大數據環境質量改進的挑戰與機遇

◆史建軍 / 文

每個產品的生產都有一個周期。從征詢調查用戶的需求開始，到產品設計，再到整個生產制造流程、產品的質量檢查、市場反饋和產品調整，每一步都因為各種各樣的活動產生大量的數據。如何將數據融入到各種生產流程的各個階段，并且更好地進行信息的整合、優化和決策，有很多技術。

數據融合在新技術革命帶來產業變革的當下，非常重要。數據的融合能夠確保整個產品的生命周期，以及產品實現過程的各階段——從產品的設計、生產到物流等，都清晰可見。

當然，這個過程會遭遇很多的機遇和挑戰。首先談一下機遇。我們從各種機器、系統、活動中獲取大量數據，使新系統操作變得更加透明，每臺機器的技術能力和靈活性得到不斷提升；根據獲取的數據進行實時調整，幫助我們做出決策；機器的學習和計算能力有了大幅度的提高，能處理更大規模的數據——這些便是機遇。

我們也面臨很多挑戰。如何確定工程目標，快速地從各種各樣的數據中獲取有效的信息，就非常具有挑戰性。第二要有效地解決數據的不確定。我們有大量的數據，即便有一些數據從傳統的角度來看并不是無用數據，但要分析依然十分困難。另外一個就是數據科技方面的不平等。我們有大量的、正常操作的數據，但特別的、有價值的失誤數據非常少。在這樣的情況下，很多數據分析不能有效解決數據不平等的問題。除此之外，我們還缺少一個統一的模型和戰略，依據實時的數據做出正確的判斷和決策。

更為重要的，是如何促進數據科學與設計、制造工程之間的深度融合。這是一個重要的挑戰。要做好這方面的工作，我們至少需要滿足三方面的條件：首先是跨學科的數據，其次是能夠進行數據的科學分析，第三是進行運營的研究、決策和控制。這三個條件如果能夠滿足，我們可以利用建模科學進行最佳生產流程的分析。

給大家舉幾個例子，都是我親自操作的。

第一個是對多階段的制造流程，采用偏差流的方法。所有的生產流程都是多階段的，我們需要一百道甚至一千道工序生產一臺汽車。甚至3D打印都有很多道工序，一道道疊加，最終成為多階段制造流程。涉及這么多的流程工序，中間有哪些是共性的？比如，偏差的傳播。如何對偏差傳播進行建模？如何對產品每個階段進行分配？如何找到一些根本原因，比如說在終端產品之后出現的一些問題，到底是哪個階段、步驟出現問題？解決這些問題，根本原因分析和診斷非常重要。對于多階段的制造流程，我們必須要有分布式的檢測。同時，還要進行一些關鍵節點的辨識，知道哪些關鍵節點對產品質量有影響；如果出現問題，如何自動進行補差使最終的產品能夠接受。我們根據現在的制作流程，利用很多步驟來找到根本原因。比如，從設計的整個流程來找問題出現的根本原因，然后重新返回給設計，改進設計。在過去幾年，我們有了偏差流的流程，更多地關注制造過程涉及的各個方面、各種方法。底特律有一家公司，業務涉及汽車制造和航空制造，我們采用的就是這種模型幫助他們分析。

另一個是物理驅動的機器學習和大數據環境下的建模。在這個方面，我們做了很多調查分析來了解整個制造體系。它有三個相關的層面，首先是一些基礎工作站，我們利用一些實體設備進行連接，每一個設備都具有傳感能力。這些傳感器連接在一起，就形成了一個大的傳感網絡。依據系統設計，我們有了流程數據；根據操作流程，我們有操作數據。將工程和操作數據整合在一起，我們又有了一個整體的網絡。物理的網絡、傳感的網絡以及知識的網絡三者結合在一起，形成物理驅動的網絡學習和建模。

比方說，有家企業的產品制造涉及50～80個不同類型的工廠。首先，我們要了解產品生產的整個運行流程、相互的不同節點、如何相互影響。根據整個產品的最初設計，我們會列出所有的變量，比如說質量中間變量。然后，我們依據生產原則及不同工廠之間的關系，根據采集到的數據和操作的數據，進一步設置變量，改進模型，獲得更好的、以物理為驅動的學習數據，再根據這些數據設計或改進流程。

通過這種方法，我們把它融入到了很多工業體系，通過OGT（我們的贊助商也是合作伙伴）的體系，安裝在40多個工廠，幫助他們節約了很多能源，而節省的成本每年可高達1億美元。同時，也減少了大量的二氧化碳排放，幫助他們實現節能、節電的成果。

我們在工廠里裝了很多傳感器，通過傳感器獲取大量實時的數據。獲得的數據能幫助我們進一步改進設計，產生實際的效果。我們目前正在做的一個項目，是韓國三星的半導體項目。我們利用數以千計的傳感器檢測整個半導體生產過程，幫他們節約了大量的成本。我們還跟波音的一家公司合作，幫他們改善整個組裝的過程。我們還通過數據融合、建模分析，幫一家公司進行規模擴張，并提升他們的生產效率。

利用數據進行質量控制，擴大我們的影響，是我們反復強調的理念。對于工業企業而言，這些都是實實在在、可見的、可解決的問題。加強對數據的控制和運用，是我們一直在研究的。我們會做一些基礎性的研究，總結一些基礎性的方法，在實驗室里進行實驗（包括開發軟件），在工廠進行實施。當我們在工廠進行實施的時候，有一些起作用，有一些不起作用。不起作用的，我們進行下一輪的研究、驗證、測試。此外，我們會開發一些新的課程。對于那些掌握數據技術的人，他們可以在行業內部，也可以在現場進行實施。

基于數據的設計和制造，未來的狀況是怎么樣的？未來我們會設計開發很多新技術，包括物聯網、智能技術、制造技術等。總結這些產品的設計、工程，在不同的階段產生大量的數據，通過這些數據我們開發一些物理驅動的機器學習的方法、技術，設計整個工業生產自動化，進行判斷決策，擴大我們的影響力，這是一個總體的框架，能夠滿足不同的生產過程、生產流程。這就是我們現在所關注的方向，也是未來的主要活動，希望能對行業產生一定的影響。