原標題:工業富聯劉宗長:工業人工智能與工業互聯網為製造業帶來的價值機遇 | CCF-GAIR 2020
8月7日-8月9日,座標中國深圳。2020 全球人工智能與機器人峯會(CCF-GAIR)於深圳前海華僑城 JW 萬豪酒店啟幕,大會由中國計算機學會(CCF)主辦,雷鋒網、香港中文大學(深圳)聯合承辦,鵬城實驗室、深圳市人工智能與機器人研究院協辦。
在8月9日壓軸舉辦的『工業互聯網專場』上,富士康工業富聯首席數據官、科技服務事業羣總經理劉宗長做了題為《工業人工智能與工業互聯網為製造業帶來的價值機遇》的重磅演講。
工業富聯,也就是富士康工業互聯網股份有限公司。他們作為既懂工業製造,自身也能作為“試煉場”的工業互聯網企業代表,自2018年6月在上交所上市,現在已滿2年。期間,他們正式對外推出工業雲平臺(Fii Cloud)、專業雲(Micro Cloud)及工業人工智能(IAI)的服務主架構。同時,還確立了“智能製造”加“工業互聯網”的雙輪驅動戰略。
![2acd-iyaiihk7398173.jpg](https://postimg.futunn.com//tmp/phpvTAq2R.jpg/big)
演講中,他首先介紹了工業富聯位於深圳的熄燈工廠,並談到如何實現零宕機、零次品、零浪費、可傳承的無憂製造。接着解讀了如何利用人工智能技術幫助製造企業挖掘數據價值,提升競爭力。
他表示,主要場景歸納為三個機遇,一是AI與設備相互連接,使其能夠實現透明化的管理;二是企業大量建立自己的信息化系統,包括ERP、MES,像企業的資源管理上的自動排程,主機化生產的資源排配,現在有大量工業軟件,西門子、ICT等已經用到很多;三是AI和人機交互誕生新的工作方式,比如現在用的AR技術去做設備維護,包括設備維修的輔助,還包括現在大量使用的iPhone或者Pad,它的組裝已經到鐘錶級的精度。
談及智慧製造系統,劉宗長表示:
“我們説要經歷5個發展階段,這5個發展階段沒有辦法做跳躍。當我們的精益沒有做好,可能很難做信息化,信息化沒有做好,更不要談大數據和智能化。”
“現在有專門的科技服務事業羣對外服務很多企業,我們接觸上百家企業,我們關注到非常多優秀的企業,無論是規模上還是盈利能力都做得很好,他們把前面兩個部分能夠做完善就已經變成企業中頭部的位置。”
隨後,劉宗長系統地介紹了富士康燈塔工廠的理念:從“無人”到“無憂”,工業富聯科技服務三大業務板塊,以及如何致力於實現智慧製造系統的全場景集成。
以下為劉宗長的演講全文,雷鋒網(公眾號:雷鋒網)在不改變原意的基礎上進行了編輯和整理:
各位下午好!很榮幸今天能代表工業富聯參加這個活動,我今天分享的主題是《人工智能與工業互聯網為製造業帶來的價值機遇》。
由於我是代表工業製造企業進行演講,首先有一個代入感,這是集團內在推的熄燈工廠。
在這個工廠中,大量自動化實現以後,用很多IoT的技術將設備互聯互通,實現了很多工廠都有的熄燈生產。我們每年給各個生產部都下“熄燈率指標”,今年某個車間或者完整的產品線生產工序達到多少的熄燈率。
![f682-iyaiihk7398178.png](https://postimg.futunn.com//tmp/phpIEGZYF.png/big)
而在燈打開之後可以看到,整個車間內,從單個設備的自動化和慣序協同的自動化,包括上下料的過程,應該説在硬件基礎上都比較完善。這裏面的AGV和上下料的機械臂和中間的加工中心都是富士康自主研發和生產的。
關於現場失誤,其實很多是我們看不見的內容,而看不見的內容正是我們管控的重點。比如這些設備有沒有振動的異常,生產過程有沒有參數偏差,還包括參數的設定、現場的作業是否標準;由於電子產品的生命週期越來越短,從過去大批量製造向小批量、多品種的製造方式轉變,而且市場變化很大,經常有訂單的變化。那麼,我們資源的協同要怎麼做到時刻都是最優的配置?
