應該是：一體化。怎么來解釋這三個字？

第一，多種數據采集并且電子化

任何一個零件，一個部分，直至最終的成品，其實每一個部件之間都是有關聯的。你要分析它們之間的關系，就必須把每一個可記錄的數據都采集起來，并保存在數據庫里。

每一個數據都是構建數字工廠模型的磚瓦。

第二，多種數據源的一體化

一家工廠，越到發(fā)展的后期，所牽扯到的數據會越來越多。比如，設備數據、流程數據、供應商數據、設備信息、工藝事件、設計數據、售后質量等等，這些數據其實是可以把這些數據統一錄到模型和系統平臺里的。

第三，標準一體化

數據一體化之后，其實很大程度上已經做到了標準一體化。即便是在一家工廠里，會牽涉到非常多的設備，不同設備的協議不一樣、格式也不一樣，就同一個品牌不同的版本格式就會不一樣，不同品牌的差異就更大了。還有各種格式的，工廠里面比較多的是表格格式，還有CMS、DMO等各種設備格式。

所以，這么多不同類目的東西是要有一套自己的標準的。那我們積夢自己來說，我們先會對數據做一個清理，然后轉換成我們自己的標準，再錄到我們的數據工廠里。

因為只有標準化之后，數據處理、分析才能做到一致性。

這里有一個數據一體化之后的效果圖。第一個圖是汽車零配件的，它有不同的點，有不同的設備去檢測它；第二個圖來自于所有不同的設備的測量數據。然后利用三維的引擎把它渲染起來，就可以實時看得到怎樣測質量體系的情況。

這些數據可以用來進行虛擬匹配。那么，什么是虛擬匹配？虛擬匹配有什么用？

假設零件A和零件B是兩個相互裝配的零件，A和B都有充分的測量數據。在沒有裝之前，就可以根據檢測到的數據，去做虛擬匹配的過程，這可以極大地提高效率，在它裝之前就可以立馬分析出這個東西能否裝進去。

還有一個問題，大家也可以思考一下。

制造業(yè)里有很多問題可能是尺寸問題。舉一個簡單的例子，一個車門、一個車身，車門和車身要裝起來，裝起來之后其實整個車門和車身之間是有空隙的，這個空隙嚴重影響了幾個東西，第一個是異響，第二個漏雨。這是個很大的質量問題，但是車身檢測的是A設備，但車門卻來自于別的供應商，而且給車門做檢測的與給A設備做檢測的，并不是同一個設備。但是兩組數據完全不一樣，你怎么去分析？

所以，基于這兩個例子，也可以知道虛擬匹配有多大的意義。但虛擬匹配的前提是數據一體化，只有數據一體化之后，才能做有效的數據分析。

4

拉近1%的距離

在這個時代，大數據的重要特征是什么？是價值。而把這些數據的價值擴大，也是拉近與1%的小目標的關鍵。

但是工業(yè)大數據有一個特征是低密度的價值，也就是說它的數據量很大，但是有價值的數據卻是很小的一部分，怎樣找出這些有價值的數據，其實是非常重要的一步。

這里有一個汽車里經常應用的所謂的相關性分析。在汽車裝配的過程中，其實A零件裝在B零件上，當然，這兩個都會做數據檢測，A零件有偏移會導致B零件偏移。但是檢測的結果都是以B零件為結果，你會發(fā)現B零件偏移了，但根據B零件的數據去調整，并不能修復好裝配過程當中的問題。只有調整A零件，才能解決問題，也就是說它會存在相關性。

通過這個例子，我想說的是，數據量很大，但關鍵是如何找到有效信息，關聯信息，才能把信息的價值最大化。

在積夢這里，我覺得數據是可以在以下幾個方面發(fā)揮很大的作用的。

1.最終良率預測

當然，預測良率還是以統計概率為主，在完成統計概率以及零配件的測量之后，根據概率的分布，我們計算出最后使用該零件產品的合格率。在最終的呈現結果上，由于人不可能一直實時盯著，所以，我們提供了很多的可視化分析。

2.產品的缺陷分析

目前，制造企業(yè)里面應用最多的可能是統計分析。但我們利用統計分析再結合傅立葉計算的一些算法，做產品缺陷的聚攏分析?；诮y計概率，當最終的產品有缺陷時，根據缺陷類型，給出每個組件可能導致該缺陷的概率，幫助工程師準確推斷出引起缺陷的原因。

3.測量數據實時報警

在眾多大數據下怎樣做到數據的實時報警預警，這是至關重要的，特別是對于制造企業(yè)來說，報警預警應該說是最為重要的東西。因為不能等到我們事后再發(fā)現這個問題時，再去處理這個事件。利用數據后臺的聚算、消息隊列，分布式的檢測，我們實現了大數據的實時報警預警。當然還有很多結合業(yè)務的東西，基于HPC的報警，基于單點的報警，基于概率的報警。

4.呈現智能報告

最后，我們還做了一個類似BI的工具，因為在工廠里面，很多時候我們還要做數據分析、匯報、質量分析，基于這個東西，我們會做一個類似工業(yè)的PPT工具。

我剛才講到因為所有的數據都聚到一起了，那你去做數據分析的時候，這個APP所有組件都已經做好，那只要設計一下數據源，就可以立馬做出你所需要的所有數據的報表。當然我們還會把這些東西做一些歷史快照，導成PDF。

分享這么多，想要表達的是，中國的傳統企業(yè)要向智能制造轉型，要做的還有很多。哪怕是1%的進步，也是一個路漫漫其修遠兮的過程。也希望今天的分享能夠給大家?guī)硪欢ǖ乃伎己蛶椭?/p>

文章 ∣ 單一

責編 ∣ 美麗

攝影 ∣ 黃碩

手繪 ∣ 精衛(wèi)

?本文版權歸“鋅財經”所有

部分圖片來自網絡

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。