汽車整車廠大數據應用方向的研究

趙宏鵬

(一汽豐田汽車有限公司 天津 300457)

1 大數據概況

為了明確本文的討論的理論基礎，首先簡要介紹了大數據的概況，包括大數據特征、思維方式和應用前景。

1.1 大數據特征

參考維克·托邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大數據時代》[1]，大數據有以下 4個特征：數量大(Volume)；種類多(Variety)；價值高(Value)；速度快(Velocity)。由于其英文首字母均為V，所以也稱為大數據4V特征，簡要介紹如下。

①數量大：當今我們已經進入了數據爆炸的時代，每時每刻都會產生海量數據，數據大部分轉瞬即逝，也有很小部分被存儲起來用以記錄歷史、研究規律、預測未來。

②種類多：數據的種類和來源眾多，文本、圖片、音頻、視頻等數據種類都對數據處理能力提出了更高的要求。

③價值高：在每天產生的海量數據中，大部分為無價值的數據，只有少部分為高價值的數據，大數據處理中首先要做的就是識別高價值數據、剔除低價值數據。

④速度快：數據的價值會隨著時間的流逝而降低，因此，快速地處理數據和運用數據才能夠發揮數據的最大價值。

1.2 大數據思維方式

想要充分利用大數據，首先要由傳統思維方式轉變為大數據思維方式，主要有以下幾點。

①數據核心思維：由傳統的研發生產銷售實體為中心轉變為以數據為中心的企業戰略。

②全樣本思維：由傳統的抽樣統計法轉變為全樣本數據分析法。

③相關性思維：由傳統的因果關系分析法轉變為相關關系分析法。

④整體性思維：由傳統的局部精度優先的管理方法轉變為整體效率優先的管理方法。

⑤預測性思維：由傳統的事后分析的管理方法轉變為提前預判的管理方法。

⑥定制化思維：由傳統的成本質量導向的生產轉變為高度定制化的生產。

1.3 大數據的應用

大數據的應用主要有 4步：①大數據的采集；②大數據的預處理；③大數據的存儲；④大數據分析。

2 大數據在汽車行業的應用方向

2.1 汽車行業全生命周期所產生的大數據

從汽車行業的生命周期來看來看，可以分為：①新車設計→②新車試制(生產線建設)→③部品采購→④部品物流→⑤生產制造→⑥車輛物流→⑦車輛銷售→⑧售后維保。汽車行業的全生命周期所產生大數據如圖1所示。

圖1 汽車行業全生命周期所產生的大數據Fig.1 Big data generated in whole life cycle of automotive industry

2.2 整車生產制造大數據應用方向

整車生產制造過程中會產生各類的數據，本文從人、機、料、法、環五大生產要素方面來探討生產制造大數據的應用方向，如圖2所示。

圖2 各生產要素中大數據的應用方向Fig.2 Application direction of big data in various production factors

2.2.1 人

①人員招聘和育成：通過對應聘者和在崗員工進行詳細建模，招聘匹配企業文化和崗位需求的人員，人員育成時明確能力提升方向、給予定制化的培養方案。

②人崗匹配：把合適的人放到合適的崗位上能最大程度發揮人員的工作潛力，同時能達到給企業帶來最大效益的人力管理目標；通過建立人員能力大數據和崗位需求大數據，可以高效地實現動態的人崗匹配，以及人員職業發展和公司收益的雙促進。

③薪資激勵：對于薪酬政策和激勵政策，通過大數據明確不同的激勵方式產生的短期效果和長期效果，制定高效合理的薪資激勵政策，以固定的支出取得最好的激勵效果。

④后勤和健康管理：對人員出勤需求和交通大數據進行分析，以制定最優的班車路線和時間表；根據人員身體狀況和工作狀況制定最優的餐飲方案，監控健康狀況防范意外風險；根據疫情大數據制定疫情應對策略，統計人員出行大數據，消除感染風險。

