智能工厂的三种原型及关键特性——离散制造工业4.0关注重点（一）

来源：麦肯锡北京数字化能力发展中心

作者：李铁良，尤晨

对离散制造业工业4.0来说，数字化的关注重点是关键价值驱动力。由于行业以及公司的不同，离散制造业的痛点和价值驱动因素差异很大。我们将针对三种典型的离散制造行业探讨与其特别相关的关键价值驱动力，并提出有意义的指导意见。本文介绍了离散智能制造中三种工厂原型的建立，并详细解读第一种工厂原型——机械制造业，另外两种工厂原型将在后续的两次推送中继续分享。

产品种类数量和平均批量可以用来区分工业4.0工厂类型。沿着这两个维度，我们确定了三种代表不同度量组合的工厂原型（如图1）。

• 小批量生产

• 大规模定制生产 

• 大批量生产

图1

为了进行深入的讨论，我们为每种工厂原型选择了典型的代表行业，即机械、汽车和消费电子行业。这三种行业不仅数量规模巨大，而且处于工厂原型集群中心的位置（维度重叠少，并且在产品种类数量和必要生产力方面相距甚远）。

机械制造

“小批量制造”行业的关键价值驱动力和蓝图

1

机械制造行业面临的挑战 

我们确定了机械制造行业面临的三个主要挑战，这些趋势推动了行业的必要生产力，即保持高效并降低批量（如图2），从而对机械制造企业的未来运营产生重大影响：

图2

挑战一：需求波动大

经济分析表明，机械行业的需求波动水平远远高于其客户行业（例如，2014年-2016年，机械行业的需求增长了5%-20%）。为了应对高需求波动，许多机械制造商利用高比例的临时工来满足需求高峰。这些工人通常不如正式员工熟练，需要接受进一步的培训，因此影响了质量和生产力。

挑战二：需求转向发展中市场

研究表明，需求正在从发达市场转向发展中市场，这一趋势影响了超过2/3的行业。如果企业保持传统的供应链，需求转移将导致更高的货币汇率、物流成本以及关税风险。因此，许多机械行业制造商积极推进供应链全球化。但供应链的复杂性和委托操作也随之增加，对保持不同国家之间的产品质量、生产力的均等性和一致性带来了挑战。

挑战三：对定制和集成的需求不断增长

超过2/3的机械制造商对高度定制和完全集成的系统解决方案的需求不断增长。由此，导致的系统设计、组装和调试的复杂性增加只能通过制造商的标准化和模块化工作来部分弥补。

2

关键价值驱动力帮助机械制造企业应对行业挑战

以下三个工业4.0价值驱动因素可以帮助机械制造企业应对行业变革中的上述挑战，并将其转化为机遇与企业的核心竞争力（如图3）。

从工程设计到调试的集成产品数据模型

从工程设计到调试的集成产品数据模型是应对“对定制和集成的需求不断增长”挑战的关键：从工程设计到调试的集成产品数据模型，在遍布全球的足迹和供应链中进行高效生产，并用有效方法处理因定制化系统解决方案需求导致的产品复杂性增加。

数字化员工支持

数字化员工支持是应对“需求波动大”挑战的关键：当面临“需求波动大”带来的临时工大规模增加和熟练工人的全面减少时，工人的数字化能力成为关键价值驱动力，企业可以快速培训相关员工，或将工人手头的工作分解为更易掌握的小步骤。

数据驱动的OEE优化

数据驱动的OEE优化是应对“需求转向发展中市场”挑战的关键：需求转向发展中市场为机械制造企业带来了一系列难题，例如物流成本和贸易风险激增等。也有许多机械制造业正在转向本地对本地战略，这大大增加了供应链的复杂性与资本投入。无论是哪一种情况，操作繁重的机器制造商都面临着短期成本激增的问题，因此可以创造显著价值的数据驱动的OEE优化变得势在必行。