這些不可見的問題會帶來很多損失,包括停機、次品和資源使用效率等。過去管理這些損失的時候更多靠經驗和一線班組的管理能力和領導力。我們現在做的是能不能把數據通過建模分析的方法,有些工業AI的系統,把它變成支持我們決策的依據。這樣,我們可以做到時刻掌握一線發生什麼樣的情況,當有風險的時候可以極早預測並且預防,給我們帶來的價值或者在追求的目標叫做“零宕機、零次品、零浪費”。
過去一線班組的經驗、優秀的管理人員、優秀技師的經驗是可以被傳承的。無論是工業互聯網,還是AI當中的使用,這是作為製造業非常樸素的目標和想法。
利用人工智能技術關鍵是怎麼幫助企業挖掘這樣的價值,不斷提升競爭力。主要場景歸納為三個機遇:
![50d2-iyaiihk7398250.png](https://postimg.futunn.com//tmp/phpnnhgqW.png/big)
一是AI與設備相互連接,我們能夠實現透明化的管理。無論是預測性維護還是做到AI非常自動和高效的質量檢測,包括過程參數也用AI的方式做分析,做到自動異常識別。這其實都是我們在AI和設備上使用的,會大量用到邊緣運算的方法。
二是企業大量建立自己的信息化系統,包括ERP、MES,像企業的資源管理上的自動排程,主機化生產的資源排配,現在有大量工業軟件,西門子、ICT等已經用到很多。如果企業已經做到信息化升級,有很多數字化的線程,裏面會有些關鍵的點是人工做一些調度,包括人工做一些決策,關鍵線程的關鍵節點引入AI技術就可以做決策的智能化。我們現在做APS的先進排產,已經實現柔性混線生產的情況下,包括大家用的電子製造的產品,其實所有的BOM已經越來越複雜,我們接到很多訂單怎麼把現場設備資源、供應鏈能夠組織起來,包括生產資源的主機化,包括精確到每個小時在線設備的排程,過去是靠人用Excel做,現在把這個系統線上化,並且做到日排產、周排產和小時排產的過程都是用AI的方式做。把過去4小時的人力排生產計劃線變成分鐘級,而且排的效率比過去人工排產的效率,資源的使用效率提升10%以上。
三是AI和人機交互誕生新的工作方式。比如現在用的AR技術去做設備維護,包括設備維修的輔助,還包括現在大量使用的iPhone或者Pad,它的組裝已經到鐘錶級的精度,所以我們在訓練一線甚至組裝裝配工人的時候現在用VR的方式,讓他有更加真實的環境能夠了解怎麼樣做這樣的組裝。我們訓練的週期可以變短,比如過去一個班組做5天訓練,現在變成3天以內,這些都是用AI技術實現降本增效的方法。
我們作為企業更多關注應用型的研發,從應用的角度考慮把它歸結為五類場景:
![e683-iyaiihk7398245.png](https://postimg.futunn.com//tmp/phpZRnVif.png/big)
1、基於模型的優化。我們把AI的算法與機理和控制理論相結合,可以實現在線的智能化的調機,無論是CNC加工中心做到自動補償,還是現在大量的注塑成型設備調節成型參數,這都是過去靠人發現已經有次品,人到現場判斷是什麼原因再做調節,現在已經能做到自動識別過程的異常,並且再去自主閉環調機的過程。
2、面向關鍵流程的決策。像剛才講的APS和現在在採購策略上,比如監測庫存的水位、預測接下來的訂單情況,做到整個供應鏈的調度優化。
3、還有增強分析,現在是大量使用。無論是智慧暫停室,還是一線設備的交互終端都會有些報表的方式,包括自動推送現場感興趣的信息或者異常信息輔助人員做決策。
4、智慧化的工作方式,前面也有講到柔性機器人、AR/VR混合現實的技術。現在做到知識的自動化,基於知識圖譜的方式自動給一線人員推薦,使用問答的方式輸入一個字符,給他推薦説什麼原因造成的,接下來做什麼排查步驟,這是我們更加智慧化工作方式的應用。
5、製造過程的管理,更多是PHM,用預測的方法管理質量和設備的狀態維護。
以上是我們歸納的五大應用場景。我們做這些場景開發的時候,包括內部有專門的AI開發團隊,在工業場景當中實現規模化的價值交付是難以實現的,這裏面有非常多的挑戰。
![a346-iyaiihk7398330.png](https://postimg.futunn.com//tmp/phpJkgOar.png/big)
左邊的圖可以看到,如果從時間的維度和場域價值,我們投入的精力和研發的經費帶來的價值曲線,最開始發現AI應用開發會做很多試點,所有的五大場景都有試點,試點推的過程中它的開發週期比較長,基本上是6個月到1年時間,這裏面有大量問題。
