◆史建軍 / 文

每個產(chǎn)品的生產(chǎn)都有一個周期。從征詢調(diào)查用戶的需求開始，到產(chǎn)品設(shè)計，再到整個生產(chǎn)制造流程、產(chǎn)品的質(zhì)量檢查、市場反饋和產(chǎn)品調(diào)整，每一步都因為各種各樣的活動產(chǎn)生大量的數(shù)據(jù)。如何將數(shù)據(jù)融入到各種生產(chǎn)流程的各個階段，并且更好地進行信息的整合、優(yōu)化和決策，有很多技術(shù)。

數(shù)據(jù)融合在新技術(shù)革命帶來產(chǎn)業(yè)變革的當下，非常重要。數(shù)據(jù)的融合能夠確保整個產(chǎn)品的生命周期，以及產(chǎn)品實現(xiàn)過程的各階段——從產(chǎn)品的設(shè)計、生產(chǎn)到物流等，都清晰可見。

當然，這個過程會遭遇很多的機遇和挑戰(zhàn)。首先談一下機遇。我們從各種機器、系統(tǒng)、活動中獲取大量數(shù)據(jù)，使新系統(tǒng)操作變得更加透明，每臺機器的技術(shù)能力和靈活性得到不斷提升；根據(jù)獲取的數(shù)據(jù)進行實時調(diào)整，幫助我們做出決策；機器的學習和計算能力有了大幅度的提高，能處理更大規(guī)模的數(shù)據(jù)——這些便是機遇。

我們也面臨很多挑戰(zhàn)。如何確定工程目標，快速地從各種各樣的數(shù)據(jù)中獲取有效的信息，就非常具有挑戰(zhàn)性。第二要有效地解決數(shù)據(jù)的不確定。我們有大量的數(shù)據(jù)，即便有一些數(shù)據(jù)從傳統(tǒng)的角度來看并不是無用數(shù)據(jù)，但要分析依然十分困難。另外一個就是數(shù)據(jù)科技方面的不平等。我們有大量的、正常操作的數(shù)據(jù)，但特別的、有價值的失誤數(shù)據(jù)非常少。在這樣的情況下，很多數(shù)據(jù)分析不能有效解決數(shù)據(jù)不平等的問題。除此之外，我們還缺少一個統(tǒng)一的模型和戰(zhàn)略，依據(jù)實時的數(shù)據(jù)做出正確的判斷和決策。

更為重要的，是如何促進數(shù)據(jù)科學與設(shè)計、制造工程之間的深度融合。這是一個重要的挑戰(zhàn)。要做好這方面的工作，我們至少需要滿足三方面的條件：首先是跨學科的數(shù)據(jù)，其次是能夠進行數(shù)據(jù)的科學分析，第三是進行運營的研究、決策和控制。這三個條件如果能夠滿足，我們可以利用建?？茖W進行最佳生產(chǎn)流程的分析。

給大家舉幾個例子，都是我親自操作的。

第一個是對多階段的制造流程，采用偏差流的方法。所有的生產(chǎn)流程都是多階段的，我們需要一百道甚至一千道工序生產(chǎn)一臺汽車。甚至3D打印都有很多道工序，一道道疊加，最終成為多階段制造流程。涉及這么多的流程工序，中間有哪些是共性的？比如，偏差的傳播。如何對偏差傳播進行建模？如何對產(chǎn)品每個階段進行分配？如何找到一些根本原因，比如說在終端產(chǎn)品之后出現(xiàn)的一些問題，到底是哪個階段、步驟出現(xiàn)問題？解決這些問題，根本原因分析和診斷非常重要。對于多階段的制造流程，我們必須要有分布式的檢測。同時，還要進行一些關(guān)鍵節(jié)點的辨識，知道哪些關(guān)鍵節(jié)點對產(chǎn)品質(zhì)量有影響；如果出現(xiàn)問題，如何自動進行補差使最終的產(chǎn)品能夠接受。我們根據(jù)現(xiàn)在的制作流程，利用很多步驟來找到根本原因。比如，從設(shè)計的整個流程來找問題出現(xiàn)的根本原因，然后重新返回給設(shè)計，改進設(shè)計。在過去幾年，我們有了偏差流的流程，更多地關(guān)注制造過程涉及的各個方面、各種方法。底特律有一家公司，業(yè)務(wù)涉及汽車制造和航空制造，我們采用的就是這種模型幫助他們分析。