2.2.2 機

①設備狀態管理：通過生產設備實時的數據監控預先發現異常隱患，以及時進行保養和維護，避免生產中的故障停線[2]。

②設備供應商優選：通過設備異常的大數據對設備供應商進行分級評價，選擇設備運行穩定、價格合理的供應商。

③設備作業品質管理：對設備作業全過程進行質量管理，預測并規避品質異常的風險，提前進行預防性工作。

④設備生命周期管理：對處于不同生命周期的設備進行區別化、匹配性的管理，以保證設備生命周期內創造最大的價值。

2.2.3 料

①零部件品質管理：短期來看可以及時發現批量零部件品質不良，進而進行問題查找→供應商工藝完善→物流中零部件退回→在制車輛良品更換→售出車輛的追回等補救措施，保證將異常影響減至最低；長期來看可以對供應商和零部件進行有效評價，從而留下高質供應商、淘汰低質供應商，加之持續改進零部件設計和工藝，進而提升整車品質。

②零部件物流管理：通過建立零部件物流全過程大數據，分析物流各個環節存在的浪費，從而提升物流整體效率。

③零部件庫存管理：分析各個環節最小安全的庫存量，把握不同零部件供給風險，以實現保證零部件穩定供應前提下的最小庫存和最小成本。

④自動化物流管理：分析影響物流設備穩定運轉的風險并制定對策持續改善，保證自動化物流系統的穩定高效。

2.2.4 法

①生產流程管理：分析生產流程的瓶頸環節，持續消除瓶頸，實現各車間均衡生產，提升工廠整體產能和效率。

②生產過程管理：分析當前工廠存在的問題，發現問題起因，有針對性地制定對策，快速徹底地解決問題。

③工廠在制品管理：分析各個緩存的最小、最安全的庫存量，優化庫存分布，實現保證生產線穩定運行前提下的最小在制品數量。

④品質管理：一方面，及時發現生產過程中的品質不良，快速補救，減少損失；另一方面，發現隱患，提前預防，改進生產工藝和作業方法，保證標準作業，降低品質不良的風險。

2.2.5 環

①5S管理：發現 5S薄弱環節和風險點，及時改善提升，有針對性地強化管理。

②人因工程：改善作業環境、提升動作效率、減少作業疲勞、避免作業損傷，以提升員工的工作效率和舒適度。

③能源管理：合理調配能源，規劃產能，調整生產。

3 大數據在整車廠達產管理方面的應用

主要介紹大數據在整車廠生產效率提升方面的實際應用和未來企劃，分為試驗方案、完善方案、理想方案3個階段。

3.1 試驗方案

筆者從2017年開始探索大數據技術在整車廠的應用場景，并結合筆者多年生產調度工作的經驗，以達產管理(保證生產計劃的達成)為切入點進行大數據技術應用方法的試驗。

從以往經驗來看，由于自動化程度高、加工工藝復雜、設備眾多、精度要求高等原因，裝焊車間生產異常較多、實際產能不足，一直都是工廠的瓶頸車間，改善需求最大，故選定以裝焊車間為試點進行大數據分析，整體試驗方案如圖3所示。

圖3 試驗方案圖示Fig.3 Diagram of test scheme

3.1.1 數據獲取

為了能夠獲取足夠的格式化的數據，首先需要對裝焊車間生產日報進行標準化、數據化規范，將產量、效率、異常、交期、品質等情報納入記錄范圍，以數據列表的形式標準化記錄，并每天通過郵件發給生產管理部門。

此項目得到了工廠長和車體部課長的大力支持，在各位的共同努力擔當下，制定了標準化的裝焊生產數據記錄方法，明確了日報的版面形式，并完成了人員培訓，正式實施后初步解決了裝焊車間標準化的生產大數據的獲取問題。

3.1.2 數據存儲分析

生產管理部門對數據進行整理和校正，制作Excel版的生產大數據(模型)，并對這些數據進行統計分析，明確生產目視化的方法，最終做成反映不同生產指標的數據集合，為數據的應用夯實基礎。

是夜，虛弱的、奄奄一息的我看見西邊林場邊的樹叢里，飄起縷縷的亮光，那亮光像北極光，它們飄散，星星點點地朝我飄來，在我旁邊，那團白光聚集成范崢崢的人形，她幽幽地對我說，帶我回家……

