數據分析與大數據,如何引爆制造業?

大數據作為新一代信息技術的代表,已開始在工業設計、研發、制造、銷售、服務等環節取得應用,并成為推動互聯網與工業融合創新的重要因素。面對大數據的浪潮,傳統企業要主動把握大數據的發展方向,深入挖掘大數據的價值,分析需求偏好、改善生產工藝以及提升企業的內部管理水平等。

工業企業中生產線處于高速運轉,由工業設備所產生、采集和處理的數據量遠大于企業中計算機和人工產生的數據,從數據類型看也多是非結構化數據,生產線的高速運轉則對數據的實時性要求也更高。因此,工業大數據應用所面臨的問題和挑戰并不比互聯網行業的大數據應用少,某些情況下甚至更為復雜。

  加速產品創新

客戶與工業企業之間的交互和交易行為將產生大量數據,挖掘和分析這些客戶動態數據,能夠幫助客戶參與到產品的需求分析和產品設計等創新活動中,為產品創新作出貢獻。福特公司是這方面的表率,他們將大數據技術應用到了福特福克斯電動車的產品創新和優化中,這款車成為了一款名副其實的 ” 大數據電動車 “。

第一代福特福克斯電動車在駕駛和停車時產生大量數據。在行駛中,司機持續地更新車輛的加速度、剎車、電池充電和位置信息。這對于司機很有用,但數據也傳回福特工程師那里,以了解客戶的駕駛習慣,包括如何、何時以及何處充電。即使車輛處于靜止狀態,它也會持續將車輛胎壓和電池系統的數據傳送給最近的智能電話。

這種以客戶為中心的大數據應用場景具有多方面的好處,因為大數據實現了寶貴的新型產品創新和協作方式。司機獲得有用的最新信息,而位于底特律的工程師匯總關于駕駛行為的信息,以了解客戶,制訂產品改進計劃,并實施新產品創新。而且,電力公司和其他第三方供應商也可以分析數百萬英里的駕駛數據,以決定在何處建立新的充電站,以及如何防止脆弱的電網超負荷運轉。

產品故障診斷與預測

無所不在的傳感器、互聯網技術的引入使得產品故障實時診斷變為現實,大數據應用、建模與仿真技術則使得預測動態性成為可能。

位于美國亞特蘭大的 GE 能源監測和診斷 ( M&D ) 中心,收集全球 50 多個國家上千臺 GE 燃氣輪機的數據,每天就能為客戶收集 10G 的數據,通過分析來自系統內的傳感器振動和溫度信號的恒定大數據流,這些大數據分析將為 GE 公司對燃氣輪機故障診斷和預警提供支撐。

風力渦輪機制造商 Vestas 也通過對天氣數據及其渦輪儀表數據進行交叉分析,從而對風力渦輪機布局進行改善,由此增加了風力渦輪機的電力輸出水平并延長了服務壽命。

生產線的大數據應用

現代化工業制造生產線安裝有數以千計的小型傳感器,來探測溫度、壓力、熱能、振動和噪聲。因為每隔幾秒就收集一次數據,利用這些數據可以實現很多形式的分析,包括設備診斷、用電量分析、能耗分析、質量事故分析 ( 包括違反生產規定、零部件故障 ) 等。

首先,在生產工藝改進方面,在生產過程中使用這些大數據,就能分析整個生產流程,了解每個環節是如何執行的。一旦有某個流程偏離了標準工藝,就會產生一個報警信號,能更快速地發現錯誤或者瓶頸所在,也就能更容易解決問題。利用大數據技術,還可以對工業產品的生產過程建立虛擬模型,仿真并優化生產流程,當所有流程和績效數據都能在系統中重建時,這種透明度將有助于制造商改進其生產流程。

再如,在能耗分析方面,在設備生產過程中利用傳感器集中監控所有的生產流程,能夠發現能耗的異常或峰值情形,由此便可在生產過程中優化能源的消耗,對所有流程進行分析將會大大降低能耗。

供應鏈的分析與優化

大數據分析已經是很多電子商務企業提升供應鏈競爭力的重要手段。通過大數據提前分析和預測各地商品需求量,從而提高配送和倉儲的效能,保證了次日貨到的客戶體驗。

RFID 等產品電子標識技術、物聯網技術以及移動互聯網技術能幫助工業企業獲得完整的產品供應鏈的大數據,利用這些數據進行分析,將帶來倉儲、配送、銷售效率的大幅提升和成本的大幅下降。

