工業大數據 來源: 天下雜誌 斯斯有兩種,大數據也有兩種。如果你傻傻分不清的將互聯網大數據套用到工業大數據上,那你將會死得很慘!工業4.0的重點不在於提高設備的效率和精度,而是如何更加合理化、智慧化地使用設備。工業4.0還能讓製造業變身服務業,能幫客戶找出自己所不知的需求,創造主動式創新,從而開創製造業新藍海。

相機鏡頭的玻璃鏡片,其生產方式是用磨出來的。過去有家相機代工廠看到市場上這門生意正夯,就決定投入生產。於是開始招兵買馬,從競爭對手那兒挖了一批人過來,並且,買的設備就跟領導廠商用的一模一樣,選擇相同的品牌及型號,就這樣,也算「新創」了一家公司。

開始生產後,過了一段不算太短的時間,良率卻始終拉不上來。這說也奇怪,用同樣的原料,相同的設備,為何就是研磨不出相同品質的鏡片呢?

同樣的情形在很多產業都不曾少見,就是,用同樣的製程、相同的設備,生產條件幾乎完全相同,但是做起來就完全不是那麼回事。這些看似簡單的事情,換個人做卻始終做不到,如果你去問當事人這是什麼道理,他們會很明確的告訴你,這其中最大的差別,就在於——「經驗」。

經驗是個摸不著、看不到的東西

那經驗是怎麼來的呢?很簡單,就是靠不斷的嘗試錯誤後,歸納出來的心得。就像是學主廚做菜,僅管你看著食譜,完全照著主廚的方法下去做,炒出來的菜就是不會一樣。事實上,若是未經主廚指點,再經過不斷的練習,是很難能成功的,而這就是所謂的經驗傳承。只是,還要是有慧根的人才得以累積經驗,沒慧根的,再怎麼炒就是不能吃。

這彌足珍貴的經驗,就是同一件事情在各種不同的情境下,知道該如何去調整,以達到理想的成果。因為鍋具可能不同、爐火可能不同、氣溫可能不同、濕度可能不同、調味的鹽可能不同、水也可能不同…..甚至連炒菜時的心情都可能不同,這些都有可能會影響最終的成果。所以,關鍵就在這些看不到的細微地方。

相同的,為何一樣材料、一樣的機器,只是換個地方,鏡片就磨不出來呢?我們姑且先忽略廠房不同的這個因素,單看機器,你認為同廠牌同型號的研磨機每台就一定一樣嗎?更何況使用過的機器跟一台全新的機器會完全一樣嗎?這些當然不同,可能轉速有小許的差異、精度有些微的不同、耗損的程度也不盡相同,這些都是大家看不到的地方,所以,同樣的設定在不同機器執行出來的結果就很可能會不同。

智慧製造

過去傳統製造靠的是經驗的累積,經驗是很難被明確的記載與定義,只能靠著時間與學習代代相傳,但自從人工智慧有突破性的發展後,一切都被改變了。

機器並不是變聰明,而是懂得學習了。人類從多次的嘗試錯誤中累積經驗,機器又為何不能呢?只要有充分的資訊,機器就能運用演算法找出其中的通則並建立模型,再將之運用到眼前的情境中,不就等同經驗之累積。而且,只要資料愈多,模型就能根據新資料持續修正,經驗的累積就愈快。當資料大到一定的程度後,機器被訓練出來的判斷力就能達到相當的水準,甚至比人類的判斷還要更正確,這樣機器就看似變聰明了。

要累積經驗就必須蒐集大量的資料,這在過去是很難的事情,但自從電腦儲存容量戲劇性的提升且價格大幅下降後,資料的儲存就不再是個問題;那又哪來那麼多的資料呢?由於網路的發達,人們有太多行為都改在網站上進行,就可以從網站蒐集到天文數字級的資料,又由於物聯網(IoT)技術的發展,就可以透過在各種需要的地方、裝置、設備上裝設感測器,亦能無時無刻蒐集到驚人的數據,再透過無所不在的網路傳輸,就能即時取得各種所需的資料。可是取得那麼多的資料後仍還是資料,這又能夠做什麼呢?別著急,再來就是重點了。

大數據不只是數據大

大數據分析是經驗累積的核心,是促成機器學習的關鍵要素,是實現智慧化製造的核心技術。只是許多人都還對大數據有著不小的誤解。電視上一天到晚都可以聽到胡亂引用大數據的例子,他們簡單的以為大數據只是對比以往更多的資料做統計分析罷了。若只是這樣,大數據又怎麼可能會引起這麼大的風潮,又怎會對生活、工作以及思考方式造成如此大的影響呢?

