智能制造:从工业中来,到工业中去

2022-02-23 08:56:06

来源:公众号甲子光年

作为生产量和出口量均位列世界第一的中国制鞋业,在过去几年遭遇了一场史无前例的阵痛。

这种阵痛,在我国制造业两大中心之一的珠三角尤为明显。亚洲鞋业协会是珠三角地区一家颇有影响力的行业协会。他们曾统计过一个数据:2018年,广州五六千家制鞋厂中超过1000家倒闭了。这些关闭的鞋企以中小企业为主,整体生产能力占广东省制鞋业的15%左右,涉及员工15-20万人。

更糟心的是,大量规模较大的鞋企也开始纷纷外迁到越南、印尼等东南亚国家。这直接影响了中国鞋类的出口额。有机构统计,从2015到2020年的6年里,中国仅制鞋业的出口额比最高峰时累计少了4300亿元。

引发中国制鞋业阵痛的一个核心原因是——制鞋业的成本在不断上升。由于劳动力工资上涨、土地成本增加、原材料价格抬升,使得国内制鞋业利润越发微薄,加之市场需求越来越多样复杂,中小企业难以应对多变的需求,进而走向亏损、甚至倒闭。

制鞋业的阵痛,背后其实是整个中国制造业的阵痛。

实际上,早在20年前中国制造业就已经成规模地进入自动化阶段,但仅靠自动化没法应对多变的市场需求并快速针对生产做出调整。

自2016年后,智能化逐渐代替自动化成为一股势不可挡的潮流。然而经过数年发展,大部分智能制造依旧不智能,是因为企业没有用工业的思维来进行智能化改造。类比企业数字化领域,将文件从纸质版变为电子版并不是数字化,真正的数字化是在此基础上改变商业模式,让整个业务流程都用数字的形式进行。

同理,如果智能制造要实现真正的智能,就不能走之前的路,而是要深入业务层面,进行彻底的变革。

一些敏锐的民营制造业企业主已经意识到,过去粗放式、高成本的制造业已经行不通了,必须要改变。他们投入重金,买下更先进的智能化设备,试图用“机器换人”的方式降低成本,重获新生。

市场和时代的变化,倒逼整个制造业需要一场更深层次的转型和变革,这也是当下制造业数字化、智能化转型的核心命题。

本文,“甲子光年”通过采访升维智造CEO孙吉涛、雪浪云CEO王峰等工业互联网创业者以及制造业从业者、行业投资人,以制鞋业的数字化、智能化改造为切口,透视离散型制造业数字化转型之痛的深层次原因。

1

中国制造业之痛

2020年初,当突然爆发的疫情打乱人们的正常生活、生产秩序时,少有人想到,接下来几年整个中国的制造业也将被这只“黑天鹅”彻底改变。

中国的制造业,已经到了不得不进行数字化、智能化转型升级的时候了。

于是,在疫情刚开始时,一家位于珠三角、有30余年制鞋历史的企业开始腾出手来,启动对整个公司包括生产和管理的数字化转型。

数字化听上去简单,但实际上由于制造业类型繁多,改造起来困难颇多。制造业分为流程型制造和离散型制造。其中鞋类制造是典型的离散型制造,即产品的生产过程通常被分解成很多加工任务来完成,每项任务仅要求企业的一小部分能力和资源。以制鞋为例,其一般分为裁断(材料剪裁)、针车(布料拼接)和成型(打胶固定)三大类流程,每个流程内又分为多个不同的步骤和细分环节。三大流程的生产同步进行,又环环相扣。

过去的制造业数字化中,流程型制造在改造时相对更容易,而离散型制造步骤和环节较多,在数字化改造时相对复杂。因此当上述有30余年历史的制鞋企业决定开启数字化转型时,公司董事长首先需要找到一名同时拥有互联网经历和离散型制造业经验的科技服务商。升维智造便映入其眼帘。

升维智造创始人兼CEO孙吉涛拥有GE的工业4.0平台设计、阿里巴巴服务中台搭建经验,且曾帮助多家传统企业进行数字化转型,因此他兼具丰富的制造业产业经验和互联网数字化能力。

于是两人一拍即合。2020年初,孙吉涛来到这家制鞋企业开始深度调研。尽管自己曾接触过许多制造业企业,但刚踏进这家制鞋企业,眼前的一幕还是让孙吉涛十分惊讶——一家看似普通的民营制造企业竟已有非常高的自动化水平:

