智能工厂作为工业4.0总模式的组成部分，正开始成为现实。工业IoT（IIoT）和云计算等实现技术的发展，电子制造业的运营技术（OT）和传统信息技术（IT）在不断融合。除了在数据采集和转化方面遇到挑战，真正能证明“实践出真知”的方式就是利用高阶分析法得出快速ROI（投资回报率）。这就彰显出了将领域知识应用到数据科学中的重要性。本文中介绍生产线中应用机器学习（ML）技术的成功盈利案例，即在这些案例中实现了测量科学与数据科学的融合。
工业 4.0如今已经成了全球范围内热议的主题。在第一次工业革命中，人们利用水力和蒸汽动力实现了机械化。第二次工业革命中，人们使用电力开始大规模生产产品。
经过近一个世纪的时间，又出现了第三次工业革命，工厂开始使用计算机作为性价比高、功能强大的工具进行生产。借助当时前所未有的加工速度和计算速度，工厂中更多制程实现了自动化，而且其反馈机制更理想。
数据开始成为生产力。可在整个企业平台上协调供应链、货品、客户关系、质量和生产管理方，推动公司优化制造成本、降低库存、加快发运速度并提高产品质量。
再看目前使用的物联网（IoT）技术，许多行业专家都认为这是下一代工业革命的关键驱动因素。这一概念意味着机器会变得足够智能，可以相互沟通交流并完成自动化工艺，使人为干预最小化，建立起一个可以自我监控、自我维持的机器网络。
工业4.0是一个非常宽泛的概念，由很多好似奇迹的技术组成。人们在大数据、人工智能（AI）、增强现实、增材制造、机器人学和自动机器方面取得了大量惊人的成就，也开展了大量的市场工作。但人们应该记住，这些技术的大量核心基础是几十年前开发出来的。例如，早在1956年就开发出了AI技术，并在过去的几十年中不断得到改进完善。然而，我们相信这些技术实现手段的实施直到现在才真正开始，因为目前已实现了电气元件、电子元件和无线组成部分的适当性能，并降低了其成本，才可能使工业4.0切实可行。
工业 4.0的应用主体必须是工厂，而最后要实现的就是使工厂变得“智能”。人类永远都在不断追求提高生产力和效率，这也是每次工业革命的标志，最终，从改善人类生活质量的角度推动人类的发展，事实上，智能工厂的决策，以及实现投资回报率的务实方法，将决定我们达到生产力稳定期时所需的时间和速度（图1）。
图1：过高的期望会导致灾难性的后果
在和客户展开大量讨论并了解了他们的智能工厂计划之后，我们意识到，毫无规划地搭上工业4.0这台顺风车，可能会引起巨大的灾难。
我们为全球50多家工厂提供咨询服务，分析他们的使用案例和数据集，收集了1TB的制造测试数据，以寻求提供正确的价值差异，目标是客户将选择我们做其关键解决方案合作伙伴。因此至少在我们看来，我们很有必要先定义“智能工厂”中“智能”的含义。
“智能”必须以策略为起点，这一点至关重要。在向我们咨询过的工厂中，因为公司最高层缺乏远见和清晰的思维，很多工厂在工业4.0的实施过程中很快就失败了。如果公司最后领导层没有为数字化转型策略制定明确的方向（而且这个方向还不止一种），那么许多下属工厂及其领导层就会按照自己的解读和想法。
这就会产生很多意料之外的问题，例如：
1. 无法在全公司范围内使用核心基础设施和平台，因此也就无法保证成本效益。
在建造智能工厂的过程中，每当处理单一小型工厂的问题时，主要由工程经理和运营经理主持讨论。工业4.0技术的推动因素之一就是针对运营的大数据分析。但这项技术需要公司的IT相关方参与进来，因为安全性、云和带宽的通用问题都亟待解决。此外，服务器硬件和数据中心等方面的IT资本支出也不在运营团队（OT）的管理范围之内。
行业才开始意识到OT/IT融合的重要意义。但这一点并不能在组织中凸显出来，因为公司中的数字化转型还尚未成型（或者说还有所欠缺）。我们还意识到IT和OT团队之间是如此互相孤立，以及这两个团队是多么缺乏合作。IT和OT团队的规则、预算、管理方式、文化、目标、专业知识甚至是使用的技术语言都存在着巨大差异。
