车间里的创新自适应数字化工厂三部曲（中）

2017-11-06 08:49

人机为什么需要结合？因为机器非常擅长执行基于参数化配置的重复性任务，但机器不擅长自动匹配到特定环境。而人类，恰好非常擅长匹配到特定环境。

为了提高机器的适应性，我们必须采用一种机器将能够匹配某些特定环境的方式将人类模型化。自动学习（自适应）工厂将利用机器学习，结合来自操作者与工程师的反馈，以及机器间的信息。目的是在特定环境中自动预测与预知行为。

因此，需要在每台机器上有操作者或工程师来进行调查研究，但是利用机器学习，结合用户反馈（操作者或工程师）能够通过指示首先调查研究哪台机器来优化这个过程。基于参数、各种图表与先前的工程师/操作者输入数据能够预测失控属于哪个模型。

能够获取新知识的工程师或操作者将反过来提供反馈，这样机器学习算法将再次评估模型来使将来做出更精确的预测。

6.生产车间体现的制造业未来

通过基于数据的“最优下一步行动”预测提升工艺流程。

如果我们预想制造业的将来，我们能容易地设想一个中心化的云平台，该平台收集机器数据如统计过程控制信息（统计模型能够突出在工艺过程或机器中什么时候会有潜在的问题）以及预测调查研究哪个机器处于失控过程。

这样为将来提供了预测缺陷与残次产品的“最优下一步行动”。不必依靠大量的操作者或工程师就可以对机器全生命周期的价值进行优化。

将最优下一步行动预测(约定俗成)与那些不仅来自于生产车间，而且来自生产产品(外部)的信息结合可能有以下优势：

△ 从设备获取数据，这些数据可能在其有用的生命结束时使用。

△ 使外部数据输入融入系统组件功能相关的算法中。

△ 创建一个新的外部反馈系统来确定潜在的无法预见的失控过程。

最终，使用最优下一步的行动预测创建一个制定性的过程，该过程要比仅仅依赖于工程师或操作者的反馈信息要有效率得多。

想象一下，将这些信息供给了修理机器的机器人或自修复机器。出于可持续性的原因，提供在生产车间里组件寿命信息的传感器在产品中提供传感器的返回信息。

进一步扩展这一愿景，在使用外部数据来预防维护与可持续性的动机下，由于生产车间变得更有效率，所以很容易预见供应链也会变得高效。在这个超信息的环境中，供应链可以成为一个“按需应变”的模型——一个类似于商品市场的供应链市场。

或者再想象一下，当生产车间预测资源需求，以最快的速度识别出最佳投标人时，它会出价。出价投标是基于生产、机器寿命、产品寿命、部件寿命和可持续性要求。整个生产车间正同步与准自动的进行工作。

这是制造业的未来，现在已经触手可及。

　　作者

　　黄昌夏：西门子数字化工厂战略与数字化高级顾问，南山工业书院研究组成员，在数字化工厂、工业互联网、企业技术战略、智能制造市场发展与生态演进等领域具有独到的见解，业界人称黄小邪。

　　朱伟佳：专注于石油化工行业可视化解决方案的数字化从业新人。

　　编审

　　林雪萍：南山工业书院发起人，北京联讯动力咨询公司。

<上一页 1 2 3 4

声明： 本文由入驻维科号的作者撰写，观点仅代表作者本人，不代表OFweek立场。如有侵权或其他问题，请联系举报。

共0条评论，0人参与

登录登录即可访问所有OFweek服务

请输入评论内容...

请输入评论/评论长度6~500个字

暂无评论

图片新闻

行业报告