Logo
新闻中心

工业大数据在汽车行业的应用

发布时间:2018-04-13 来源:金属加工
大数据技术发展的非常快,应用发展的非常快,尤其是在电商、日用消费品领域,政府公共事务领域,包括银行、金融、医疗、维稳、安保、国家安全等等。在这些方面的应用,大家都深刻的感受到。但是作为企业,特别是制造业大数据应用和其他行业比有很大的差距。这是因为制造业大数据的应用存在很多特殊性,也有很多难点。

首先,工业大数据是在工业生产经营活动过程中产生的数据的总称,这样的一个集合。研究工业大数据应用的目的是希望通过数据的自动流,不是靠人工的,具体的小数据的处理方法。从大数据的定义来说,传统的大数据四V,规模大、速度快、类型多工业大数据在前几个V应该说也是有共同的特点。但是,也有它的特殊性,特别第四个V,就是数据的质量低。工业大数据由于有很多数据的外部环境采集过程的真实性等等干扰。在工业厂房里面有很多噪音,电磁干扰等等人为因素,所以造成数据源质量并不是像想象得那么高。

同时,工业大数据的类别和模态是特别多的。一个机械产品,传统的是以几何图形来确定产品的工业设计,现在包括机械、液压、电子、电磁等,包括声学、流体动力学等,多学科的知识来构成一个新的产品,这些跨领域交叉的学科的综合应用使产品变得越来越好,这里面产生的数据是多种形态的,多种格式的。工业数据不是一个单一源,在工业大数据整个生产过程产生的数据,往往一个数据和其他的多种业务是强关联的。同时,还有高通量的特征,在很短的时间内,我们可能在以秒为单位,甚至以毫秒为单位的计算中有大量的数据进行交换,甚至达到每秒几百兆甚至上G的数据量,4小时产生的数据可能达到TB级。现在有一些复杂数据已经达到这样一个数据级别。这样的数据超过了小数据处理的方法,所以我们要借助大数据的理论,大数据的技术,大数据的软件和方法论来处理工业大数据问题。

第二,以汽车行业的应用情况为例,来说一下大数据应用的情况。工业大数据的来源分了三类,一类是在座CIO都非常熟悉的,现在各类信息系统里面产生的数据,几乎所有单位都建立了ERP、PRM、SCM或者供应链管理等等。这些系统里面积累了大量的数据,很多企业都达到了几个TB,甚至上百个TB的级别。第二类是所谓工业互联网数据,这一类数据目前和未来相比,是非常非常小的一部分。现在的智能产品,通过产品或者设备、机器运行中产生的数据,采集数据是远远不够,比如说现在智能网联汽车,江淮的新能源汽车从诞生开始就是智能网联的,整个在使用的过程中,数据得到了充分的采集,然后利用数据再做产品的改进和优化。未来这是工业大数据增长的最主要的提供方。第三类就是外部跨界数据,来自外部的互联网的数据、社会数据、政府政策、气侯、国外的一些产业、金融、政治,甚至恐怖事件,可能对市场、对产品、对企业的经营造成很大的影响,包括汇率的动荡变化等等,这些数据也是值得高度关注的。从汽车行业特别是整车企业,经过了20多年的信息化建设,传统的信息化这个概念,基本上实现了各类应用的覆盖,产生了大量的数据。

利用这些数据,各个企业都在积极的开展数据的应用,当然我的观点还谈不上大数据的应用,可能用小数的方法、手段和思维,以及组织架构来进行处理。比如说对于整个营销过程,每个月做经济运行分析,每个月的5万辆、6万辆,甚至上10万辆,汽车卖到全国各地,甚至到全球,这些车卖到哪里去了,是不是到了经销商手中?是不是到了客户手上?是不是已经开票形成了销售,是不是进入到这个体系?还是在物流状态,等等这些数据是每个月都要全过程的进行监控。同时,在数据的应用方面,从产品数据、传统数据到BOM数据。制造业大家都知道,是最基础的BOM,建立了超级BOM,这个对汽车行业整车企业是非常复杂,非常难的事情,这个在我们企业完成的比较好。一个数据源下的多个数据视图用在不同的场合,包括产品数据、工艺数据、制造数据、成本数据、采购数据等等各个BOM。