比如我們要解決什麼問題、準備什麼數據、選擇合適的算法模型、不斷做參數的調優,調優完成以後選擇合適的運算環境,把它變成整個程式和系統,這個過程會比較長。等到基本完成之後,導入場域生產的實際應用,這時候面臨的問題是實驗室環境下或者研發環境下考慮到很多因素,可能在實際生產現場是遠遠超過它的複雜度的。
結果的可靠性和可解釋性會帶來很多不足,在初期導入的時候,比如有一條產線導入一個新技術,整個所有穩定性和給產線帶來的產能和良率的波動會有調整的過程。這個過程會有3-6個月,我們又度過之後,現在基本上在我們實際場域當中穩定了,我們想規模化推廣的時候會説它的模型泛化能力和遷移成本過高,這個產線有它的特點,下一個不是同類產品,但是是相似場景的時候,還是有很多要做開發的工作。
怎麼把前面的時間縮短,把邊際成本降低?用一個系統工程的方法去做人工智能,包括像工業互聯網,很多時候大家把工業互聯網當成互聯網的概念,或者把工業裏面的人工智能用過去開發人工智能的方法去看,但是我們發現如果按照那樣的想法做會有些挑戰。我們要用系統的方法做,首先我們認為標準的研發流程非常重要,除了引進像DevOps這樣的平臺工具之外,也研究一些算法和利用冷啟動和迭代機制。
工業當中有很多典型的小數據環境,小數據環境當中,我們的算法如何快速迭代,包括快速收斂,這都是我們現在研究的方向。包括系統性的技術架構,基於CPS把5C的架構,每層任務定義清楚,哪些做設備連接、哪些做網絡通訊、哪些做邊緣的運算,哪些做模型的管理和迭代,以及和OT系統連接的時候怎麼把結果和交互做分發。
OT和Know-How的深度融合,過去做大數據過程中關注的是這裏面的維度、數據4個V的要素,但是我覺得工業當中運用的時候物理含義非常重要,包括怎麼定義,在預處理當中選擇合適的特徵,包括和工藝和設備的機理做充分的關聯,這都是要跟工業的Know-How相關。包括工業可複用、可遷移的設計,這是當成系統性的工程方法做的努力。
系統性的方法,首先要理解人工智能和工業互聯網技術在過去系統當中的定位。
從最早的方法,通過人管理現場的事和物,這是最早的方法。大家如果追溯到60、70年代,整個日本的製造有一個理念叫做TPS生產管理系統。講究的是一線每個人充分動員起來,圍繞現場的設備、圍繞現場的生產過程的要素做管理,那時候更多強調三線管理,強調一線領導力和全員動員。
過去是人在現場怎麼把事和物管理起來,靠人的經驗和責任心,後來有了系統。系統最早誕生於六西格瑪,用數據的方式管理和定義製造系統當中帶來的不確定性,包括另外一個4流派,也是發源於日本豐田的精益製造系統,在整個流程設計、管理方法和制度的設計,甚至包括整個產線設計過程中怎麼充分精益化,那時候我們關注的系統更多是文化、制度和在現場裝備的設計。再到後來有了製造的信息化,引入信息化的系統,包括開始用MES、ERP,把以前人跟進的線下流程用軟件的系統去承接。
現在有了工業物聯網,工業物聯網並不代表工業互聯網,也不代表AI。它最主要的定位應該是怎麼樣能夠把事和物當前的狀況去及時通知到人,這樣就把人從一線很多操作或者檢查這些事務當中解放出來,這是我們過去做工業物聯網的時候,在十幾、二十年前在推的內容。
再到後來,我們開始把事和物用系統的方式組織起來,這時候用到的內容叫做CPS,通過前面的物聯網基礎,再到上面邊緣的運算,再到對整個物理世界的事情或者物理對象的數字化的表達,還包括它當前狀態的認知預測以及怎麼樣反饋到跟人交互的系統當中去。我們現在正在做的很多事情,無論是數字卵生還是CPS都是做這樣的事情,這也是我們非常基礎的要素。
而能不能變成用系統輔助人做所有的決策和管理?過去是人,還是人在系統當中做主要的驅動或者決策,現在能不能反過來用系統輔助人決策?這裏面就涉及很多AI的應用和當前系統的態勢感知和風險預警,包括增強分析、提升管理的能力,包括複雜條件下如何做決策優化,用知識圖譜的技術把人碎片化的經驗系統化,反過來輔助一線問題的處理。整個系統上,人、事情和系統之間的關係,以及在各個關係連接上,不同技術應該扮演的角色。
講到智慧製造系統我們説要經歷5個發展階段,這5個發展階段沒有辦法做跳躍,當我們的精益沒有做好,可能很難做信息化,信息化沒有做好,更不要談大數據和智能化。
![f883-iyaiihk7398328.png](https://postimg.futunn.com//tmp/php4ZNK4S.png/big)
