【資料猿導讀】不管是大衆，還是創新創業者，很多人都在關注智能制造行業，但我覺得，整個工業行業依然在向一個“脫實向虛”的方向發展，我們一定要扭轉這個局面。
作者 | 方育柯
官網 | www.datayuan.cn
微信公衆号ID | datayuancn
工業網際網路時代的産業新機遇在哪裡？網際網路時代如何運用産業大資料發展企業？了解數字化世界、拆掉思維的牆，适應這個快速變化的時代，從認知升維開始。
4月26日，由資料猿、國安創客、騰駕文化三方主辦；上海大資料聯盟、首席資料官聯盟、深圳市大資料研究與應用協會、DIPNET、兆信股份聯合協辦的“AI in China之智能制造-資料驅動産業變革”高峰論壇在北京舉行，大會旨在通過用資料驅動産業更新的一批先行者給業者帶來深度思考和經驗借鑒。
以下是數之聯CTO方育柯帶來的主題為“資料驅動下的制造降本與增效案例解析”的現場分享實錄，由資料猿獨家編輯整理：
大家下午好，我今天要演講的主題是：“資料驅動下的制造降本與增效案例解析”，我在數之聯帶領的是工業團隊，以及負責技術研發的工作，首先我要給大家分享的是工業大資料的基本發展背景：咱們國家是于2015年提出了“智能制造2025”的發展方針，而我們卻是提前半年前就已确定了工業方向的業務發展重心，服務的第一家客戶就是富士康，并且在高端數控機床、軌道交通等十個制造類領域中，都有我們基于大資料、人工智能等技術提供的服務。
在工業大資料領域，我們做事的方式是更傾向用自上而下的思路跟方式先做大規劃，避免讓企業再走以往資訊化時代的老路——系統是煙囪式發展，資料是孤島化的存在。是以我們要高舉高打，一定要先打通資料，才能發現資料的價值，最終實作資料驅動下的企業轉型更新，是以難度會非常大，隻有，也必須是自上而下的方式才有真正實作做到的可能，而在具體實施的時候，我們反而又會用自下而上的方式，先整合企業外部和内部資料，然後搭建企業的資料管理與分析平台，形成企業大腦，發現業務中的痛點，并解決這些痛點。
資料在企業中可以發揮的的價值其實有很多，貫穿了整個産品的設計與優化、供應鍊優化、生産優化、精準營銷流通和客戶需求輿情分析五個環節。但今天，我将主要用四種解決方案的例子為大家分享以上的第三個環節中，我們是如何為企業優化生産端，讓企業達到降低成本，提高生産效率的目的：
第一、生産過程的參數優化
在這裡面運用比較多的是流程制造，如果我們以五糧液這家企業為例的話，在白酒釀制的過程中會有磨粉、蒸、下窖、攤曬，出酒、勾兌等步驟，以前整個過程主要依靠老師傅的經驗在做，既不用定量的方式做，也很少使用數字化、自動化的方式操作，雖然結果都可以釀造出高品質的白酒，但哪一種老師傅的經驗更好更優，企業其實是無法定性定量做出客觀的資料化評判的。而我們的目的，就是要幫五糧液分析整個生産過程中的資料，找到最優的釀酒過程，實作産能最大化，産出最優質的白酒。
第二、生産裝置的健康管理
很多PHM（故障預測與健康管理）的方式，都用在了能源風機與制造工廠中，如在機床、光刻機、切割機等裝置上安裝傳感器的方式，感覺裝置是處于健康狀态還是亞健康狀态，實作預測性的裝置維護工作。
第三、裝置的壽命管理
在CNC（數控機床）領域，機床可以說是專門生産裝置的裝置，經常會有大量金屬的加工、切割等工作，如手機殼、電腦面闆的切割等，這個過程中最易損易耗的部件是刀具，通常每台機床一年可以消耗5000把刀具，如果像是富士康這樣的大型制造企業的話，有接近15萬台機床，每年道具的消化量都非常巨大。是以，刀具壽命的精準管理就會變的非常重要，而這也是我們服務這類型企業的目的。
第四、成品缺陷檢測
在半導體、IC領域，以及元器件生産的過程中，利用傳統的AOI （自動光學檢測）方式，隻能實作基礎的測量與照片拍攝，而無法實作真正的智能分類。如果以我們正在接觸的一家面闆廠商舉例的話，他們的面闆在正式量産之前，測試的良品率是非常低的，每1000塊面闆中就有30%的次品，而隻依靠人工去看照片的方式來識别的話是非常低效痛苦的，而我們就是要幫助這家企業實作自動化的缺陷檢測。