最后的结果就是OT团队不愿让全球IT团队参与进来，因为他们觉得让IT团队参与进来会带来更多困难 ，而不是带来更多价值。因此，客户不会在企业中央服务器或云中应用大数据制造分析方案，以便其他工厂在不需要花费成本扩展产能的基础上使用相同的基础设施；而是选择购买服务器硬件并安装在各个工厂内。若想在公司范围内扩展规模，这绝不是一个具有成本效益的好方法，并且要付出巨大的代价才能吸取这个教训。如果没有IT团队的帮助，这个方案无论如何都会在短时间内以失败告终。
2. 孤岛式资源投资，即专注于一个工厂目标，没有与企业的战略和目标保持一致。
例如，一家工厂可能面临着劳动力低效、能力不足的问题，于是他们决定使用机器人来代替工人、使用增强现实技术为劳动力提供更优质的培训、在摄像头中应用深度学习技术来监控工人在工作时的合规情况。但这种做法可能无法从根本上解决问题，因为工厂可能没有完全采用公司给出的最佳规程，也可能只是一次糟糕的操作。
每每遇到这种状况，我们在和高层管理人员以及公司高管商讨这些问题的时候，经常会发现他们有更紧迫的关键绩效指标要完成，例如减少质量问题和退货授权（RMA）、减少因良率问题和操作问题导致的报废成本大幅攀升。这一发现并没有令我们感到意外。
3. 企业的工业 4.0策略与工厂运营产生的实际需求及面临的实际挑战不匹配。
很多时候，就算公司足够高瞻远瞩，能够提出企业战略落实数字化转型，但这种战略和计划也是完全由IT团队掌控的。
我们发现，企业在制定战略的时候，通常不会让OT充分参与到其中并提出他们面临的问题和挑战。难点之一在于IT专家很难真正理解运营操作及涉及到的制程是多么得错综复杂。这就造成企业战略目标和这些目标带给运营的真正价值之间出现了断层。
例如，一家由IT主导、基于云的商业智能私有平台，可能会收集生产车间的海量数据组合。这种做法就和工业 4.0的理念非常契合。但平台给出的深入见解和在车间内采取的实际措施相去甚远。这种平台常常只用作报告工具或机器和良率问题的警报系统。而真正在车间内“灭火”的操作员或技师则不能采用这个平台，不能快速采取简单直接的措施减少因此而造成的浪费。
这些正是我们必须着手研究和了解的部分内容，这使我们得出结论，尽管实现技术准备和员工能力很重要，但智能工厂中的“智能”始于企业要提出清晰明确的数字化转型愿景，其中要解决OI/IT团队的融合挑战。
我们的一家客户成功实施了进阶分析法，他们为生产中的测试系统订购了我们的服务，于是我们启动了概念验证（PoC）流程。图2为该客户在工厂内安装的通用生产线。
开发基于云的高阶分析软件作为服务平台（图3），目的是尽量做到实时采集数据、转化数据、分析测试系统得出的数据和测量结果，从而界定产品质量。
该解决方案必须解决这样的使用状况：工作流自动化和良率损耗预测是根据夹具、测试程序设置和其他因素导致的故障，而不是根据产品中使用的实际部件造成的。这些都是假警报，会增加生产成本。
解决方案的基本核心，就是在生产过程的每一项测试中几乎能做到实时检测出异常现象。每项产品测试中都包含了成百上千次这样的测量和测试。每天都会有几百个产品接受这些强制性的测试。有些异常现象属于夹具特定部件直接造成的退化模式。
简言之，异常现象就是常规情况出现了反常现象。这是制造和测试过程中遇到的第一种挑战。目前的工厂里可能会获取并存储诸如失效情况这样的高价值关键数据。但从来不重视采集好的测量数据，特别是在执行单次测试的时候。因此，为了预测异常现象，工厂必须能采集所有测量结果——不论是哪一种测量得出的结果。
Derek Ong 现任Keysight Technologies 公司生产技术与软件解决方案规划经理，拥有电气工程本科学历。
标签:
#企业管理与运营
#工业4.0
#高阶分析
#自动化与智能制造