我們現在有專門的科技服務事業羣對外服務很多企業,接觸上百家企業,我們關注到非常多優秀的企業,無論是規模上還是盈利能力都做得很好,他們把前面兩個部分能夠做完善就已經變成企業中頭部的位置。
我們在精益改善怎麼做到合理化和標準化,怎麼做好全員文化的建設,包括端到端價值的改善,通過系統的方式和管理的方式,把企業的管理水平做到提升。這兩個作為基礎,我們後面做到過程的透明化,把所有的過程能夠在線,過程進展到什麼節點,這樣它的數據表現能夠用數字化的方式體現出來。大家可能關注一線MES的看法,包括企業運營決策中心都是在這上面可以做的。
我們做到數字化製造之後,目前國內絕大部分企業,包括工信部評出來很多智能製造標杆都是處於第三階段的狀態。到下一階段,我們關注的是數字網絡化的製造,這裏面我們關注的是用數據怎麼驅動跨工序的協同和決策的智能化。
如果我們可以做到,過去人驅動過程,現在變成用數據串接所有的流程,關鍵流程用數據驅動下面做什麼,流程節點是否要往下跑,這都是現在正在努力打造的。如果我們也實現了,我們覺得未來5年甚至更短的時間能夠實現自主的智慧,因為我們在每個自動流轉的事件完成之後都可以實現一條記錄,實現數據的自動累計。如果我們把反饋的閉環也解決掉,那我們可以知道每次系統自動做的決策是好還是不好,那我們在背後用這些數據持續優化我們的決策系統,這樣就可以實現持續自主的智慧狀態。
智能製造系統有幾個關鍵的特徵:
實現的目標要增效和降本,要充分釋放單位設備的產能,包括實現跨工序協同的優化;
突破關鍵工序過程中品質的瓶頸;
運營過程中透明化的管理,所有部分都可以標準化;
怎麼加速人員能力的建設,現在越來越少了一線操作人員和有經驗的技師,但是有越來越多應用的開發和IT系統的維護。
如果要實現這樣的目標,我們其實需要一個承載,這個承載就是端到端的卓越運營,我們要實現全流程信息化平臺的打造。
站在富士康的角度,我們有兩個重點的線程,一是訂單管理主線OTD,二是產品的研發管理主線。因為我們幫助我們的客户做ODM,他們可能只是產品的概念,而我們幫它做整個產品ID的設計和可製造性的設計,這部分就是產品研發的主線。在兩條主線上會有數字化決策中心把中間所有關鍵信息做彙集,集中分析,決策之後再分發到各個流程節點。這是我們在做整個端到端卓越運營信息化平臺的打造。
這裏面有很多典型的應用場景,就不一一剖析了,包括生產製造當中從工廠規劃、產線設計和生產製造過程的管理,到我們工廠數字化的表達,還有到一線設備的管理等方面都有很多關鍵場景。像我們在端到端運營當中,比如訂單的獲取、交付計劃的生成、供應鏈管理、生產計劃的執行、生產製造上一線的管理,包括我們最後的運輸交付,也有很多可以用工業互聯網和技術優化的場景。
過去,燈塔工廠的理念一直追求無人,用設備取代人的勞動,現在我們更多關注無憂,無憂是怎麼把現場沒有發生的風險及時掌握,並且通過預測加預防的方式避免掉。我們關注3W,怎麼減少浪費、怎麼減少勞動、怎麼減少憂慮。
最後給大家分享一個視頻,這是我們WEF世界燈塔工廠。這是我們做的非常典型的家用生產電子產品的產線,包括除了實現自動化的生產、自動化現場的覆盤,這是用AOI的技術做貼片質量的檢查。包括現場AGV的使用,現場設備管理,以及現在大量組裝的環節也基本上可以實現完全自主化。在焊錫過程當中,焊頭的Patch的應用,可以監測焊接過程,什麼時間做焊點的不良和焊錫頭的預測和預測系統。設備的智能校修,當設備出現問題的時候會自動推到移動端,由工作人員去做處理。現在包裝環節,即便是非常複雜的包裝工藝也可以實現完全的自動化。
有的產線以前大量使用人工,每個產線一般是318人,現在減少到38人。人力節省非常明顯,另外生產效率和庫存週期的提升非常明顯。
![734d-iyaiihk7398399.png](https://postimg.futunn.com//tmp/phpsfhfjs.png/big)
以上這些場景,我們現在包裝成整體解決方案對外輸出,我們現在有三大科技服務板塊,包括燈塔工廠整體解決方案,從燈塔工廠的規劃、設計、用例的詳細設計以及總包實施;再者,還有整個運營系統的導入和人才培養,不同場景都有硬軟整合的方案;還有1+N工業互聯網平臺做供應鏈上的服務。
我們的願景是,實現智能製造系統的全場景集成,從前端智能化的硬件到網絡,再到上面的軟件式應用,包括雲端數據分析和我們大量AI的使用場景,以及最後把所有的場景全部集成以後,實現對客户製造能力的提升和端到端智慧價值的提升。謝謝大家!雷鋒網雷鋒網
雷鋒網原創文章,未經授權禁止轉載。詳情見轉載須知。