对于一个集团公司,各个事业部,各个分子公司,整个的运行情况,年度、月度、每周的经营目标完成到什么程度,营利情况,销量的增长或者减少,市场的变化,这个是每个月都要用这些数据进行大量的分析。对于生产过程,汽车的大工业生产自动化程度非常高,现在基本上50秒一辆车下线,而且是一批生产线,有一二十条生产线。这里面整个生产过程节奏是非常快的, MES制造执行系统采集了生产过程的大量数据,用这些数据来进行相应的分析,生产计划的管控、调度等等,设备运行情况的监控,以及包括质量管理,用数据统计的方法,用这些数据来进行产品的合格,产品的公差尺寸分布,误差的分析。以及像停机时间,一条生产线由于各种原因会造成非连续的断点,这到底是什么原因,通过数据采集来分析。

如何使大数据发挥更大的作用呢?就是在生产制造的全过程中,各个领域,各个环节,各个流程都可以用大数据来改善和优化作业。像汽车、飞机、高铁这样的复杂产品,制造过程是非常复杂的,过去是由已经建成的信息系统产生的数据,来发现业务中间存在的一些值得改善的地方。未来方向,正如前面嘉宾说的,是用数据创新驱动,催生新的业务,甚至新的商业模式。

第一,集团管控。中国的企业发展的很快,很多都成了集团化的企业,所谓集团化特征的企业就是总公司下属有多个事业部,多个分子公司,甚至还有海外公司,江淮汽车就是这样。集团的管控是非常复杂的,总部如果是没有这种信息化和大数据的支撑,很难精准的来管控风险,掌握它的每个企业运行的状态,是不是能够共同的达到战略目标。集团管控就是要利用大数据,它的两个重要的支撑点。一是要建立一个完全纵向打通的信息化体系,这个在很多企业已经做到或者有条件做到,在信息系统里面,叫做纵向一体化。二是即便做到了这样,也不能够实现很好的管控,利用大数据变成数据的自动流,这个数据必须是自动的流向各个需要的地方,自动进行处理。可以把各项业务的指标,比如说生产的、营销的、服务的、质量的、采购的、成本控制等等各项指标,分解到整个管控体系和流程里面。只要在设定的模型的范围内,就认为是合理的,是正常的,超过这个范围,甚至有潜在的趋势,有风险的可能,这个数据就能够及时的通过预测、预警来发现可能潜在存在的问题。

第二,研发。现在研发汽车,最大的问题是怎么去精准的识别,根据用户的需求来定义这个产品。现在国内的全新产品差不多是两年到三年一个研发周期。如果在初期对用户的需求、对未来的趋势变化不能够精准的判断的话,三年以后出来的产品,可能就不能够非常好的满足用户的需求,一个项目投下去20、30亿下去碰对了对企业的发展有很大的增量,如果搞的不对,就有很大的风险。

第三,竞品的分析。现在全球的企业,包括奔驰、宝马开发一个产品,一定是关注同行业企业的产品,同类产品是什么,未来发展怎么样。现在所有的开发都是拿竞品做分析变化,他的优点在什么地方?缺点在什么地方,我要做的车三年以后出来的产品实现更强的竞争性。竞品分析内容是很多的,可能要把人家的车全部拆解,包括具体的细节参数我们都要做分析。这个数据量是非常非常大的,这个数据如果不用大数据的技术来进行分析,人工也很难去识别,去判断,更难与于形成有价值的数据。

第四,基于大数据的建模技术。现在用到大量的仿真、优化、设计软件,关键是定义它的约束和边界条件、材料的特性、使用功能以及其他的一些要求。如果用大量的数据就形成一种所谓先进设计的方法和模型。对于一个零部件能够精准的设计,实现仿真优化。

第五,基于大数据的知识共享和协同开发。现在企业都是几千人的研发团队,江淮汽车在意大利和日本就有两个自己的研发中心,这么多的研发人员,如果是没有高度的协同工作,最后汇到一起的时候,产品可能不一定是完全对的。这就需要数据化和知识化,使后面的设计工作能够继承前面的成果。