上百名工人正有条不紊地操作着各种精密机械设备——在裁断环节,工人操作机器裁切物料,动作精准,时间精确到秒;在皮料切割流程中,具备图像识别的设备可以预先识别料子成色,再判断材料被输送到哪道工序使用;在打胶这个过去非常考验师傅手艺的环节,工人也已被机械臂取代,甚至检查机械臂涂胶的位置是否合适、胶面是否均匀等工作也全部靠机器完成……

不过,经过一段时间的考察后,孙吉涛还是发现了问题:虽然工厂的自动化设施已比较完备,但这些设备所产生的数据并没有被完整归档、整理、分析并反馈给产线,这导致生产车间内的机器仍然按传统方式靠人为干预运行——不同工序上的配料生产速度经常出现偏差,以至于下一个环节时常要停工等上一个环节的来料,整体产能大打折扣。孙吉涛简单测算,这种经常性的“停工待料”问题,已对这家年营收两三百亿的企业带来10%的产能损耗。也即,如果解决这一问题,该工厂每年的产值将增加二三十亿。

这是个不得了的数字了,要知道近几年整个中国制造业的平均利润已经微薄到只有2.59%,如果能把产能提升10%、成本进一步降低,无疑会带来更好的利润水平。

过去解决这一问题的办法,一是靠人来调度。但人力调度是有滞后性的,通常只能减少损失,不能避免损失。比如,当有经验的师傅预测到材料不匹配问题,有时要提前两三个月备料,给库存、供应链带来很大压力。

二是会尝试用数字化系统来解决。珠三角这家制鞋厂在2018年就开始从市场找数字化厂商,并对产线数字化进行投入改造。但接触后他们发现,市面上的工业软件大多是设备厂商根据自家设备所开发出来的,其中的数据在数量、精度、类型、呈现方式等方面都不相同。这导致不同设备需要匹配不同的软件系统,而且各个系统之间的打通也存在壁垒。

此外,由于工业领域每个细分赛道的行业特性天差地别,业内目前也没有一家软件公司能开发出一套能够整合所有信息的软件。

于是,这个问题又被踢回客户手中——要么是自己对接多种软件并搭建数据接口,要么是服务商之间“组团服务”,前置地完成数据统一。因此,该制鞋厂的数字化进程被搁浅。

某机械设计院数字化负责人对“甲子光年”分享了一段类似的感受。这家设计院主要为工厂做规划设计,近年来随着客户需要的升级,他们输出的成果也从平面图纸变成数字图像,从2D图像变成三维数字孪生。而针对其中的绘图、造价、渲染等步骤,他们无法找到一款能够覆盖全流程的设计软件,只能把十多种国内外不同的软件凑在一起完成设计。

于是,一方面他们需要自己来开发软件中数据流转的接口,另一方面他们也承担起了这些供应商“产品经理”的角色,为产品提出进一步的优化建议。

但“数据化”不等于数字化、智能化,即使完成工业数据的收集、清洗和汇总,也只是达到了数据在线的程度,还不能实现“数字化”的效果——用数据观察生产、指导生产。因为还有一项更难的事情——恰当地使用数据。

2

数字化,不只是获取数据

什么是“恰当地使用数据”呢?就是用工业的思维来看待数据的关系,选择最恰当的数据来使用。

面对所收集到的几百种数据、上万种建模的组合方式,选择哪些数据来进行训练,变得尤为关键。通常,在一个数字化的项目上,服务商需要花费几个月到一年的时间来做咨询、了解工业生产的真实形态,并经过上万次调试,得到能够服务于该工厂的数字化模型。

雪浪云CEO王峰告诉“甲子光年”,供应商帮助客户收集数据和处理数据,其实只是在做外包,没有思想和灵魂,“思想和灵魂需要在做的过程中逐渐领悟到,我们收集、处理和整合数据的方式,应该是用制造业的方式,而不能用互联网的方式。”

互联网的逻辑,是观察数据之间的关系;而工业的方式,则要首先理解生产产线、上下游情况、原料、人员等各种生产要素和它们之间的关系,这被行业称为know-how。从英文翻译简单理解就是“知道它是怎么产生的”。

想要获得某个领域的know-how,不仅需要持续地学习该领域知识,更重要的是有相关的实践经验。

有了know-how,才能针对该行业不同环节、不同实体要素对应地使用数据。换句话说,工业生产中数据之间的联系影射的是实体要素之间的联系,而不是简单的数据关联。它们之间互相关联影响、复杂地交织在一起。稍有错配,就会带来严重的错误判断。

