請關注微信公眾號“製造易easymes”
數字化轉型、數據中臺……近期這樣的熱詞頻出，但對於製造業，究竟如何落地？
記得幾年前，一位製造業信息化專家和我聊到大數據這一話題時，就說過：缺少高質量的數據源，數據分析與展示沒有任何價值。的確，當你的ERP庫存數據還不準確，現場在製品數據仍然靠手工盤點，生產計劃只能排到月，工時數據還是一筆糊塗賬的時候……談數字化運營真的意義不大。
製造易認為，能夠將具體的設計、工藝、生產製造、運營管理、設備維護等業務場景高質量落地的信息化系統（業務中臺）是製造業數字化管理的核心。在業務系統應用並見效的過程中，將這些業務數據提取出來，進行有價值的分析、挖掘，並再次進行業務應用，這二者的結合才是製造業完整的數字化管理。可以說，業務系統是基礎，數據化應用是升級。沒有強壯的業務系統，數字化管理很難走得通。
從HCPS看製造業數字化管理
賙濟先生在2017年提出了智能製造HCPS的理論框架，其中最大的亮點在於把人這一製造環節中的關鍵要素，補充到物理系統與信息系統中。不約而同，精益生產理論始終倡導以人為本，尊重人、培育人、塑造人、充分發揮人的能力。製造易也始終強調人是能否實現智能製造的關鍵動因！企業購置了多少先進設備，部署了怎樣的網絡設施，並不能決定智能製造必然成功。先進的管理思想，能夠激發員工的工作活力與責任意識的體制機制，以及科學有效的落地方法才是關鍵。
我們認為，製造業數字化管理，不能停留在工業互聯網、大數據平臺的技術思維，而是要回歸製造業“人機料法環“的管理原點。用內部數據加之外部的用戶、供應鏈等相關信息，對其進行發現、感知、分析、決策。隨著智能製造技術的深入應用，可實現從人對數據的管理，向人機結合、智能感知、智能分析、智能決策等知識發現技術，提高決策的效率與質量。
圖片來源：e-work
製造業數字化管理抓什麼？因企業不同的業務階段、信息化基礎、管理對象，從數據應用的角度可以將其應用水平劃分為若干層級，呈現不同的關注重點。
業餘段位
這個業餘二字並無貶意。數字化管理的基礎是信息化。現實中，很多企業的信息化系統因各種原因尚未健全，業務運行與數據分析停留在以紙質單據傳遞、手工方式統計為主，統計的內容龐雜，參與人員眾多，管理決策主要靠經驗。業餘段位的企業在數據管理上的典型表現是：
§ 沒有業務系統或系統不健全，數據基本靠人工整理、彙總
§ 領導著急要看什麼表格，相關部門加班加點統計，下一次再要看，仍然需要臨時統計
§ 領導對某幾個數字有異議，報告人也拿不準，說不清，只能回去再核實
§ 數據的不準確、不實時、不繫統，領導也不敢依賴其決策，只能拿來作為參照
經營企業如同戰場上一場又一場戰役，對於信息掌握的不及時、不精準，將嚴重影響決策。業餘段位的企業，對管理者的最大的難點就是信息獲取滯後、數據質量採信度不高。
基礎段位
基礎段位的數據管理有兩個顯著標志：一是初步應用信息化系統，實現了數據統計的部分自動化。目前多數企業擁有財務系統，報表可由系統提供；庫房管理實現電子化，物料數據可隨時查詢；第二個標誌，應用領域仍有限，集中在ERP中的財務、供應鏈管理中一些結果性指標數據，如財務分析、庫存數據、銷售數據等，生產類的過程控制信息掌握不足。以財務數據為例，分析指標很多，但多為事後諸葛，如果不與業務數據進行比對、關聯，很難找到背後真正的原因。
基礎段位的企業，由於其所掌握的數據沒有觸碰到現場，對於生產管理者來說，可供指導生產的信息數量明顯不夠。
進階段位
進階段位的標誌是，企業開始嘗試應用生產管理系統，生產現場數據進入到管理者的電腦中。管理指標的顆粒度逐步細化，結果性指標向過程型指標延伸，現場狀態，計劃執行情況、在製品狀態通過信息化工具可以實時瞭解。
這個階段的主要服務對象延伸到生產管理崗位，其目的是能夠看清現場狀態，有效提高生產產出效能。關注的數據與指標類別主要包括以下：
計劃數據：各類型生產計劃執行狀態，完工、超期、停滯、異常等信息
在制數據：批次、投料數量、加工數量、廢品數、在制數
質量數據：廢品率，單位、個人統計，返修率、廢品原因分析