接下來，我就再為大家稍微展開闡述一下，我們實踐過的企業案例：
富士康——SMT貼片機抛料超标維護
富士康在2015年提出了智能工廠的概念，當時，我們主要是跟富士康南甯工廠的SMT（表面組裝技術）工廠中的房間進行業務合作，從生産流程到後端的印刷、集中電路，以及貼片、焊接等一系列操作都包含其中。
我們要解決的主要問題是，工廠在整個SMT操作的前期，會有一個叫取料放料的過程，需要從取料台上把原器件取下再放到特定位置，如果放錯的話，後面焊接的時候就可能會犯錯，就會導緻整個原料都會廢棄掉的情況發生。是以，我們就要為富士康提供抛料超标的指導模型，當然，富士康同時也為我們提供了一整年的資料量以供分析使用。
後來我們發現，它最容易發生問題的地方就是吸嘴，是以我們取到了吸嘴的型号、維修記錄、損壞情況，氣壓、皮帶張力等相關資料。
京東方——面闆生産缺陷分析
第二個要分享的就是TFT-LCD（薄膜半導體液晶顯示器）行業中的面闆生産企業京東方的例子。在面闆生産之後，我們會看到成品的缺陷情況，比如哪裡有壞點、有壞線，或者區域某些紋路有問題，另外，還會做一些生産的過程檢測。
一張玻璃從最開始到最後的成品，生産過程中會涉及到七八千個生産參數，而哪些參數跟面闆的缺陷有關，哪些無關就是我們需要考慮的因素，以及需要解決的問題。不但會做單個裝置的分析，也會做多個裝置的路徑分析。
最後，我們把面闆的不良率降低了三分之一，在跟CEO以及董事長做彙報的時候，都收到了非常不錯的效果評價。
江蘇常州某企業——手機殼銑削刀具壽命預測
第三個就是CNC（數控機床）領域中江蘇常州的一家企業，這家企業有超過一千台機床，每台機床一年要消耗5000把刀具，如果一把刀的成本是100塊錢的話，一年刀具的消耗成本就達五億元。每把刀如果可以加工200個手機殼作為正常壽命标準的話，那就說明，數量到了200這個數值，刀肯定要換，到了250至300的這種刀，就會對原材料産生比較大的浪費。但是，當刀出現突發情況，到180的時候就已經壞掉的話呢？也是我們需要解決的問題。
在企業的工廠裡，通常都希望對裝置做到非侵入，盡量不影響生産。當機床起動的時候會看到整個切削過程的圖示。然後我們要找到刀的急劇磨損線，并通過分析刀的鋒度、偏度、翹度，最後知道它的壽命情況，也就可以預測是不是該換刀了，這樣的話就可以讓它的壽命大概平均提高25%。
當然，我們也會用深度學習的方式做分析，間接識别出刀的磨損量，類似的情況我們在富士康也做過。
廈門某企業——成品缺陷檢測
第四個要分享的是光電分析方面的例子，廈門的這家企業主要生産手機前置攝像頭的遮光片，遇到比較大的問題是，需要檢測遮光片的遮光效果，以及對光的散射與折射情況，那就要從0度到90度的不同角度去看它對光線的效果。
但在我們實際提供服務的過程中，其實會遇到非常大的一個問題就是散射，還有右邊這些紫色光的情況，這就是我們一定要解決的問題。最後我們通過深度學習的方式模組化、分析，才解決了這個缺陷檢測問題。
最後，我分享一點很有感觸的情況是，現在不管是大衆，還是創新創業者，很多人都在關注智能制造行業，但我自己感覺，整個工業行業依然在向一個“脫實向虛”的方向發展。我們一定要扭轉這個局面，大家一起把中國的實體行業做起來。
關于分享嘉賓
方育柯先生在計算機科學與大資料等交叉領域的有10年的工作經驗，獲得5項大資料應用相關的國家創新專利和軟體著作權。曾擔任華為大資料産品部架構師，并獲得華為的總裁獎。成都和四川人才計劃頂尖創業團隊成員。現任數之聯CTO，負責公司戰略核心産品以及重點行業大資料解決方案規劃和研發，帶領團隊成功落地上汽集團、富士康、京東方等智能制造項目。