注塑成型设备
名称:数字化转型——不能只在外围打转儿
发布时间:2022-08-19 06:54:44 来源:蜘蛛电竞官网 作者:蜘蛛电竞平台官网



说明:

  杂谈,可以谈论古往今来,也是交流生活感悟,亦或经验分享,专业精深,艺术人文,体育人生,读书思考

  数字化转型这个热潮席卷了整个制造业,但是,通常各个专家们讲的数字化转型,仔细琢磨起来,似乎都只是以终端生产企业的工厂为对象,就是在工厂的整体集成方面进行数字化的,这也使得机器制造商对数字化比较困惑,因为,这个数字化似乎跟自己并没有关系,但可能跟自己制造机器的这个车间有关。但是,对于装备制造企业来说,这个数字化似乎与它们的核心业务关系并没有那么直接,当然,提升工厂水平是需要的,但它们似乎更为关心自己的产品——机器,如何推进数字化。

  产生这个的背景的确在于“转型”的需要,对于中国过去数十年的制造业而言,主要是一个生产产品的问题,比如买来成型类设备,生产出零部件然后进行组装;第二种是引进成套产线如LCD生产线,进行生产,这里存在几个转型需求:

  1.对于成套产线来说,引进时主要为了某种产品,但是,随着时代的变化,这些产品已经过时了,例如,当年的英雄笔、中华铅笔、电视机、空调这类,因为,当工艺变化了,原来的产线已经不胜任了,而我们只是买来了生产特定产品的,因此,这使得我们在变化的市场中无法适应变化而遭遇淘汰的风险。图1 一条引进的触摸屏生产线.对于非成套的工厂,如果我们把离散制造分为“成型工艺”设备生产零部件,然后后道进行组装,那么,这样的产线的问题就在于,需要将原来手工、大量耗费人工的产线改为连续的自动组装线。这个转型的目的在于通过数字化运营管理提升效率。

  3.对于原有的粗放型管理,现在随着竞争的加剧,锱铢必较,因此,需要通过数字化对其进行透明化、可视化,以获得改善的方向,向运营管理要效率。

  在这几种转型中,第一种情况就是要把原来成套引进产线改为能够自适应新生产的柔性模式,并对其进行改造;第二种情况则是对后道进行机器人、输送技术的连线(生产物流)来提升效率;第三种则意味着通过数字化来改变整体公司的管理水平。

  但是,新形势下我们遇到的问题,可能不是数字化转型能解决的,因为,我们需要思考以下几个问题:

  1.卡脖子一般都卡在了哪里?仔细分析问题,我们觉得是芯片被卡脖子了,但是,再仔细解析问题是制造芯片的设备和材料被卡脖子了,因为如果这些掌握在我们手里,那就没有办法卡芯片这个最终产品的脖子了,因此,所谓的卡脖子——都是在制造设备方面,而不是最终哪个具体的产品。

  就像半导体行业,如果你有设备,那么就可以生产,这个时候,我们说通过数字化来提升效率,确保良品率是有意义的。但是,现在设备就不在我们手里,如果不卖给我们设备和材料,那就无法生产。而只有掌握了设备,才能在这个基础上进行数字化集成。图3 半导体工艺制程及关键设备

  2.工艺问题能不能绕开?如果解决问题都在外围,那么,就不是真正的解决问题,而只是延缓了;或者看上去解决了问题,而本质问题被继续拖延,就像病人被诊断错误,然后给出了错误的治疗方案一样。装备的工艺才是关键,这些问题不解决,还是只能大量进口设备、采购材料,最终产品的高额利润仍然在别人手里。生产可以,但是,赚的钱都不是你的——这并没有改变数十年来的格局!因此,工艺技术必须掌握在自己手里。这条路不能绕开,必须要走。

  3.为什么掌握设备工艺才能线)因为数据在设备上,而如果人家不给你开放,你也拿不到数据,如何数字化转型?很多搞数字化的都谈到这个话题。讨论的一个维度是,这些设备是进口的,他们并未开放所需的数据;而缺乏必要的数据,那么你的采集、分析和应用就会残缺不全。第二个维度是,由IT厂商主导数字化,可能缺乏由原有的设备控制系统提供商来进行的便利,毕竟直接访问内存里的数据,可能对IT厂商还是缺乏条件的。

  (2)优化的结果也要设备执行,可是设备却没有执行能力怎么办?进行数字化,在制造现场遇到的很多问题就是下行数据下发的问题,这同样是一个普遍的问题。在印刷厂,数字化系统如ERP/MES都不能被有效的下发,那就无法完成自主执行,这个问题怎么解决?这样的数字化转型意义又在哪里?在很多领域,IT和OT事实上都是两张皮,并不能真正做到“自主决策并自主执行”。在表面上看,似乎实现了数字化,但实质上并未真正融合。