盈虧分析：成本分析是盈虧分析的基礎，難點在於成本項目的細化，以及各種費用如何分攤到具體產品中，多數企業目前這方面還是依靠手工方式操作。
從實踐中看，多數製造業企業到這個階段就止步了，或者在這個階段很多數據採集與處理方式又回到手工統計的業餘級別，比如質量信息統計、成本核算等，至於更高級別的數字化管理則難以企及。原因在於缺乏有力的信息化工具做支撐。
中級段位
中級段位，有兩個特徵。首先，運營數據實現了“條線管理”，即管理者看到的是具有關聯關係的完整數據。比如，查詢一個生產訂單，可以看到該訂單的所有相關信息：原材料、投產時間、工序進度、人員設備、質量情況、入庫信息等；其次，是在局部點上，出現了更為精細化、智能化的應用，數據可以指導、預警，甚至輔助決策。由於數字化管理的介入，大幅提高了工作效率與質量。以下是目前智能製造中常見的數字化管理應用場景。
□ 訂單跟蹤
有的朋友會說，這有何難？物流行業是可以做到訂單全程跟蹤的。但在加工連續性差、工藝路線漫長的離散製造行業，能做到的企業真的不多。因此當面對客戶、銷售人員的催單電話時，生產人員難以快速回答，原因在於缺少支撐生產現場信息實時記錄的業務系統。
有效的信息化管理可以實現訂單的實時跟蹤。從接到一個客戶訂單開始，管理者可以全程進行監控，誰的訂單，何時開工、已經完成哪些工序，預計何時完工入庫，中間的工藝設計情況有無調整，有無報廢、用戶何時能收到貨、質量全程追溯等等。
□ 數字化工藝
數字化工藝是解決設計工藝與製造環節的數據標準化與唯一性管理的手段。其目的是保證全生命週期管理中設計與製造過程中，工藝數據的規範化、準確性與可複用性，提高信息傳遞效率，保證製造數據質量。其工作方式可參見之前《結構化工藝，您的企業做到了嗎》一文。
□ 設備數據採集：
這並不是一個新技術，PLC、MDC、DNC早已出現幾十年了，但這幾年卻被炒得火熱，很多人以為這就是智能製造。對於多品種小批量、單機作業的離散製造行業，設備數據採集價值極為有限。一是工廠機床集中定置，可由專人使用專用設備進行定期點檢，集中上傳數據分析處理；二是越好的機床，故障率越低，如果頻繁出現問題，這個設備也不會有市場；最關鍵的原因是部署成本過高，對於低利潤率的製造企業來講，投入產出極不划算。
機床設備數據採集或生產線的自動化控制僅是生產管理“人機料法環”中的一個點，採集上來的數據如果不與計劃信息等管理應用結合，就是個設備預警工具。其在實踐中更適合對停線損失極為敏感的大批量、自動化、流水線等生產模式的企業。
□ 視覺識別
視覺檢測就是用機器代替人眼來做測量和判斷。在製造業中應用於不適合人工作業的危險工作環境或人工視覺難以滿足要求的場合。同時在大批量工業生產過程中，用機器視覺檢測方法可以大大提高生產效率和生產的自動化程度。目前，在半導體、電子的質量檢測上應用比較廣泛，但同樣其只是針對某一局部問題，對整體生產管理的貢獻有限。
高級段位
高級段位的特徵是企業從局部的信息化應用向核心業務領域（如設計研發、生產計劃）深入，整體管理呈現智能化、數字化。其標誌是，企業不僅有智能裝備還有智能化管理。機器設備、信息系統產生的數據與企業管理者的知識經驗形成融合，實現了知識管理下的人機互動、人機協同，能夠提供更為科學、高效、敏捷的決策支持，且持續迭代。
以下幾個方面可能會是高階數字化管理追求的目標與方向
□ 數字化製造，仿真技術
仿真技術，是以計算機和專用物理設備為工具，利用系統模型對實際的或設想的系統進行動態試驗的一門綜合性技術。目前應用較為成熟的是設計仿真（數字孿生）、製造過程仿真。
如，在工業產品實物化前，利用仿真技術可以對設計思想、產品潛在性能、使用效能和適應性等進行全方位評估，從而減少研製風險，縮短研製週期，降低研製成本。在設計產品方案之初，首先建立產品的數字化樣機（而非物理樣機），然後在計算機上，運用不同的仿真分析軟件，模擬產品的性能屬性，最大限度縮短產品開發時間，優化產品性能，減少物理樣機的問題，從而提高設計的效率。
□ 製造協同