簡單的來講,大數據的核心重點在於預測,透過計算大量的資料,由此推斷機率,這是人類處理事情在作法上的一大突破。所謂的大數據,並不只是蒐集一般我們常見的資訊,還要能夠蒐集大量我們平時看不見的資訊,或是直覺上認為不相關的資訊。

大數據的價值在於大數據分析,將各種盡可能蒐集到的相關或不相關的資料,利用資料採礦(data mining)的方法來分析,找出其中的相關性,從而建立模型,再從中取得創新而寶貴的見解。在分析的過程中,由於是蒐集全部資料而非過去只能做的抽樣,所以更具價值,且只要資料的數量夠大,對於資料精確度的要求就可以不需那麼高,這對於資料的蒐集就更容易了。只是用這樣的方法並無法找出其間的因果關係,但卻能找出預測模式,就是可能無法知道「為何如此」,卻能知道「正是如此」

一個最有名的例子,就是美國Wal-Mark經過購物習慣的資料採擷後發現,每到星期五尿布和啤酒的銷售量有正向關聯性,就是每到星期五買尿布的人也會同時買啤酒(這是不是很莫名其妙),所以將啤酒貨架擺放在尿布貨架的對面,就可以方便顧客購買並提高銷售額。

若不用大數據分析,認真且有經驗的管理人員也可能會發現,某些表面上看似毫不相關的商品間存在著正向相關的銷售關係,就能調整商品組合或擺設方式來提高銷量。但是用大數據分析,就能更全面快速的累積經驗、找出關係並能做出預測。

利用大數據分析來提升機器智慧的技術並非遙遠的未來,而是已有相當的成熟度了,大家有空的話可以到微軟的Azure雲端平台,親自免費體會一下機器學習是如何簡單輕鬆的來達成,或是參考微軟機器學習的案例,只要將資料上傳(可以用Excel檔案),將一半的資料用以建立模型,另一半的資料用來訓練模型,只要簡單拖拉設定一下,幾分鐘之內就能建立好機器學習模型,還能立即使用呢。

工業4.0的智慧工廠

在工業大數據專家、美國白宮資訊物理系統顧問李傑所著的《工業大數據:工業4.0時代的智慧轉型與價值創造》一書中,就充分揭露出大數據在工業4.0時代的應用與價值。

在生產線中,過去看不到、被忽略、細微末節等會影響生產品質的各種要素,當設置了各種感應器能夠蒐集監控設備的各種狀況與狀態,過去對機器設備無法掌控的要素,突然間就瞭如指掌了。利用大數據分析將設備自身及相同設備在不同運行模式下的歷史資料進行特徵擷取建模,再利用該模型與當前狀態產生的資料進行比較,就可以自動識別設備當前的健康狀態,進而對設備進行風險評估和故障診斷。透過對目前運行的模式匹配以及健康模式隨時間的變化軌跡分析,就能夠更加準確預測設備未來狀態的變化,實現設備自預測性的能力

在工業4.0的工廠中,自省(self-aware在製造過程中根據加工產品和狀況的改變自動進行調整)和自我預防(self-predict在整個製造過程中達到零故障、零憂慮、零意外、零污染)的功能成為監測和控制系統的新功能,這些新功能可以幫助用戶去了解機器的健康退化、剩餘可用時間、精度的缺失以及各類因素對品質和成本的影響。此外,機器的健康還可以透過零部件健康狀況的融合和同類機器的對比來預測。這種預測能力使得工廠可以採取及時的維護措施從而提高管理效率,並最終優化機器的正常運行。最後,歷史健康資訊也可以回饋到機器設備設計部門,從而形成閉迴路式的生命週期更新設計,最終實現無憂生產(worry-free productivity)。

工業4.0還能重構生產系統,使一條生產線上面能夠同時生產多種產品,生產模式由原來的「push」(生產之後想辦法賣出去)轉變成了「pull」(市場下訂單後再生產)的模式。實現了真正符合客戶需求,高度客製化,即時生產,無庫存的生產模式。

斯斯有兩種,大數據也有兩種

實際上,大數據分析技術最早並非興起於工業領域,而是互聯網中產生的社會和媒體大數據,但是將大數據分析應用在工業上,與在互聯網中的應用卻有著明顯的不同,因為工業數據具有更強的專業性、關聯性、流程性、時序性和解析性等特點。

舉個簡單的例子就很容易可以明白,在互聯網中利用大數據預測客戶會繼續購買的商品如果發生了錯誤,了不起就是推薦了一款客戶沒興趣的商品,客戶要不掉頭走人,就是換找其他商品;但若是在生產線上,大數據預測設備的狀況發生了錯誤,很可能就會造成產品的品質出了問題,也可能影響整條生產線的生產,其所造成的損失可是很驚人的,這可是一點都馬虎不得。

所以工業大數據不像互聯網大數據那樣並不要求有多麼精準的結果推論,工業大數據對預測和分析結果的容錯率遠比互聯網大數據低的多。因此,工業大數據更加注重邏輯清晰的分析流程和與分析流程相匹配的技術體系

