如果测试和检验仅仅是为了检测缺陷，充其量就是提供了一个过滤器，为提高产品在市场上的可靠性而采取行动——有效地对制造中的错误和弱点做出反应或为产品不足进行修改，那么测试和检验所起的间接作用在智能工厂中是没有立足之 地的。在智能工厂中，测试和检验被重新设计，带来了直接的附加值，在通过使用数据避免缺陷和创建完全不同的价值方面发挥了至关重要的全新作用。如何向那些管理预算和投资的人解释数字化的Deming理论，以确保我们以尽可能最佳的方式推进公司的数字化进程？
回到根本，制造的“直接”与“间接”价值的概念是衡量任何制造公司核心业务绩效的基本指标。与完成可增加制造价值的资源相比，该度量标准的价值是衡量与制造支持（包括非增值工艺）相关的任何费用或成本的效率。大多数其他度量标准都集中在分解生产活动，允许制造支持的低效率，并使活动不受挑战。这些成本包括测试和检验的运营成本，以及由MES组织、管理和监控的实际活动，如供应链物流和质量管理。
该度量标准的起源早于自动化，并与W.Edwards Deming的研究成果相关，尽管他的梦想必须通过大量的员工、文书工作和流程来实现。现在，我们已经将其数字化了。由于生产运营商反映了主要运营固定成本，完成组装的活动被视为直接增值，而包括返修和返工在内的其他活动则被视为间接增值。
将同样的法则应用到测试和检验中，想象一组生产过程，其中有2台设备，例如贴片机和回流焊炉，都是直接参与了产品制造的设备，然后是SPI、AOI和ICT设备。应用直接/间接法则，这条生产线的直接增值比率只有40%。在完美的世界里，我们只需要两台直接制造产品的设备。这意味着已经进行了重要的投资，再加上在某种意义上是浪费的高比例运营成本。
然而，很少有人会大胆地不配备测试和检验设备而进行生产，因为质量性能无疑会受到影响，可能会由于后期的质量不佳而导致更高的成本。不愿意投资于被认为是增加间接附加值的设备和软件解决方案是可以理解的。但是，由于该度量标准和其他类似的业务级别度量标准受到了不利影响，将会导致客户的担忧。
现场的实际团队表现有多差，他们比其他团队需要更多的间接支持？我们为什么要为他们的不胜任而投资？这些都是老生常谈的问题，如果与测试和检验相关的智能技术以及软件解决方案的投资能够被轻易接受，而不是一场持续不断的资金争夺战，智能工厂仍然必须回答这些问题。
智能工厂运行在IIoT驱动的MES解决方案内置定义本体所提供数据的环境中，这一事实对于测试和检验设备的供应商来说是非常幸运的。这些过程实际上提供了智能决策所需的大部分数据。我们能否最终抛开这些设备和解决方案是间接成本的污名，并将其定位为为生产运营增加直接价值的设备和解决方案？我们需要记住的是，我们需要说服的关键人物不是技术人员。以工程为导向解释这些设备的作用是如何改变的并不容易。
首先让我们看看我们在使用测试和检验数据方面的成熟性，目前，这项技术还没有达到可以被视为成熟的程度。多年前，六西格玛的应用表明，缺陷的发生不是必然的，通过了解过程中的变化以及如何控制它们，可以避免缺陷的发生。对数据进行统计分析，如机器学习、闭环解决方案或MES级质量分析，会揭示风险缺陷的趋势，有助于沟通问题，甚至在任何缺陷发生之前采取适当的纠正措施，即可避免缺陷。
理论分析很简单，但实践本身是多维的，因为有如此之多非常复杂且相互作用的因素。机器学习和闭环算法还没有完善到能够正确识别变异根源并采取适当措施的高度。这一点的简单实例是分析元器件放置坐标的偏差，即将设备程序中的元器件规定位置与放置元器件后检测出的实际位置进行比较。