以海爾公司為例,海爾公司供應鏈體系很完善,它以市場鏈為紐帶,以訂單信息流為中心,帶動物流和資金流的運動,整合全球供應鏈資源和全球用戶資源。在海爾供應鏈的各個環節,客戶數據、企業內部數據、供應商數據被匯總到供應鏈體系中,通過供應鏈上的大數據采集和分析,海爾公司能夠持續進行供應鏈改進和優化,保證了海爾對客戶的敏捷響應。

利用銷售數據、產品的傳感器數據和出自供應商數據庫的數據,工業制造企業便可準確地預測全球不同區域的需求。由于可以跟蹤庫存和銷售價格,可以在價格下跌時買進,所以制造企業便可節約大量的成本。如果再利用產品中傳感器所產生的數據,知道產品出了什么故障,哪里需要配件,他們還可以預測何處以及何時需要零件。這將會極大地減少庫存,優化供應鏈。

產品銷售預測與需求管理

通過大數據來分析當前需求變化和組合形式。

大數據是一個很好的銷售分析工具,通過歷史數據的多維度組合,可以看出區域性需求占比和變化、產品品類的市場受歡迎程度以及最常見的組合形式、消費者的層次等,以此來調整產品策略和鋪貨策略。

在某些分析中我們可以發現,在開學季高校較多的城市對文具的需求會高很多,這樣我們可以加大對這些城市經銷商的促銷,吸引他們在開學季多訂貨,同時在開學季之前一兩個月開始產能規劃,以滿足促銷需求。

對產品開發方面,通過消費人群的關注點進行產品功能、性能的調整,通過大數據對一些市場細節的分析,可以找到更多的潛在銷售機會。

生產計劃與排程

制造業面對多品種小批量的生產模式,數據的精細化自動及時方便的采集 ( MES/DCS ) 及多變性導致數據量劇烈增大,再加上十幾年的信息化的歷史數據,對于需要快速響應的 APS 來說,是一個巨大的挑戰。

大數據可以給予我們更詳細的數據信息,發現歷史預測與實際的偏差概率,考慮產能約束、人員技能約束、物料可用約束、工裝模具約束,通過智能的優化算法,制定預計劃排產,并監控計劃與現場實際的偏差,動態的調整計劃排產。幫我們規避 ” 畫像 ” 的缺陷,直接將群體特征直接強加給個體 ( 工作中心數據直接改變為具體一個設備、人員、模具等數據 ) 。通過數據的關聯分析并監控它,我們就能計劃未來。

產品質量管理與分析

傳統的制造業正面臨著大數據的沖擊,在產品研發、工藝設計、質量管理、生產運營等各方面都迫切期待著有創新方法的誕生,來應對工業背景下的大數據挑戰。

例如在半導體行業,芯片在生產過程中會經歷許多次摻雜、增層、光刻和熱處理等復雜的工藝制程,每一步都必須達到極其苛刻的物理特性要求,高度自動化的設備在加工產品的同時,也同步生成了龐大的檢測結果。

這些海量數據究竟是企業的包袱,還是企業的金礦呢?如果說是后者的話,那么又該如何快速地撥云見日,從 ” 金礦 ” 中準確地發現產品良率波動的關鍵原因呢 ? 這是一個已經困擾半導體工程師們多年的技術難題。

這里暫且不論工作量的龐大與繁瑣,哪怕有人能夠解決了計算量的問題,但也很難從這一百多個過程能力指數中看出它們之間的關聯性,更難對產品的總體質量性能有一個全面的認識與總結。

然而,如果我們利用大數據質量管理分析平臺,除了可以快速地得到一個長長的傳統單一指標的過程能力分析報表之外,更重要的是,還可以從同樣的大數據集中得到很多嶄新的分析結果。

對于海量的數據要去粗取精,去偽存真。對于業務數據,應當在進行實時分析的基礎上,將決策支持的數據通過移動端推送給企業各級負責人,決策過程用數據說話,不再是憑經驗、拍腦袋。大數據要形成一定的數據決策力。數據決策力就是基于數據進行科學決策,并且讓數據發揮價值的能力。在大數據時代,這種能力已經變成跟以往的財務能力、生產能力等一樣不可或缺的能力。