互聯網大數據可以從資料端出發看問題,但是工業大數據則應該從價值和功能端思考。也就是說工業大數據並不是盲目的為了物聯網的資料擷取而挖掘,而是應針對應用的價值,必須要有明確的挖掘目標,在此基礎上逐步擴展挖掘的方向。

工業4.0讓製造產生服務的價值

工業4.0真正的價值,並不只是生產線的智慧化,而在於其對整個商業模式與智慧服務體系的創新技術變革,這兩者才是未來工業界競爭的藍海。

工業4.0創造新價值的方法,基本上是利用資料分析產生的智慧資訊去創造新的知識和價值。也就是以產品作為服務的載體,以使用資料作為服務的媒介,在使用過程中不斷挖掘用戶需求的缺口,並利用資料採擷所產生的資訊服務為使用者創造價值。

過去的商業模式是賣產品,銀貨兩訖結束交易,除非再次購買,否則彼此間很難找出關係來延伸獲利。但工業4.0可讓售出的產品(例如機器、設備等)自動蒐集操作或使用上的各種細微資訊,並傳送至雲端平台,製造商經過大數據分析後找出過去未經發掘的需求,再即時提供客戶相關的服務。如此製造業延伸變成了服務業,把銷售產品的獲利擴大到提供服務的獲利,在如今產品差異不大的情況下,配套服務的差異成了致勝的關鍵,且衍生服務的價值遠大於產品的貢獻,也成了讓企業持續盈利的關鍵。

製造變革啟動創新變革

把生產與銷售徹底串連,為企業開創了一項全新的創新視野,可以有效的從客戶的最終價值去創新,而不是單純為一個產品或者產業去創新,本書作者將此稱之為「主控式創新」。

「主控式創新」(dominant innovation)不直接檢視消費者的需求,而是以情境模擬的方式,思考該賦予新產品哪些功能。當製造商能掌握消費者的使用資訊時,就能夠從中找出平時看不見的細微資訊,從而找出可以提供服務的需求,產生創新服務。

最有意思的是,這些隱藏在隱晦地方,平時不為人知的訊息,消費者自己幾乎完全無法察覺,也就提不出相關的需求,因此傳統靠了解消費者需求來創新設計產品的方法變成了不可行。但利用工業4.0的大數據分析,卻能發現消費者自身未能察覺的需求,生產廠商再利用這些需求缺口,模擬可能的需求情境,再思考出全新的服務模式,而達成主控式創新。

過去製造業習慣以製造導向看市場變化,現在則必須要反過來,製造出以服務為導向的產品,才能支配市場;未來誰能從硬體移轉至軟體、將資料轉化成資訊、將銷售產品轉換成銷售服務,誰就會是下一波市場興起的贏家,這才是工業4.0的最終目標。

書籍資料

 書名:工業大數據:工業4.0時代的智慧轉型與價值創造

 作者:李傑

 出版社:天下雜誌

 出版日期:2016629

重點摘錄

■ 工業1.0機械化;2.0自動化;3.0資訊化;4.0智慧化。

■ 新一代智慧工業革命:6M+6C

  Material:材料

  Machine:機器

  Method:方法

  Mesurement:量測

  Maintenance:維護

  Modeling:資料和知識建模

  Connection:連接

  Cloud:雲端技術

  Cyber:虛擬網路

  Content/Context:資料來原背景與內容

  Community:社群

  Customization:客製化

■ 大數據具有的4V特徵:

  Volume:量;Velocity:速度;Variety:多樣性;Veracity:真實性。

■ 在工業4.0中,大數據還應該有2V

  Visibility:可見性;Value:價值。

■ 在工業大數據的分析技術核心要解決重要的3B問題:

  Below Surface:隱匿性;Broken:碎片化;Bad Quality:低質性。

■ 物聯網應該與務聯網(服務互聯網 Internet of Service)相配合才能夠創造價值,因此在建構物聯網的同時需要相對應地建構一套與之相對應的服務體系,這樣物聯網該聯解哪些物件,該擷取哪些資料,就可以按照服務體系的需求去規劃。

■ 物聯網的核心是智慧感測和通訊網路,智慧分析的核心是資料模型和智慧演算法工具,務聯網的核心是業務營運網路與客戶體驗。

■ CPSCyber-physical System)技術體系架構包括5個層次的建構模式:

  Smart Connection Level:智慧感知層(多資料融合環境)

  Data-to information Conversion Level:資料到資訊轉換層(資訊挖掘層)

  Cyber Level:網路層(網路化的內容管理)

  Congnition Level:認知層(識別與決策層)

  Configuration Level:配置層(執行層)

■ 持續性服務創新應滿足以下特點:

  服務是一種顧客密集性系統。

  服務會搭配智慧的系統工具。

  服務需透過智慧的運行分析。

  服務是一種知識管理。

  服務可以為客戶免除潛在問題的困擾。

 

註:此篇應天下雜誌邀約,分享新書心得。

 

 

 

arrow
arrow
    全站熱搜

    凌帠 發表在 痞客邦 留言(0) 人氣()