简而言之，在出现不良焊点或不希望的短路之前偏差太大会引起警报。然而，多大的偏差属于太大取决于很多因素，例如PCB上的焊盘尺寸、形状和朝向。需要考虑元器件引线的尺寸、形状、间距和接触点外形，以及焊膏的位置、尺寸、形状和厚度。
然后，需要了解偏差模式的性质，特别是关于相邻部件的偏差。数据中的图形可能暗示PCB条件，例如拉伸或扭曲，是与已使用特定喷嘴或与特定部件本身相关的问题。这些因素中的每一个因素都有自己的规则，其中包括哪些可以容许或不容许，以及在任何前续工艺中可能需要进行哪些潜在调整。
实际上，所有这些影响都是同时发生的，只是影响程度不同而 已。完成所有的分析后，并不是最后的结果，因为趋势计算的某些方面需要重新设置，例如PCB封装的更换、喷嘴的清洁或更换、物料补充、机器参数调整等。一个真正具有挑战性的AI应用程序运行在真正大数据环境中，具有来自设计、供应链、设备程序、MES和其他资源的数据，需要提供一个整体的机器学习或闭环解决方案。这是一个“简单”的例子。虽然很多人正在从多个方面努力研究这些算法，但是否可以说“缺陷已是历史”，研究工作尚未结束，但我们离目标会越来越接近。
从商业角度来看，要想让买主投资于智能工厂检验及测试设备以及基于IIoT的MES解决方案，我们需要创建一个令人信服的论据，证明它们是增值过程中必不可少的部分。今天的直接设备已经包括严格意义上不会增加直接价值的操作。读取PCB上的基准点位置可以提高放置的精度，就像在放置之前将拾取的元件带到相机进行识别和对准一样。除了基本的拾取和放置之外，大量的设备运行时间可以专用于这些任务。
总的来说，行业认为这些功能对于SMT贴片操作至关重要，只有通过使用这些技术，设备才能够成功地放置更新、更小或更细间距的元器件。放置元器件后增加检验和测试，可以定位为朝该方向的发展。唯一的区别在于，它需要一台单独的设备来执行测试和检验，以及用于机器学习、生产线学习闭环或MES级工厂学习的外部软件。然而，它们在本质上都是相同的，因为它们均有助于提高生产线本身的直接性能。
正如我们在技术发展过程中所看到的，将测试和检验转变为零缺陷驱动力（而不是过滤缺陷）的过程可能不会一蹴而就。在一段时间内，这两种情况都会发生。随着生产线和工厂层的发展，预计缺陷将会随着时间的推移而减少和消除，因为从测试和检验中获取的数据将得到改善，并将与越来越多的数据源（如来自MES和设备上的算法）相关联。
不过，这个过程必须从某个地方开始。智能工厂管理必须投资于通过使用测试和检验数据，努力从基于缺陷的质量管理过渡到零缺陷质量管理的计划。我已经看到，通过利用测试和检验数据来提高放置精度的软件，良率损失已经减少了一个数量级，这是绝对不能忽视的一大益处。
支持设备、生产线和工厂学习的测试、检验和基于IIoT的MES软件属于任何智能工厂采购预算的必须项目，已被证明对制造有直接贡献，并有望在合理的周期内实现实际缺陷率非常接近于零。
如果我们想真正挖掘智能工厂的潜力，就需要能够利用行业所看到的最新革命性技术进步，例如以CFX形式进行标准驱动的IIoT数据交换，它实际上消除了数据采集的成本。现在已经可以采用基于IIoT的机器学习、闭环生产线学习以及通过采用基于内置本体的IIoT驱动MES解决方案在工厂层实现大数据环境。
显著的优势已经可以实现，消除了非增值投资的风险，例如在中介软件和锁定的专有解决方案方面。对制造商战略是巨大的支持，因为我们要面对日益增长的全球挑战，促进灵活、可持续、环保和可获取利润本土制造的繁荣发展。
Michael Ford任Aegis Software公司新兴产业战略高级主管。如需阅读往期专栏或联系Ford，可点击此处。
