• 工业设备数字化与现代质量


    @原创 2017-08-27 世阁  西格数据 产品经理 六西格玛黑带大师/注册可靠性工程师/PMP

    “我们相信,真正的工业互联网给我们所带来的影响…将超越消费互联网…工业互联网将是一个开放,全球化的网络,使人、数据和机器三者真正互联。"---杰夫·伊梅尔特 Jeff Immelt

    伴随着伊梅尔特的离开,这位前GE董事长主导下的工业物联网革命并未止步,我们看到整个全球设备物联、人机互联,基于数据驱动的工业智能物联网框架越来越丰满,并逐步在各个行业渗透,如医疗设备、风电健康管理、飞机智能预测维护、高铁智能可靠性预测、工厂智能物联系统等。

     

    工业4.0智能制造是一个崭新的制造业时代,意味着整个工业朝着数字化、智能化方面转型,不断影响着生产过程中的人员管理、设备管理、物料排产管理等,那么对于质量控制方式来说是否会有较大变化(比如能监测到实时产生的产品数据)?对于传统的合格评定方式如产品认证(型式试验+工厂检查+监督)是否会有根本的改变?质量体系认证方式呢?

     

    答案是肯定的,工业4.0时代的智慧型工厂正在深刻且深远影响整个质量管理系统。


    典型的智慧工厂数据采集结构


    基础数据采集部分:包含设备状态&参数数据(输入)、设备维护数据(输入)、人员数据(输入)、质量输出数据(输出),提供产品实现的输入&输出完整环节,为数据的完整性和分析的有效性提供了保证。更大的变化来自于数据获取的方式,传统方式上,还仅仅停留在人工获取,而基于物联网的通讯技术,所有与设备通讯部分均由设备与服务器交互自动完成,实现了数据的全自动采集。


    数据结构部分:工业物联网架构下的数据,多以分布式结构存储数据,为海量数据的存储、调用、分析提供了基础;同时,基于SQL环境下的数据库接口,变得更加标准化,为不同数据仓库的调用提供了基础,这也意味着不同数据源将获得深度数据集成。


    多种数采形式


    伴随着更加新的计量技术(计量+WIFI传输技术),将更进一步加快了整个数据的深度集成,从计量开始,便完成了数据的结构化存储,为后续深度分析打下基础。而这一些仅仅是开始,更加广泛的数据仓库为不同数据源的进一步集成做好了准备;同时,更加开源的算法,如R&Python等都在为各个领域的算法深度切入打下基础。



    数据自动化采集+数据存储+BI呈现的一体化、自动化,大大简化传统质量统计部分工作内容;然而该部分工作内容只是实现了数据统计实现一系列工作内容;对于质量反馈实时控制,这一严重依赖于人工分析的部分内容,则仍然有很大的改进空间要去努力,也是我们所期望的端到端控制。


    端到端控制


    而上图关系的实现,则不仅仅涉及到数据采集、自动化测量与数据提取,其中数据仓库中的结构化复杂关系,则需要重新定义,才能走到下一环节→端到端的控制,该部分在数学模型模块,基于R&Python的分析模块,提供了众多可能性,这部分,就以往实践部分,提供以下思考。


    数据应用


    该部分模型,为数据结构化到数据分析实现提供了路径,能够快速从海量数据中提取关键特征因子,为实时控制实现提供了可能性。


    简而言之,我们看到基于工业物联网架构下的智能制造,为设备数据提取、存储、实时计算、运算模型的深度结合提供了基础,并进一步的帮助工业现场质量统计与控制部分提供新的思路与路径,并极大的提高了过程质量效率。


    同时,质量管理的本质和目的不会改变,但质量管理开展的模式及质量管理结果会有变化。智能制造的目的是使制造过程更加的自动化、信息化及智能化,信息化的一个重要作用是解决快速响应的问题,智能化的一个重要作用是解决随机应变的问题。这其中当然也涉及对质量管理质量控制的快速响应和随机应变,为端到端控制提供方法路径。