3.1.3 數據應用

對于數據的應用，筆者認為最重要的是數據的可視化應用場景的探索，也是大數據分析最終價值的體現，在達產管理中的目標為管理者優化資源配置、解決當前問題、降本增效達產而提供可視化的生產狀況數據和未來趨勢的預測。為此，筆者初步設想了 3個應用場景。

3.1.3.1 日度生產報告

用于車間主任級別的日度生產報告，主要目標是明確當前的問題、提出快速有效的解決辦法和確保各方協調行動，以最終實現生產的穩定運行。需要數據目視化的方面有產量達成情況、生產效率(可動率)、生產異常情況、品質狀況等。

表1所示案例為某月 28日裝焊車間的生產日報。

表1 裝焊車間某日生產日報報表Tab.1 Daily production report of a certain day in welding workshop

①初步分析如下：產量，計劃產量 530臺，實際產量 485臺，未達產；可動率，車間可動率目標為95%，實際為 75%，未達目標；計劃生產時間為530min，實際為 610min，額外加班 90min。產量和可動率均和目標有較大的差距，說明車間生產出現了嚴重的問題，故需要明確問題點。

②詳細生產異常分析：當日共發生異常 22次，其中設備異常為主有 20次。設備異常中又以 EC(發動機艙)設備異常最多，共發生 9次，合計 70min。EC設備多發異常為第一工位散熱器支架銷入不良，共發生 8次，合計 64min。因此，明確當前的問題為EC第一工位散熱器支架銷入不良多發。

③確定是偶發異常還是連發異常：分析近3日生產異常數據，如圖4、表2所示。

圖4 生產異常分析圖Fig.4 Analysis of abnormal production

表2 近3日設備異常明細表Tab.2 Equipment abnormality list in recent three days

發現 EC第一工位散熱器支架銷入不良多發的問題在此前 2日就有多發，至當日爆發，說明此異常并非偶發異常，而是連發異常，且有明顯異常擴大的傾向。鑒于前期的臨時對策效果差，需制定能根本解決此問題的長效對策，即使需要較長的維護修理時間，也需要優先解決此問題。

④制定對策和對策實施：本文討論的主要為通過生產大數據來發現問題，具體解決問題還需要技術人員根據實際情況進行對策的制定和實施，最終通過調整生產時間進行根本性的設備維護修理，于次日消除了此異常。

3.1.3.2 月度生產報告

用于部課長級別的月度生產報告，主要目標是明確生產瓶頸、調整管理重點、解決重點問題，以最終實現生產的高效運行。需要數據目視化的方面有產量達成情況、生產效率(可動率)變化情況、生產瓶頸、生產異常統計、品質狀況統計等。某月裝焊車間的生產總結如圖5所示。

圖5 裝焊車間月度生產總結Fig.5 Monthly production summary of welding workshop

①初步分析如下：產量，全月計劃產量22715臺，實際產量 22840臺，順利達產；可動率，車間可動率目標為95%，實際為平均94%，未達目標。

可動率均值和目標有 1%的差距，說明車間還存在問題，粗略來看是由于 4次長時間停線引起的，具體還需要結合當前工廠狀態和近幾月生產狀態趨勢來判斷。

②詳細生產數據分析：當月生產的大背景是前一季度裝焊生產狀態不佳，可動率持續低下，需要大量加班來挽回生產。因此，裝焊車間開始開展可動率提升專項活動、加強對人員和設備的管理和重點提升設備異常處理速度，以降低設備異常對生產造成的影響。從近 3個月異常停線時間和次數的大數據分析圖表來看，可動率方面由前 2個月 92%以下上升至94%，效果非常明顯，見圖6。

圖6 裝焊車間近3個月異常分布目視化圖表Fig.6 Visual chart of abnormal distribution in welding workshop in recent three months

生產異常處理時間別的統計方面，之前問題嚴重的車身焊接線和發動機艙線都得到了大幅改善，降低至原來的一半，說明設備異常處理速度大幅提升。生產異常處理次數的統計方面，之前問題嚴重的車身焊接線和發動機艙線都得到了一定改善，說明設備維護和監控提升，設備異常幾率顯著降低。