製造協同，廣義上是指產業鏈上下游企業間的供應鏈、生產、設計等協同協作；狹義上則是指企業內部各個部門崗位之間未完成某項具體工作的高效協作。實踐中，很多企業的內部協同尚存在極大問題。即使應用了ERP、MES、PDM等系統之後也是如此，其也不是協同OA或報表工具所能解決的問題。原因在於，這些信息化系統功能各有侷限，各自為戰，數據難以整合應用。企業多數崗位的實際工作仍然在線下通過Excel、Word或紙質文本完成，信息不共享、不透明，不能夠結構化傳遞、沉澱，線上與線下工作嚴重脫節。
針對這一現實情況，製造易在產品的設計思想上，體現了職責、流程、績效的拉動式管理。系統可以把各個崗位的工作均置於同一平臺上，並根據權限進行信息共享、查詢，通過待辦機制拉動任務完成，實現工作過程的精細化管控，保證生產協作的高效組織。
□ 計劃仿真與調度管理
計劃仿真也是數字化製造的核心應用場景之一。其並不等同於目前大家所看到的APS（高級計劃排程）。因為APS本身就是個NP問題，一定沒有最優解。要想讓排程結果最大程度可用，需要動態調度功能相配合，以規避傳統APS應用中出現的計劃與執行兩層皮的情況。
計劃仿真與調度管理強調的是資源的實時化可用性，具有反饋機制的計劃可執行性，現場信息的敏捷交互性，加之人（計劃員、調度員）豐富的實戰經驗與計算機算法之間的互補性。
為此，系統要有一個快速、準確的信息傳遞機制能夠真實反映現場狀態；有一個可以快速試算、靈活調整、準確表現調度狀態的互動式看板；同時，還可以通過人機協同、人機互動將生產指令貫徹、執行、回饋、考核。這種人機互動、人機協作、智能分析與智能化調度指揮應該是未來生產計劃管理的工作常態。
超一流段位
到這個階段好像一定要說說機器學習與AI了。但說實話，這個段位AlphaGo級別的選手，在多品種小批量的離散製造行業仍未見到。即使那些頻繁上鏡的黑燈工廠，也都是集中在總裝等後端環節，屬於數字化車間級別的成果。
如果是生產效果非常依賴於設置參數，如化工等流程生產，則機器學習可以發揮明顯作用，而機加工行業的工藝優化與流程型行業多有不同，前者的關鍵參數不是多個特徵的羅列，要牽涉到複雜的尺寸鏈處理。此外，這個行業，在相當長一段時間內，還難以實現機器換人，即使替代了部分一線人員，還需要有大量的設計、工藝、計劃、管理人員存在，個人認為，如何用信息技術實現人機協作才是這個行業未來智能化管理的發力點。
所以，姑且將其稱之為願景。但相信未來隨著工業大數據的真正完備，一定會衍生出更多目前我們尚未預見的深入的應用。
總結
需要說明的是，上述階段的劃分並無一定之規與先後必然。具體應用場景，也僅是舉例，應視企業管理水平與發展階段靈活取捨。再有，行業不同，數字化管理的重心也不一樣。如整車製造企業，很早就實現了產業鏈上下游的協同製造，生產效率得以大幅提升。像徐工、海爾在產品裝配環節也有了自己的黑燈工廠。但他們的經驗對於航空軍工等多品種小批量，無法自動化、流水線生產的高離散型行業卻很難適用。後者更關注設計階段、工藝階段，計劃與執行階段的數字化、智能化與製造過程協同。因此，數字化管理一定要因行業不同，一企一策，進行個性化設計與打造。
數字化管理的重點是“管理”，數字化只是手段與展現方式。其一定是要以能否有效提升企業的管理水平為檢驗標準。任正非先生說“我們不要炫耀鋤頭，而忘記了鋤地”。遺憾的是，現實中，很多企業連一把好鋤頭都沒有。這個鋤頭，就是能解決製造問題的信息化系統。這個系統不是工業互聯網、不是設備數據採集、更不是報表工具，應當是一個能夠支撐業務運行的強壯的生產管理系統。
在這個系統的選擇上，站在企業智能化管理的高度，其也不會停留在ERP、MES、PDM等孤島式的傳統軟件。更應該是一個開放、柔性的平臺（前段時間西門子高調宣佈Xcelerator產品組合與Mendix開發平臺也印證了這一趨勢）。在這個平臺上，可以敏捷、快速的搭建流程應用，能夠將組織內多數崗位有效協同拉動，能夠對各類生產資源進行全面掌控，更能夠進行數字化建模，智能化輔助決策。其將與線下工作相呼應，成為強大、智能的數字化工作平臺。