图3

3

机械制造行业关键价值驱动力一：从工程到调试的集成产品数据模型 

图4

问题在价值创造的工程和设计阶段，日益集成的数字化工具链变得越来越普遍，但产品数据模型的完整集成（小到车间以及整个供应链和生命周期）尚不普遍。当下，数字数据流中断仍然相当普遍，比如，由于与现有机器的工具不兼容或者仅仅是缺乏培训或数字车间设备而造成的中断。因此，基于纸质的工作单和组装指令在车间和组装中仍然很常见，而集成的产品数据模型（例如在加工中自动生成NC/CNC代码）却收益很少。解决方案 （如图4）从工程到跨系统调试（例如CAD、CAM、CAQ、PLM）的集成数据模型可实现从设计阶段到组装和调试的无缝数据流。此外，集成奠定了在整个制造和装配过程以及整个产品生命周期（如维修）中大规模创造工业4.0价值的基础。在流程方面，完全集成的工程和设计软件可以向车间提供最新信息，即使在设计变更的情况下也是如此，从而减少了制造和组装错误。通过数字双胞胎在所有阶段实现的产品数据透明性，也有利于机械制造商进行数字化调试。集成的产品数据模型可以直接在客户现场进行调试，无需内部调试、内部测试以及拆卸，从而大大缩短了交货时间。影响通过自动离线NC / CNC代码生成，完全集成的产品数据模型减少了机器的闲置时间，提高了加工区域的劳动生产率，并释放了机器控制编程能力。集成数字信息流可以缩短交货时间，实现从机加工到调试的设计变更，并显著降低了组装和调试阶段的人工成本。

案例

图5公司A实现了从CAD / CAM到机床控制器的无缝数据流（如图5）：

无缝数据流解决方案的实施使该公司能够将项目信息从制造计划无缝地传输到生产。在车间，PC工作站通过串行接口或以太网连接到机器控件，机器操作员可以访问已发布的数据。根据工作的复杂性，模拟数据、CAM零件、CAD模型、图片、视频和工作计划会补充NC数据、车间图纸和工装单的默认信息。

由于可以在车间直接访问PLM信息，机器的闲置时间大大减少，操作员也可以有效地减少质量差异和生产错误。

4

机械制造行业关键价值驱动力二：工人的数字化支持

图6

问题

当前，组装和内部物流中的工作流主要基于纸张，因此很难获得准确的工作单进度、零件位置等最新信息。此外，工程变更通常会以很大的延迟传达给车间，导致工人根据过时的工单进行生产。这种透明性的缺乏带来了返工，且延长了交货时间。完全基于纸张的工作流程也阻碍了流程的改进和绩效管理，因为获取和准备基于纸张的信息并进行性能分析非常耗时。

解决方案

（如图6）工人的数字化支持结合了从纸质信息流向数字信息流的转换，增加了在车间和调试中对数字设备的使用。这使员工可以更准确地读取即时的关键信息。比如，员工可以随时从车间访问包含最新任务的详细任务描述和数字化工作单与组装说明。此外，数字化的工作进度记录可以实现实时的在制品跟踪和绩效管理。例如，针对每个生产步骤所需的实际工作时间，企业可以更好地将其与组装标准时间进行对比，并根据工人的技能或经验水平动态地重新分配任务。企业还可以明确检查并优化那些实际时间显示出较大标准偏差的工作步骤。数字化工作人员支持解决方案将精益方法提升到一个新的水平。作为成功的工业4.0关键价值驱动因素，数字化员工支持成功的关键在于以用户为中心，尽早关注员工对数字化解决方案的可用性和接受度。需要考虑的关键方面包括：设备的刚性、通用安全设备的可用性、佩戴时的舒适性、至少可以持续全班工作时间的电池寿命等。另外，工作人员生成和应用数字内容也很重要。