因此，可以說本月管理強化的效果顯著，裝焊車間生產效率呈現持續好轉的趨勢，雖然還未能達成可動率 95%的目標，但從趨勢來說是向好的，說明當前的管理改善方向和方法正確，可以沿此方向繼續改進。事實也證明了這個推斷，2個月后裝焊車間成功達成了 95%的可動率目標，并將之后的挑戰目標提升至97%，持續提升了生產效率。

3.1.3.3 年度生產報告

用于總經理和工廠長級別的年度生產報告，主要目標是明確工廠整體長期的瓶頸和產銷匹配情況、擬定未來資源配置的方向和明確未來重點實施事項。需要數據目視化的方面有全工廠的產能情況、生產效率(可動率)情況、生產成本、瓶頸工程、品質狀況、人員狀況等。

年度生產報告應該是基于全工廠的生產大數據制作的，同時要有多年的數據積累才能達成較好效果，但當前還未能有全面的大數據獲取途徑，暫時無法給出有突破性的分析案例，未來會在新工廠建設的過程中建立大數據采集和分析機制，以實現基于大數據的全工廠生產管理的應用。

3.1.4 方案問題點

對于此生產大數據應用的探索，實施過程中發現了以下問題點。

①數據量不足：當前方案只針對裝焊車間，而生產流程中涂裝和總裝的生產數據、車輛品質信息、零部件物流信息、人員信息、能源信息等都未能采集，生產大數據的數據量不足，不足以支撐全面的大數據分析。

②數據精度不足：當前方案在實施過程中由于異常記錄基準力度不足和記錄人員標準化實施不足，約20%的數據為異常數據，需要大量的工數修正或剔除此部分數據，統計難度顯著增大。非標數據多造成精度不足，各子線管理者仍有息事寧人的心態，利用工序間緩沖在庫，隱瞞異常的發生，不愿暴露問題，對數據的精度造成了影響。

③信息時效性差：當前方案基于現行的日報管理制度，生產情報傳遞周期為一個班值，情報獲取可能存在12h的延遲，難以實現及時的情報記錄和展開，進行異常處理時無法基于生產數據庫中的情報，只能通過人員間的即時通信來獲取情報，情報不統一的現象時有發生。

④數據存儲工具差：當前方案基于 Excel作為數據保存工具，數據存儲和檢索效率低，無法滿足大數據的存儲需求。

⑤報告制作效率低：當前方案的月度報告和年度報告均使用 Excel制作，圖表目視化效果較差，無固定模板，制作難度大、工數大。

3.2 完善方案

針對試驗方案中存在的問題，在新工廠生產管理體系中將彌補這些不足，規劃基于現有能力、基本不需額外花費的生產大數據應用規劃。企劃的方案如圖7所示，重點改善方向有以下5方面。

圖7 完善方案圖示Fig.7 Diagram of improvement scheme

3.2.1 全工廠的生產大數據

建設全工廠的生產狀況信息、車輛品質信息、零部件物流信息、人員信息、能源信息的大數據，以支撐全面的大數據分析的需要。

3.2.2 數據精度提升

構建生產設備數據庫，將所有記錄標準化、菜單化，加強人員標準化培訓，以大幅減少數據記錄異常的發生和提升數據精度。

3.2.3 時報管理機制

建立時報管理機制，在共享文件夾中創建生產記錄程序，每小時進行生產狀況的記錄，將生產情報傳遞周期由12h降低至1h，同時充分利用ALC-G4系統(新一代豐田車輛生產管理系統)，并結合TEAMS、騰訊會議等網絡會議系統，做到小識別反應速度的生產調整會議體制。

