真正的工业4.0
发布时间：2022-12-10 11:08:14 所属栏目：大数据 来源：
导读： 工业4.0一词在国内被炒得火热。相比之下，它的创造者德国人却并不热衷于提这个概念。同样，更多的先进制造企业更愿意从自身发展需求出发进行技术升级和改造，当还没有工业4.0这个提法，欧洲一些工厂系统就已经大
|
工业4.0一词在国内被炒得火热。相比之下，它的创造者德国人却并不热衷于提这个概念。同样，更多的先进制造企业更愿意从自身发展需求出发进行技术升级和改造，当还没有工业4.0这个提法，欧洲一些工厂系统就已经大大超前，现在看来在技术上是最接近工业4.0理想的解决方案了。我们可以通过这些企业现状和工业4.0概念的对比和分析，来更加清晰的了解真正的工业4.0和先进的智能化工厂的差距。 不得不提的柔性生产概念 柔性生产( )是指主要依靠有高度柔性的以计算机数控机床为主的制造设备来实现多品种、小批量的生产方式。 由四种模式综合发展而来： 1、精益生产（LP）。是美国提出的，衍生自丰田生产方式，其特点是以致简化组织和强调人的能动性为核心，力求低消耗、高效率、零库存，杜绝一切浪费，其基本前提是为满足用户的高质量产品需求。 2、并行工程（CE）。也是美国提出的，其特点是对产品开发及其相关过程以组成多功能协同小组工作来进行，并在产品设计阶段就集成考虑生产制造、销售服务过程的适应性要求。 3、敏捷制造（AM）。也是美国提出的，其特点是注重适应各种变化的快速要求，以动态多变的组织结构度和充分发挥技术、组织人员的高度柔性集成为主导。 4、智能制造（第一代IM，第二代CLM或HIM），是分别由日本和德国提出的，其特点是强调柔性化生产中人因的决定作用，这是以提高决策化为目的并在整个制造过程中贯穿智能活动。 柔性生产的精髓在于总结和发展，并结合最新科技和理论。比如自动化和信息化就是实现柔性定制个性化生产的重要手段。在精益生产理论中总结出零库存的精髓，从精益生产、敏捷制造中总结出以人为本、重视培训，一人多专多用的精髓，从并行工程和敏捷生产中总结出动态组织构架的的精髓，而智能制造将这些精髓冠以智能之名，把数据和分析贯穿始终。 工业4.0大数据_大数据工业行业应用_工业1.0到工业4.0通俗 总结出来，柔性生产就是一个或一群决策者同样是生产者，他们以变化不定的组织构架适应客户和市场，快速决策和指导生产，高度重视数据和分析，并通过最先进的科技进行生产，追求利益最大化和零库存。 JIO（Just In Order）和混线生产 在柔性生产概念的指导下，JIO（Just In Order）应运而生，继精益生产中一个小环节JIT（Just In Time）准时制生产的基础上提出的，要求供应商不仅应按时将零部件送抵生产现场，还要求不同规格零部件的顺序按照要求排列，以便满足混线生产的要求。 这样不同型号的产品在装配时，不会因为零件顺序错落而发生装配错误的问题。 换句话说，JIT只适合单一产品的大批量生产，而JIO则是混线生产，上一件产品是汽车，也许下一件产品就变成了游艇，其零件和工序有相同也有不同，需要统一调配，通过准确的命令按照顺序进行生产，柔性制造模式所必需的供应链运作机制，是生产模式的变革。 搞清楚柔性生产后我们来看一看工业4.0，无疑，其特点在于更高的智能化，重点在于数据和分析，传统工业的自动化控制即使是JIO也只是基于对信号的控制进行处理，而工业4.0需要联系边缘计算，是基于数据进行处理分析，更多的聚焦在调度、优化、路径方面。需要将传统智能制造中由人决策、应变处理的部分，还有大量的经验，甚至还没有被总结分析出的数据完全通过系统进行处理，在工业4.0中，大量的脑力劳动将被计算系统取代。 在JIO时代，人们将自己的经验变成指令，把指令写成程序工业4.0大数据，让机械自己去执行，毕竟机械不会出错也不会累。而在工业4.0时代，客户需求会变得更加精细、多变，生产会变得更加“混乱”，再加之人员成本的持续走高，我们就需要将一部分“决策权”交出-让智能系统自己根据海量数据进行分析，得出最佳的生产路径甚至对整个生产线进行改良。 当然，工业4.0的做法需要海量的数据存储、数据的灵活高速调用、高性能运算集群的运算才能实现，除去边缘计算进行一些补充性计算和存储必要性数据外，大数据中心是不可或缺的，大数据中心是工业4.0的根本，因为大部分运算分析、数据联通、数据存储都将在大数据中心中进行。 作为业内人员，放眼国内的自动化项目都号称4.0，但绝大部分无法实现柔性制造工业4.0大数据，更不要说工业4.0。中国企业谈4.0只是按照自动化集成去理解，并没有真正领会生产模式变革的意义。 工业4.0大数据_工业1.0到工业4.0通俗_大数据工业行业应用 工业大数据与大数据追踪 上文也提到了工业4.0和大数据中心的重要联系，那么需要海量存储的数据从何而来呢？其实在产品的整个生命周期中会产生很多数据，即所谓的大数据。国家甚至对此类数据进行了详细分类（工业和信息化部办公厅印发《工业数据分类分级指南（试行）》），如包括但不限于研发数据域（研发设计数据、开发测试数据等）、生产数据域（控制信息、工况状态、工艺参数、系统日志等）、运维数据域（物流数据、产品售后服务数据等）、管理数据域（系统设备资产信息、客户与产品信息、产品供应链数据、业务统计数据等）、外部数据域（与其他主体共享的数据等）、运营数据域（物联采集数据、知识库模型库数据、研发数据等）和企业管理数据域（客户数据、业务合作数据、人事财务数据等）。 制造商必须能够利用这些海量的数据对产品进行跟踪，以了解产品的状态。 比如某个客户购买的某产品中的某个零件出了问题拿到售后服务部门去维修，这时生产厂应该能够知道这个零件的供应商是谁，哪个生产环节中的哪个人应该对此负责，并计算出损失，甚至分析出最佳的解决办法。 当然此类相关的技术和软件产品（PLM／PDM，ERP， CRM， SCM等）早在几乎20年前就已经非常成熟，相对欠缺的是生产环节的大数据处理。 尽管也有相对成熟的解决方案，如MES（制造执行系统），SCADA（现场数据采集系统），APS（先进生产计划系统）等，但是由于缺乏强大的车间级管理系统去协调各生产设备，生产车间的自动化和信息化层始终存在着难以打破的屏障。 国际先进生产厂商的智能制造也逐渐走向分层化管理，底层存储和运算在大数据中心完成，生产系统采用相对简单和独立的软件系统和设备（边缘计算），在设备层实现了对生产数据的集成和管理。 也就是说大数据中心、生产管理调度软件和生产设备之间是相互独立运行的，就算生产调度出了问题，也不会造成生产程序调用错误。 而即便产品信息和加工数据在对应上出现问题，机器人的入库检测信息也会与程序信息进行比对，不会出现加工废品（即可能用较大尺寸的毛坯加工出小尺寸产品，而不会出现小尺寸毛坯调用大尺寸产品加工程序的问题），这里就体现出冗余和纠错的概念雏形了。 （编辑：PHP编程网 - 襄阳站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐
浙公网安备 33038102330434号