在雪浪云为一家航天飞行器制造公司打造数字化产线的过程中,就面临着如何使用工业思维这一问题。

该飞行公司生产的航天飞行器一般包含百万个零部件,仅存储和汇总这些零部件所产生的数据量,就需要上百种不同的系统协同运作。因为每个模块、类型所产生的数据类型都不相同,需要各个产品的协同。当其中有一个螺丝钉出现了问题,比如缺失或大小不匹配,则可以从多个航天飞行器、百万个零部件中,快速溯源与这个零部件相关的所有模块。“不多一个,也不少一个。”

如果是过往使用非数字化系统或人力,则需要在接下来的生产中才会慢慢将相关的问题一个个修正;而如果是使用消费互联网领域的模式,则无法关注到与这个零件前后流程上所受到的影响。

当然,不仅仅是迈向数字化需要行业know-how,迈向智能化更需要行业know-how。

让我们再次回到前述制鞋厂面对的困境:不同工序上的生产节奏不协调,有时候效率较高的产线要停下来等待效率较低的产线,影响整体效率;由于诸如原料短缺、设备故障等各种突发问题,导致停工待料造成巨大损失;许多劳动密集型企业无法将生产模型产品化,从而规模化扩大量产。

面对如上这些问题,通过数字化产线布局和“溯源”肯定无法解决。因为问题的根源不是原材料,而是生产。需要在数字化的基础上,依靠智能化的计算、根据实际情况实时给出生产的最优解。

孙吉涛告诉“甲子光年”,针对“生产节奏不协调”的问题,过去往往是通过排班人员的经验来解决的。一般每天会根据前一天的生产情况,将新一天需要生产的内容打印出来分发下去,每位工人根据这样的排班情况来生产。实际运行时,即使效率较高环节的工人优先完成任务,一般也不会被调配去另一个环节上工作。因为,排班调配人员也不能实时掌握工人工作进度。

在以年月为单位的维度上,尽管这种方式不会造成太大的产能浪费,但显然也无法兼顾每个生产时间点上的效率。因为人脑的计算量有限,无法计算到以小时为单位的人力资源的使用与分配。

在孙吉涛拜访这家工厂之前,曾有供应商为他们提供了一套基于触控屏分配计件任务的工具。但事实上,新增的这套设备并不符合员工过往工作流程和工作习惯,难以实施。对于有一定工作经验的工人来说,生产的过程都是固定的、流程化的。要在每生产完一个产品都增加一个打卡步骤,需要改变工人的习惯,是相当困难的。更进一步,如果安装这些打卡设备,需要解决一系列问题,针对不同流程的工人,哪些产线优先安装、在哪个环节安装、什么样的操作页面更符合其使用习惯……这都需要供应商对客户生产全流程和管理有清晰的认知。

孙吉涛对“甲子光年”苦笑道,“如果没到工厂去走过、不知道产线长什么样,设计出来的东西,工人可能压根儿就不能用”。

3

从数字化到智能化

企业生产管理的发展一般会经历四个步骤,初始混沌阶段、可复制阶段(有SOP)、可量化阶段(数字化)和可管理阶段(智能化)。

从自动化、数字化再迈向智能化,解决的问题本质上是面向整个生产全流程的“管理”问题。

在调研了上述制鞋企业后,孙吉涛发现,其已经拥有了较好的SOP,还需要通过数据的筛选进入可量化阶段;基于此再结合行业know-how和AI技术,将原料、设备、人员、步骤等要素网状地结合起来,甚至结合上下游的数据情况指导决策,这才进入智能化阶段。

具体来说,网状结合是相对于过往“链式”流程提出的,旨在要求企业关注各个生产环节的所有元素之间的关系,以预判风险、优化效率。这最早是由GE的Predix平台所提出的,希望在所有设备数据在线的情况下,自动检测设备的风险,并告知每个生产环节的人如何通过维修和重新购置材料,以避免可能发生的机器停运、产品不佳等损失。

某知名汽车生产厂家年产汽车130万台,为了确保物料充足、产线不停,一般物料库里会存有未来14天的生产物料,库存价值超过10亿,存储成本也相当大。雪浪云通过建立整个产线生产流程的模型,用算法来比对生产预期、当前生产效率、设备故障可能性等信息,从而指导采购人员优化库存。根据测算,经过优化后该物料库能节省7天的物料储备。