  综合上面所述,结论就是要真正实现数字化转型,必须在工艺设备上下功夫,就像大飞机,肯定不能否认把各个零部件组装起来这个“工程”本身的难度——因为,集成的过程本身就是一种工程创新。但是,发动机、航电、液压系统这些关键零部件还是别人的。零部件如发动机,它本身也是一个集成过程,因此,设备本身的工程集成也是技术含量很高的工作。

  装备这个行业长期被大家忽视,郭老师(编者注:指上海优也信息科技有限公司首席科学家郭朝晖)之前在一次在线会议及他的文章中都提到非常重要的观点,高科技最终是要完成高品质的产品,并非什么芯片就是高科技——如果这个芯片只是90nm制程,在目前也算不上高科技。或者高铁、船舶就是高端制造业——高端不高端不是由行业决定的,而是在这个行业里的横向比较来评价的。就像你不能说伺服电机就是高端的,而是根据其动态响应能力、稳定性指标高低才能称之为是否高端,因为异步电机、步进电机也有做的非常高端的。图4 大型饮料灌装系统

  如果这些基本的常识性问题都尚未厘清,那么,对制造业的认知就会出现很大偏差,正所谓失之毫厘谬以千里。

  这里必须提到工业软件的问题,CAD/CAE这些软件都很贵吗?这是个认知问题,记得好几年前,我和L老师谈到建模仿真的重要性,以及我们在很多项目中通过这种建模仿真如何降低研发成本。L老师问了我一个拷问灵魂的问题“你说,建模仿真这么好,为什么国内很多都不大用呢?”——我倒也在那一瞬间想明白了,建模仿真软件主要解决在测试验证环节的成本问题。因为物理的测试验证代价非常高,像风动测试、材料的测试等。那一瞬间想明白了,因为我们的装备是复制那些已经被欧美厂商验证过的机械与控制系统。因此,就会出现无需测试验证的问题,这时,CAD/CAE/仿真软件的价值就发挥不出来,而仅仅是用于绘图,那么,你一定会觉得这个软件很昂贵。但是,如果你真正自主创新研发装备,这些软件就会大量节省成本,甚至可能那个软件的成本无非是几次材料测试的成本。图5 建模仿真的优点

  数字化设计软件,主要是通过知识复用,其实就是把已有的行业知识封装起来,降低了大家的开发成本。因此,它的核心作用是为了降低成本,所以,在逻辑上,它不会是一个高昂的成本,因为,如果你自己去做这个软件,成本大概比你买要高很多倍。你分享的是前人大量的经验、知识——如果你知道知识的价值,你才会理解软件的价值。图6 基于模型的工程(MBSE)

  在很多行业,机器本身的参数都是通过经验来获得的,后来发现国外为什么要花代价去做这些建模工作?因为,这是一个长期可用的问题。由于国内的生产规模往往比较大,通过规模效应来降低成本,这使得即使一次测试可以长期生产,那么在测试过程中的浪费就会忽略不计。有一次和弹簧机的用户谈到为什么不建模仿真做机器,他说这个需求在国内并不大,因为国内有很多产业集群,他们就只生产某些固定的产品——低压开关里的弹簧,或者仅生产圆珠笔里的弹簧,机器并不需要各种产品变化,一次调校就会生产很久,甚至一年都是这个产品。

  但是,欧美国家这样做,是因为市场小,客户需求千变万化,因此,他们必须进行适配性工艺建模,以让机器能够生产差异很大的产品,因此,从需求和实际行动两个视角来看,数字化设计软件——这个最近几年都在热议的工业软件话题,其背后逻辑就是我们的制造业需要转型,通过提供更为个性化的产品来赢得市场。通过创新需要意识到,创新是代价很高的,而这个创新,如何降低成本,需要通过数字化的方式来实现——关于这个问题,有太多的人讲,但背后的逻辑要梳理清楚。

  数字化转型的意义在于,数字化能力最大的优势是“灵活性”,即,企业的战略永远在于解决企业如何在VUCA的环境下胜出,通过数字化来实现信息的高效,决策的高效以快速应对变化,那么,这个制造工厂也要有能力去执行企业的战略——如何在变化中生产客户需要的高品质产品?