3.2.4 專業數據管理工具

運用專業的數據管理工具加強數據存儲和檢索效率，以滿足未來大數據的存儲和檢索需求。

3.2.5 模板化報告

為了應對小識別反應速度的生產調整會議體制，需針對不同場景制定固定的多種數據目視化模板，以便快速且直觀地將當前的生產狀態傳遞給管理者和快速做出決策。

此方案需要得到工廠長及各級部課長的支持才能完整實現，也需要得到系統管理部門和其他輔助部門的配合才能有最好的效果。

3.3 理想方案

生產大數據管理體系的理想狀態如圖8所示[3]。

圖8 理想方案圖示Fig.8 Diagram of ideal scheme

主要需要進行以下幾個方面的建設。

3.3.1 信息獲取

在現有設備的基礎上追加大量的數字化監測設備，如視頻采集設備、溫濕度傳感器、震動傳感器等，從而對設備狀態進行更全面的監控，及時預判設備異常；數據記錄和傳遞為系統間自動傳遞，消除人工作業的時效和精度問題。

3.3.2 數據存儲分析

運用云存儲技術將數據存至云端，保證數據存儲的安全性；運用云計算技術大幅提升數據的處理能力和精度，實現快速、全面、深入地處理數據，同時可以對未來的生產能力、異常隱患等做出可靠的預測。

3.3.3 數據應用

創建數字孿生工廠，將工廠的物理狀況實時展現在目視化設備中，同時可實現移動端的訪問和即時聯協會議，協助管理者快速做出決策；創建決策輔助系統，對于不同的應用場景創建相應的數字化報告，全面直觀地展現給管理者，同時可展示不同方案和預計推演結果，輔助管理者高效決策。

因為理想方案涉及到物聯網技術、云技術、模擬仿真技術等前沿技術的應用，相關軟硬件的構建就需要數以億計的花費，同時行業內相關技術的應用還處于摸索階段，少見成熟方案，所以強行推進風險很大，收益難以預測。

4 大數據應用的重點事項

對于大數據應用，筆者認為有以下5點事項需要重點關注。

4.1 高層決策是條件

推進生產大數據的應用需要公司管理層對當今大數據應用的意義有共識，明確大數據的建設是和設計、制造、銷售同樣重要的業務，會對未來企業的發展創造巨大的價值；同時需要基層管理者能夠認同這個發展方向，以形成至上而下的合力，順利推進相關項目。

4.2 共同努力是基礎

生產大數據的應用僅靠管理者高層的推進是遠遠不夠的，更需要公司各部門各個細分領域的業務骨干共同推進。針對作業中的痛點，將之前的業務經驗和大數據技術結合起來，創造出新的價值；要發掘大數據人才，建立合理的激勵制度，調動全體員工探索大數據應用的積極性，以避免未來大數據應用的落地困難問題，實現公司發展與員工發展的雙贏。

4.3 長期效益是目標

大數據的應用前提是數據量的積累，很可能難以在短期內快速獲得效果，加之先期數據采集、存儲等基礎硬件的投入和應用場景及方法的試錯成本，短期內可能投資回報率很差。但隨著持續的推進，數據量越來越大，應用場景越來越多，應用方法越來越成熟高效，長久看將帶來豐厚的回報，因此管理層應有短期投入長期產出的心理預期。

4.4 外部團隊是參考

在大數據領域，華為、騰訊、阿里巴巴等互聯網公司在軟硬件層面都有很好的基礎，也有了針對制造企業的整體解決方案。但筆者認為外部團隊只能作為建設的指導和輔助，在實際推進大數據應用建設時仍要通盤考慮本公司的現有系統、設備、人員和管理流程，以精通本公司現狀的精英團隊為主，整合現有資源，有效地推進大數據應用的實施效率。

4.5 循序漸進是關鍵

在大數據的建設過程中，先要做到公司內現有數字資源的整合，明確現行條件下的推進方向，并通過諸如生產大數據的應用、品質大數據的應用等當前公司優勢領域的試點摸索出適合公司的一整套推進流程，再考慮追加投資和向各部門進行推廣，循序漸進地推進數字化建設。

5 結 語

本文簡要介紹了大數據的基礎概念及其在汽車行業的應用方向，并以兩個實例介紹了初步應用方法、未來的改善方向和理想狀態，最后說明了筆者對大數據應用的重點推進事項的理解。總體來說，大數據技術在汽車整車廠還屬于應用場景的探索階段，只是在較低的維度產生了一些階段性成果，因此，還需要大家今后共同努力，以獲取更多的數據、研究更好的方法、創造更大的價值。