影响

数字工作流程工具可实时跟踪装配时间和进度。这种层级的信息更新可以尽早重新平衡产能并及时发现延迟，最终提高劳动生产率并缩短交货时间。

案例

图7工业设备制造商通过实现“车间到顶层”数字化来提高效率：公司B开发了端到端可视性解决方案（如图7），该方案在企业的内外部供应链中都建立了透明性。方案的定制应用程序包括与ERP、车间控制系统和第三方物流的集成，也包括订单管理、备件上线、电子看板、可追溯性、扭矩和测试数据记录、数字工作指令、条形码打印以及仪表板上信息实时更新。最终，企业产品规划效率提高了30％，并且组件在制品的时间从3天减少到4小时。

5

机械制造行业关键价值驱动力三：数据驱动的OEE优化

图8

问题

当机械加工流程资本密集、利用率高或与其他生产流程相比成为瓶颈时，OEE优化通常会成为关键价值驱动力。而当机械加工大部分外包时，OEE优化就不那么重要了。

解决方案

（如图8）数据驱动的OEE优化旨在使用高级分析来分析可用、性能和质量这三个OEE影响因素，并确认OEE损失的根因，进而找出相应对策。数据驱动的OEE优化的第一步是在整个制造环境的当前OEE上创建透明性，将其作为后续优化的起点。因此，获取详细的OEE信息至关重要。OEE测量需要具体到每一类OEE的事件跟踪和时间序列测量（如转换时间与等待时间、计划外的停机以及原因）。此跟踪通常基于集成的制造业IT，以实现数字化事件跟踪，并将事件数据与来自更高级别系统的信息（如供应链信息、质量数据、班次安排）集成。第二步，对任何造成OEE损失的因素进行根因分析。基于集成数据集，以高级分析为基础的相关性分析可以揭示OEE损失的根因，并结合与根因相关的信息（例如供应链信息、工具和设备数据以及维护时间表、操作员培训水平和经验等）。为了专注于根因分析工作并确定其优先级，企业可以在各个班次、制造地点等进行OEE标杆管理测试，并以此作为起点。

影响

OEE优化可提高生产率并减少交货时间，进而降低机器的小时成本和生产成本（在加工过程位于关键路径的情况下）。

案例

图9

数据驱动的OEE优化帮助公司C在高变加工中实现80％的OEE：

公司C为56架不同的飞机制造备件，加工部门生产了500多个零件，批量大小为5-15（如图9）。鉴于灵活性和差异性要求，将OEE保持在较高水平是一项巨大的挑战。在对制造过程和OEE驱动因素的深入分析后，公司在24/7的制造操作模式下实现了80％的OEE。传统的基于托盘的机器装载自动化解决方案和集成的软件解决方案能够：a）监控并检测工具使用情况；b）自动调整作业顺序并将故障通知到中央生产监控室。

(欢迎大家加入数据工匠知识星球获取更多资讯。)

联系我们

扫描二维码关注我们

微信：DaasCai

邮箱：[e-mail]

QQ：2286075659

热门文章

“业务数据化、数据业务化”-齐鲁石化智能工厂建设案例 能源化工企业智能工厂解读和实践案例(下)

我们的使命：发展数据治理行业、普及数据治理知识、改变企业数据管理现状、提高企业数据质量、推动企业走进大数据时代。

我们的愿景：打造数据治理专家、数据治理平台、数据治理生态圈。

我们的价值观：凝聚行业力量、打造数据治理全链条平台、改变数据治理生态圈。

了解更多精彩内容

长按，识别二维码，关注我们吧！

数据工匠俱乐部

微信号：zgsjgjjlb

专注数据治理，推动大数据发展。
麦肯锡数字化能力发展中心DCC（北京）是由麦肯锡与清华大学共同成立，旨在推动企业数字化转型的技术研究及教育培训机构。

中心建有数字化转型全价值链技术展厅，以及投资近亿元的工业4.0学习工厂。通过体验式转型培训，引领客户迈向智能制造新未来。