|
什么是智能工厂？在每个工厂的每个车间的每个机台上都安装有很多传感器，不断地采集数据，并对数据进行分析，从而优化生产线，降低成本。这个数据量有多大？制造业有一项技术叫自动光学检测（AOI），每个零部件生产出来后都会被拍照检验质量的好坏。倘若按每分钟收集一张1M像素的图片来估算，一台机器一天产生的数据就是1.5G。每个工厂有N多个机台，N多个传感器，总的数据量可想而知。 这么多数据能拿来做什么？第一个应用就是调度优化。在智能车间里，机台与机台之间的产品传递主要靠机械手臂来完成，而车间与车间之间的产品传递则是通过传动带来完成。所谓调度优化就是通过数据分析，了解每个产品在每个机台上需要处理的时间，然后决定出把某个产品送到哪个机台去处理的最优解决方案。这个事情看起来容易，操作起来却很难，正如车辆在路上突然抛锚造成交通拥堵一样，如果一个机台出了问题，就会扰乱整个调度的优化方案，更糟的是如果发现某个产品不合格，就需要被重新发配到某个机台重新处理，那么就会导致整个调度非常复杂，处理不好就会造成“拥堵”，甚至停工。 大数据的另外一个重要应用就是设备监控。产品制造分许多步骤，如果第一道工序出了故障没有立刻发现，等生产出来之后经检测时才发现，那就意味着这段时间里生产的全部产品都要报废。这是个很严重的问题。设备监控就是在每个机台上都安置多个传感器来监测设备是否有故障。美国有个大型制造企业，曾经成品率总是提不上去，经多方查找后才发现，原来是一个机台在清理时出了问题，早班清洁工是从上往下清理，晚班清洁工是从下往上清理，就是这样一个个小小的瑕疵就会对整个生产线造成几百万甚至几千万美金的损失。 第三个应用就是虚拟测试。在制造业中，测试占整个制造成本的25%-50%，怎么用大数据降低测试成本？最根本的一点就是利用数据的相关性，也就是用数据去分析不同的数据量之间是否相关，如果存在相关就可以用一个数据量去估计另一个数据量。 这里有两个例子，一个是空间的相关性。在集成电路制造中，一块硅片包含很多芯片，传统的方法是每个芯片都要去测试，如果我们把整块硅片看作是一幅图像，那么不同的像素对应不同的芯片，像素点之间是有相关性的，我们可以通过测试少数几个像素点的值，利用统计方法来估值另外的像素点，从而大大减少测试量。 另一个例子是给金属块钻孔。钻孔是否平整？是不是圆形？在制造业上是一个非常昂贵的测试过程。我们通过在钻孔机上安装各种非常廉价的传感器，包括震动传感器、声音传感器、压力传感器等，用这些传感器的测试值去创建一个模型，然后预估钻孔的平整度和质量状况，从而节省很大一笔成本。 第四个应用是故障追踪。监控生产线中产品的制造过程，发现故障的根源。故障可能是某一个机台，可能是某一种原材料，也可能是某一位操作员。 大数据分析在制造业应用有两大技术难点：第一个就是数据变异性，不同机台，在不同时间、不同环境下的数据具有不同的统计特性，也就是说，在这个机台上采集的数据不可能直接拿来去用于另一个机台的建模。当你把采集到的数据分配到每个机台、每个时间点、每个不同的环境条件下去做分析的时候，你会发现数据量其实并不大，甚至很小。另外一个难点是工艺的变化。制造工艺随时间在不断演变，同样一个产品，今年制造出来的测试结果和明年制造出来的测试结果完全不同，因为产线在不断变化，这是大数据分析的一个软肋。我们分析的数据都是历史数据，所以大数据分析实际上就是两步，第一步记录历史数据，第二步根据这些历史数据去预测未来。如果由于工艺变化导致未来和历史是不一致的，那么大数据分析的最根本假设就已经不成立了。这也是大数据分析的一个痛点所在。
| 
发表于 2018-4-2 17:05:28
