【智能制造】智能制造的AI之路（值得收藏）
立即加星标，第一时间看好文
智能制造系统之殇：
企业信息化建设三驾马车：ERP、PDM与MES，ERP管理的是企业的资源，比如人员、设备折旧等，PDM管理的是产品的设计过程，比如产品图纸、工艺等，MES管理的是制造的过程，比如生产计划、生产作业等。ERP是从客户开始，到订单，到主计划，回答的是为什么生产；PDM从产品需求开始到工艺编写，回答的是怎么生产，MES是从计划到具体加工，回答的是到底是怎么干的。
综合来看，ERP、MES与PDM都属于管理系统，MES（ManufacturingExecution System）全称是制造执行系统，主要面向的对象是管理层：
战略层：战略层如企业总经理、型号总师等，主要获知生产的趋势性数据，如生产问题发生率、任务完成率、额定工时统计等等，都属于分析统计类数据，简称为高阶数据；
管理层：管理层如计划员、调度员等，主要获知生产的实时数据，如生产进度、现场问题等，属于实时性数据，对数据的实时性要求较高；
如现场问题发起之后，管理层希望第一时间获知该信息，所以MES的现场问题模块目前会增加一个需求：当现场工人/班组长发起问题之后，问题信息以软安灯（系统报警）、硬安灯（报警灯）或者短信的形式第一时间告知相关负责人。
执行层：执行层如班组长、现场工人，主要获知的是相对静止的信息，如产品的操作手册、加工工艺或者临时工艺通知等内容。
综上执行层虽然处于数据采集最核心的位置，但对于他们工作KPI（工时/件数）等均没有增益，甚至会影响产量。
虽然MES大部分功能是面向管理层的，主要解决计划员、调度员、厂长的核心痛点，但是MES能不能用起来，或者用的舒适度，主要靠执行层来表现的。
管理层希望看到更多更全面的信息，辅助工厂决策，但是管理层所有的信息都来源于执行层，所有管理层迫切的希望执行层将工厂所有的数据传送到系统当中，然后根据数据模型或者管理模型像漏斗一样筛选出自己需要的数据，如上图所示。
执行层的数据主要来源有：机器采集、手工录入、上游系统传递、硬件集成，但是根据离散型制造业企业性质来分析，执行层数据基本来源于手工录入。所以上线MES之后执行层首先面对的是工作方式的更改，需要学习MES系统操作；接下来是由于管理对数据的需求，造成工人置根本而不顾（生产任务是执行层的根本）去在MES系统当中录入数据。
1.系统培训浪费时间，造成本职工作未按时完成；
2.没有减少工作量，反而因为要录入数据降低了效率；
以上原因最终造成的结果就是执行层很排斥MES系统，影响MES系统的应用效果，这也是提出MES系统是“一把手”工程的根本原因，只是利用行政压力去实施是一种手段，但并不能解决根本问题。
造成了一个智能制造之殇：管理层需要更多更全面的数据，执行层希望更具备效率更简单舒适的工作工具。如何轻松简洁的获取数据，再将数据串联起来，打破信息孤岛，实现业务融合是目前智能制造的重中之重。
智能制造的解救之钥：
由现场工人倒逼式的实施方式是最优的解救方案，但是“自扫门前雪”的形式风格造成了信息化系统需要牵头人，相当于政变领袖，带领的是一种方向，解决的是内部矛盾。
所以信息化建设除非是企业的单点应用（如本来一直需要手抄纸质数据，通过软件自动解读，我们称之为工具型软件）执行层可以提出之外，比如MES、ERP或者PDM等管理型系统，执行层提出的难度相当于让农民少吃饭去支持国防建设是一样的，实属难为人之举。
其实在我国工厂的很多车间里，各个生产设备之间、生产设备和控制器之间，都已经基本实现了连通。再牛B一点的公司里，整个工厂已经通过制造执行系统（MES）连通起来，而业务部门全部通过ERP连通起来了。
但ERP和MES其实并没有连起来！所以当ERP给MES下达生产计划指令后，MES在生产过程中发生了与计划偏差的事项（比如设备坏了，原料不合格等等），MES会根据车间的实际情况进行调整。但是ERP是不知道的！所以它会继续按照原本的计划执行订单，时间久了，财务系统和工厂的实际情况就会出现非常大的偏差。