另一個是物理驅(qū)動的機器學習和大數(shù)據(jù)環(huán)境下的建模。在這個方面，我們做了很多調(diào)查分析來了解整個制造體系。它有三個相關(guān)的層面，首先是一些基礎(chǔ)工作站，我們利用一些實體設(shè)備進行連接，每一個設(shè)備都具有傳感能力。這些傳感器連接在一起，就形成了一個大的傳感網(wǎng)絡(luò)。依據(jù)系統(tǒng)設(shè)計，我們有了流程數(shù)據(jù)；根據(jù)操作流程，我們有操作數(shù)據(jù)。將工程和操作數(shù)據(jù)整合在一起，我們又有了一個整體的網(wǎng)絡(luò)。物理的網(wǎng)絡(luò)、傳感的網(wǎng)絡(luò)以及知識的網(wǎng)絡(luò)三者結(jié)合在一起，形成物理驅(qū)動的網(wǎng)絡(luò)學習和建模。

比方說，有家企業(yè)的產(chǎn)品制造涉及50～80個不同類型的工廠。首先，我們要了解產(chǎn)品生產(chǎn)的整個運行流程、相互的不同節(jié)點、如何相互影響。根據(jù)整個產(chǎn)品的最初設(shè)計，我們會列出所有的變量，比如說質(zhì)量中間變量。然后，我們依據(jù)生產(chǎn)原則及不同工廠之間的關(guān)系，根據(jù)采集到的數(shù)據(jù)和操作的數(shù)據(jù)，進一步設(shè)置變量，改進模型，獲得更好的、以物理為驅(qū)動的學習數(shù)據(jù)，再根據(jù)這些數(shù)據(jù)設(shè)計或改進流程。

通過這種方法，我們把它融入到了很多工業(yè)體系，通過OGT（我們的贊助商也是合作伙伴）的體系，安裝在40多個工廠，幫助他們節(jié)約了很多能源，而節(jié)省的成本每年可高達1億美元。同時，也減少了大量的二氧化碳排放，幫助他們實現(xiàn)節(jié)能、節(jié)電的成果。

我們在工廠里裝了很多傳感器，通過傳感器獲取大量實時的數(shù)據(jù)。獲得的數(shù)據(jù)能幫助我們進一步改進設(shè)計，產(chǎn)生實際的效果。我們目前正在做的一個項目，是韓國三星的半導體項目。我們利用數(shù)以千計的傳感器檢測整個半導體生產(chǎn)過程，幫他們節(jié)約了大量的成本。我們還跟波音的一家公司合作，幫他們改善整個組裝的過程。我們還通過數(shù)據(jù)融合、建模分析，幫一家公司進行規(guī)模擴張，并提升他們的生產(chǎn)效率。

利用數(shù)據(jù)進行質(zhì)量控制，擴大我們的影響，是我們反復強調(diào)的理念。對于工業(yè)企業(yè)而言，這些都是實實在在、可見的、可解決的問題。加強對數(shù)據(jù)的控制和運用，是我們一直在研究的。我們會做一些基礎(chǔ)性的研究，總結(jié)一些基礎(chǔ)性的方法，在實驗室里進行實驗（包括開發(fā)軟件），在工廠進行實施。當我們在工廠進行實施的時候，有一些起作用，有一些不起作用。不起作用的，我們進行下一輪的研究、驗證、測試。此外，我們會開發(fā)一些新的課程。對于那些掌握數(shù)據(jù)技術(shù)的人，他們可以在行業(yè)內(nèi)部，也可以在現(xiàn)場進行實施。

基于數(shù)據(jù)的設(shè)計和制造，未來的狀況是怎么樣的？未來我們會設(shè)計開發(fā)很多新技術(shù)，包括物聯(lián)網(wǎng)、智能技術(shù)、制造技術(shù)等?？偨Y(jié)這些產(chǎn)品的設(shè)計、工程，在不同的階段產(chǎn)生大量的數(shù)據(jù)，通過這些數(shù)據(jù)我們開發(fā)一些物理驅(qū)動的機器學習的方法、技術(shù)，設(shè)計整個工業(yè)生產(chǎn)自動化，進行判斷決策，擴大我們的影響力，這是一個總體的框架，能夠滿足不同的生產(chǎn)過程、生產(chǎn)流程。這就是我們現(xiàn)在所關(guān)注的方向，也是未來的主要活動，希望能對行業(yè)產(chǎn)生一定的影響。