总的来说,利用大数据能够大大的缩短产品的研发周期,提高产品利用率。如果大数据应用的到位的话,整个生产过程的管理,包括生产线的运转用大数据技术,这就是所谓智能制造。

在生产的工艺过程,从计划到材料、质量控制、设备、运行保养等等,都要用大数据形成模型来优化和指导生产过程,这就是中国制造2025和德国工业4.0描述的大数据应用的要求。如果没有大数据的采集分析,是没有办法判断的。大部分企业在这个方面,如果是分析到位,进行优化以后,设备生产线人员不增加,效率提高一倍是没有问题的,为什么我们国家的劳动生产力比较低,同样的人数,产出可能只是人家的1/3,甚至1/4。我们的潜力还非常大。江淮汽车贵一点的生产线可能千把万,如果能效提高一倍的话,是有非常巨大的效率。

离散制造的能源管控。流程行业像钢铁、化工,他们是能源消耗的大行业,所以流程行业在能源管理这方面比离散制造做的好。作为离散制造来讲,一个是能源的剂量、能源的管理,剂量不充分就谈不上大数据。不仅是能源本身省的钱,刚才前面的例子,对一条生产线怎么监控使用效率,带负荷工作和不带负荷工作的时候使用效率是不一样的。客户关系管理方面,江淮每年是几十万辆上百万辆的车,这些客户买了我们的车,享受的服务怎么样,给客户更多的关怀,提供个性化的服务,这要基于大数据给予充分的支持。对于潜在客户,根据从方方面面收集到的信息,要知道客户在哪里。通过智能网联汽车能够采集车辆行驶情况的数据,以及用户的驾驶行为习惯,就能够实现个性化推送和服务。

大数据是一个系统工程,它不是一项单向的应用,怎么在工业企业把大数据用好?首先要建立一个体系,要上升到战略高度。江淮汽车专家评估是小数据的概念,没有把大数据作为战略,从组织体系、职能体系、标准控制等的工具还没有建立,所以每个企业都要用大数据思维建立这么一个体系,不是一处而就,在这个体系框架下一步一步做,然后进行业务数据规划。上午杨部长的讲话我很受启发。大数据应用是要需求推动和问题推动,每个业务部门、每个专业的问题在哪里,需要数据给什么样的支持,最后从这里面整合成企业战略的需求,然后进行规划,来建立这样一个体系分别去做。

数据的标准化,是一个非常重要的基础工作,也是非常难的,如果不把原数据和数据关系搞清楚,每做的一步可能是后面的地雷,可能是一种障碍,这个体系建立以后要推倒重来。数据标准化是非常重要的,数据标准化的框架体系循序渐进的,一步一步的进行循环。完善数据标准体系,包括数据编码,对于复杂装备来说不是像简单的制造商品,编码就是一个大问题,是全世界整车企业一个头疼的问题。

数据采集,尤其生产过程和装备,这样的过程数据采集是很不充分的。要大力发展工业互联网和物联网技术,使得这些数据能够充分的采集,有了数据才能应用。

数据的管理,谁生产数据,谁使用数据,谁对数据的运维、管理和安全负责,每个角色都要承担不同的职能,不同的分配。有了数据以后,怎么把它用好,这要和战略和业务充分的结合,使数据能够发挥它应有的价值。很多数据有专业的人员分析,分析完以后,如果没有专业的,或者正确的使用也不行。

工业大数据难在哪里?现在的问题在哪里?真正的大数据的分析专家,建模和专业水平非常高。系统解决方案的提供商对大数据技术是很有研究,但是他不知道和不理解工业领域这些数据的需求。工业企业有这方面的业务需求,但是不懂数据、大数据技术的方法是能够为他的业务解决问题,我们的困难和困惑在这个地方。真正涉及到制造、采购、质量、产品研发这个过程,每一个细分领域的大数据,现在能够提供这样服务的不是太多。再就是企业的整个信息化体系架构,也要根据大数据进行重构,还有很重要的就是数据安全体系。最后,是要有一个大数据平台来支撑大数据整个的运行和使用。

来源:首席信息官联盟 作者李世杭 安徽江淮汽车集团控股有限公司副总工程师



关注公众号
关注公众号
返回顶部