此外,C端消费场景的多样化,也倒逼工业制造向智能化变革。国潮热、定制化及C2M模式的出现,要求工厂在过往追求高生产量、低平均成本的常态下做出改变,以适应“小单快返”“柔性制造”的需求。

在离散型制造领域,以从事服装定制的酷特云蓝为例,其主打“一人一版,七天成衣”,工厂在数字管理系统的计算下,自动吊挂机会将不同款式的面料送至不同工位,各步骤接力完成定制。在流程制造领域,二元工业则是通过新建厂房更新设备,来适应不同体量的订单;并通过模块化组装,将原先通常需要2-3天的换产时间,节省1-2小时。

这些案例意味着,智能化已经在某些场景的制造业中发挥效果。

4

警惕“拿着锤子找钉子”

不过,令企业担忧的是,“有效果”的智能制造实施成本是多大?

一些客户方以为,技术的难度会带来成本的剧增。这固然是一个重要的原因,但更为重要的是,由于工业领域的复杂性,如果不能够深入理解客户的生产机理,那么即使给出最为精深和酷炫的改造方案,也不能完全达到预期的效果,况且这一路径的结果必然导致客户成本的增加。

近年来被广泛提及的“数字孪生”技术就是一个很好的例子。数字孪生是指为现实世界做一个虚拟的模型,由此可以对现实世界做预测和模拟,从而降低实际的物理成本。于是,在非常复杂、危险、高成本的生产环境中,更适合做数字孪生。

比如,在一家民营医院中,电梯的管理非常重要,不仅需要知道电梯在哪里,在紧急救援的情况下更需要留有一键直达的电梯随时待命。通过数字孪生技术,既可以模拟特定突发场景下的执行机制,以便模型更好地适应实际场景;此外,还可以解决宏观统计上的问题。

同样,在大宗固废处理厂中,运输车往往需要运输大量固体废物到厂区门口进行称重和检查。对于工厂来说,需要通过模型来了解运输压力、最大负荷、最优运输方式等。这种情况下光靠数据很难说清复杂环境对每个环节的具体影响,低容错率又让精确度变得尤为重要。通过数字孪生则可以具体、可视化地表达出来。

那么对于一些自动化和数字化水平更低的生产制造业来说,如何通过技术,最大性价比地优化产线呢?答案显而易见,但在实践中并不容易做到,那就是“把技术和钱用在最需要的地方”。

在老厂房的优化改造里,如果从零开始做数字孪生,则需要补齐自动化所需的设备、数字化所需的数据采集、清洗、存储等工具,价格高昂。但事实上,这样的改造既没有效率,投入产出比也不高。更优的方式是针对某个具体问题,来做数字孪生。比如厂内目前的痛点在于交通方面,那么在数字建模的时候只需要考虑物流、人流等问题,搭建道路情况的模型来指导具体的优化方案,而厂房内的具体情况则不需要建模。

庞大而完整的模型虽然好看,但成本巨大。如果不了解具体的生产情况、不深入到客户的运维管理层面、不是针对具体的企业痛点来使用技术,则像是“拿着锤子找钉子”,即使用数字孪生搭建出来整个生产模型,也很难产生实际效果。

在具体的实践中,这种“在技术和成本中寻找平衡”也体现在一个工业领域永恒的问题里:到底是要标准化,还是定制化?

由于工业领域千差万别,很难有服务商做出标准化的产品,目前的项目都以价格高昂的定制化为主。以工厂最常见的机械臂为例,完成不同工作的机械臂在物理形态和配套软件上都各不相同。

但未来是否或者如何有标准化的可能呢?昆仑数据的陆薇曾对“甲子光年”表示,“工业数字化一定会经历先慢后快的过程”,她选择“先山峰后高原”的模式,在具体的领域里关注头部企业,再关注其他的企业。

孙吉涛也认同优先服务头部客户,并把这些经验抽象为产品的思路。他告诉“甲子光年”,“升维智造也是通过这些头部案例,积累出现在这些较深的行业know-how”。因为只有在头部客户,才能看到最为复杂的环境下、最大规模的生产中需面对的所有困难,也才能看到工业4.0所能达到的最终形态。

在理解了这些客户的选择和思维模式,与他们一起不断在技术和成本之间做出平衡和选择,才有可能与行业内其他人站在一起,为他们做出一个更普适的产品。

关键词: 智能制造 人工智能