  建模就是把各种可能性进行建模,形成一个内部的算法,在输入各种变量(材料特性、规格等)然后自动为其计算出在逻辑任务、运动控制任务方面的调节,以胜任新的生产变化。

  通过软件的配置,形成新的生产任务,但是,制造业的软件与机器之间的强耦合关系,使得这个需要大量的测试验证,那么仿真就要解决各种情形下的系统匹配性,是否达到所需的生产能力。建模也包括两种主要的方式,机理和数据。

  物理建模是提供显性知识,但是,机器生产中,影响品质、成本的还包括很多隐性知识,需要通过学习方法来实现规律的挖掘—这样可以进一步挖掘机器的潜能。而事实上,从哲学意义上来说,世界的本质是非线性的,或者我们发现的世界规律仅仅是沧海一粟,这也是AI发展的原因。基于演绎法不怎么创造新的知识,而归纳法可以,这就是数据驱动建模的力量。但是,我们现在的更多问题可能是还没有把更为经济、更为好用的物理建模搞清楚,就要用AI来解决问题。这样就很容易被物理建模打败——因为它真的更经济。感觉目前的产业竞争,还没有到那种需要拼天赋的阶段。

  机器在数字化工厂将作为一个关键的数据源以及任务终端执行者,因此,它必须与数字化系统具有交互能力,包括网络与通信。为了提高效率,需要对信息进行建模以提升设备被集成到产线中的工程便利性,例如OPC UA的各个行业信息模型,就提供了信息快速采集、配置的能力。

  当装备进入工厂后,装备具有了连接能力,且具有自上而下任务解析执行能力,这个时候,还有一个层面的问题,需要通过数字化来实现,即,调度与协同问题。

  (1)边缘层架构的数字化应用:人们都把任务聚焦在了MES/ERP上,但是,新形势下的工厂,要提高效率,仍有很多任务是和工艺相关的,例如,识别产品问题的快速质量迭代,边缘架构在于设置一个全局量,这个问题无法在单一设备解决,除非这个产线由单一源头供应商提供,但同样也要构建这个计算架构。

  设备的有些问题可以本地解决,但有些问题却要和别人协作。在协作层,同样需要数字化能力来对生产调度任务进行快速编排。这个可以通过OPC UA的信息协同和任务编排实现,例如可以通过边缘层的任务编排软件。这个软件具有一定的实时性,例如对缺陷分析,并对引发缺陷的多个机器分析推理,以明确是哪个机器需要调整。这样,就会出现信息被快速获取,实时计算(不一定是微秒级)的问题。

  其实,OPC UA核心是解决协作中的数据访问问题,像一个手机工厂,包括了注塑、钣金、电子、包装、机器人、物流、视觉各种连接需求,而传统垂直行业的信息模型如Automation ML、PackML、EUROMAP、MTConnect、AutoID等都需要用统一框架来实现,否则,就会遇到大量的工程编程的接口连接问题。

  在全局调度这一层,相对来说,智能化比在机器层面更有价值,因为,机器学习对于不确定性、模糊型问题,数据量大,且不影响实时控制方面的任务还是比较适合的。实时任务,有时候不太允许慢慢的数据积累过程,因为代价高,且不安全等因素需要考虑。

  就现在的局面来说,工业自动化领域来做数字化转型,其优势显著,最重要在于,物理模型、数据源、领域知识是优势。至于选择AI工具,对于装备制造商而言,AI是工具,对AI提供商,AI才是产品。因此,问题就变成了需要什么样的工具,很早前曾经写过“自动化是解决问题的行业”,先要知道问题,然后选择工具而已。

  以贝加莱(编者注:作者所在公司)为例,工业上实现机器的智能应用,其实还是很方便的,只在原有的闭环控制上增加观测器,对整个过程的数据进行监测,并通过成本函数去约束其过程收敛到最优。图9 实现智能化应用的软硬件框架

  (1)Hypervisor技术的PC,Hypervisor是一种分割CPU多核处理器的技术,例如现在的i7处理器为多核处理器,可以让其中一个核运行Windows/Linux程序,做图像处理、或者运行学习程序、数据库,本身具有256GB的CFast卡来提供历史数据存储,另外几个核做RTOS的任务,包括数据采集,和指令下发到现场执行。

  (2)对于长周期训练数据,或更大的容量需求,则可以通过OPC UA或MQTT送到边缘计算或云端进行训练,再下发到控制计算机来进行执行,通过文件读取或OPC UA。

  (3)AI的模型与控制的模型在内部融合,实现计算与控制协同,由于控制系统本身有大量的现场数据采集,以及软件中间产生的数据,这些都可以在内存里被直接读取,数据源最近。而PID调节过程直接进行调节。

  数字化要从装备底层做起,在外围打转总是事倍功半,不能解决核心工艺技术这个长期存在的问题。但是,数字化对解决这个问题会有很大帮助,重视数字化,但是,不要为表面的繁华所诱惑,拿项目、树标杆、造势。

蜘蛛电竞 版权所有  沪icp备12037774号 XML地图