没连起来的原因：首先是ERP和MES的开发公司通常是两拨人，搞财务的和搞生产的合作，不但互相不懂对方的职业术语，鸡同鸭讲，而且互相看不上对方。另外，业务部门和生产部门在公司里通常是分开运营，各自的领导有各自喜欢的供应商。当然这个问题工厂车间通常会定期把MES的调整项做成一个表，交给业务部门，然后由业务部门手动在ERP中调整过来。
ERP和MES的问题只是工厂内系统断层的一个问题缩影，事实上工厂里还有非常多的其他系统，设计、制造、采购等，这些系统都是一个个信息孤岛，互相都不知道对方在干啥，到哪一步了。只有等到问题出现了，再一个个改。当然，这种事也不是第一天存在的，因为在工业时代，产品的生命周期很长，有些产品一个型号可以卖二三十年，这样一两年的研发上线时间也就显得不那么长了，其余的问题，靠着人工沟通，虽然有错，倒也都相安无事。
但是现在产能过剩问题和互联网时代的发展带来了新的变化。
全球性的产能过剩，导致企业的竞争越来越激烈，以往一款产品卖三十年的做法已经不行了，你跑不快，有的是快的。互联网时代的到来，撼动了工业时代的一大基础，信息不对称。工业时代里，因为生产厂家无法低成本的了解每一个客户的需求，所以往往采用一刀切的方法，就是把需求做多的性能组合到一起，成为一款产品。
比如你想要一双适合你的脚的鞋子，鞋厂是无法知道你的脚多大的，所以只能测量很多人的脚之后，把最集中的尺码分成40号，41号，42号等，但是如果你的脚偏肥或偏瘦，对不起，概不伺候。互联网改变了这个局面，人与人，人与厂商，可以低成本的实现连接，从而让每个人的个性需求被放大，人们越来越喜欢个性化的东西。但是个性化的东西需求量没有那么大，这就需要工业企业能够实现小批量的快速生产。
产能过剩和互联网逼迫着传统工业必须做一件事，一件工业社会最不爱做的事，就是快速、小批量、定制化的生产。
所以这个时候最应该完成的就是把ERP和MES等等信息系统彻底打通，让工厂原本的所有信息孤岛实现连通。这个时候，就从完全的自动化和部分的信息化，进入了完全的自动化和完全的信息化，也就是工业3.0大圆满阶段。本阶段不需要将某个单点功能做到尽善尽美，不需要做到深入，但是已有数据的融合是必须的。因为解决单点数据采集问题应该属于AI 范畴。
智能制造的AI之路：
数据采集：
智能制造之旅在管理系统当中注定是以采集数据为根本的，但采集数据的基础条件是不增加劳动工人的工作量的基础上获取更多的数据。AI的兴起已经为我们提供了诸多借鉴之处，如PDF的解析、人脸识别、噪声获取等等，所以在AI当中对于智能制造帮助最大的是极速获取数据的能力，都是单点的应用，减轻人为录入的工作负担。
所以工业的AI之旅注定达到的目的是：最大限度的获取非隐私数据，极多数的单点工具，让工人只做本职工作的事情，不再因为管理需求而做一些无用功。
AI在数据采集当中能做到的就是尽大可能的提供各种单点工具。
数据处理：
由于AI系列中极大量的获取数据，造成的结果则是需要强大的数据转化、数据存储能力，大数据处理则需要应运而生；下图是大数据处理流程。
工业的AI之旅会同步造成大量的数据，包含有效数据与冗余数据，而且来源于各种软件、各种工业系统、各种控制系统与各种硬件，大数据的转化、集成与储存则会是最大的挑战。
数据应用：
数据分析：
之前普通的报表是少量数据的可视化，展示的往往是二维信息或者三维信息（如时间与车间现场问题发生的频率是二维的），但是到AI阶段，由于大量的多面的数据存在，会要求更多的算法去处理数据，挖掘更多的深层的多维信息（如车间发生问题的天气情况，貌似风马牛不相及的事情，在数据处理之后可能会展示惊人的发现）。有种说法是未来是软件的世界去，其实更多的应该是未来是算法的世界，因为AI辅助采集更多的数据，大数据处理帮助储存数据，但是算法是发现数据规律的铁锹，才是最重要的。