60、数据驱动的生产控制：从诊断到决策-优快云博客

本文链接：https://blog.youkuaiyun.com/Light/article/details/149684512

数据驱动的生产控制：从诊断到决策

1. 数据在生产中的力量

在当今的生产环境中，数据正发挥着越来越重要的作用。例如，通过使用RFID芯片测量生产过程中每个操作员的工作时间，企业可以将生产效率提高25%，还能找出生产过程中的瓶颈操作。而且，无需计算机操作员输入作业票，管理层面就能轻松掌握每个订单的状态，基于云的生产控制可以为分布式环境中的多个工厂规划即将到来的订单。

然而，大量的数据会产生众多模式，让人难以察觉事件之间的相互作用。这时，就需要借助诊断分析领域的方法来分析事件之间的模式，以提取有用信息。

2. 诊断分析：探索数据模式

诊断分析是数据分析过程的第二步，其主要目标是分析生成数据中的模式。收集数据中的重复模式可以提供有关生产过程中机器重复序列或生产周期内季节性变化的信息。

以WZL亚琛大学生产管理部门使用的基于网络的诊断工具WoPS为例，它基于ERP系统的反馈数据计算指标。为了获得有效的关键指标，数据应至少涵盖两个月的生产情况。此外，操作系统的工作时间表、资源列表和轮班模型也作为输入数据。

上传数据后，用户可以通过七个单独的指标了解生产控制的质量和现有生产结构的潜力。这七个指标可分为三类：
| 类别 | 包含指标 |
| ---- | ---- |
| 生产结构指标 | 数据质量、生产过程复杂性和利用率 |
| 生产控制指标 | 瓶颈、 throughput times 和在制品（WIP） |
| 潜力指标 | 对生产控制任务配置的定义更改进行自动模拟并向用户展示结果 |

下面以瓶颈分析为例，介绍如何使用WoPS工具进行诊断分析。瓶颈图表显示了每台机器在给定期间的处理时间和等待时间。处理时间是前置时间和设置时间的总和，用灰色条表示；蓝色线表示订单在机器处的等待时间。通过比较这两个因素，可以得出关于生产控制性能的结论。例如，等待时间长的机器需要仔细检查，以找出材料在这些机器前等待处理的原因。

mermaid代码如下：

graph LR
    A[上传数据到WoPS] --> B[计算指标]
    B --> C[生成三类指标]
    C --> D[生产结构指标]
    C --> E[生产控制指标]
    C --> F[潜力指标]
    E --> G[瓶颈分析]
    G --> H[查看处理时间和等待时间]
    H --> I[分析生产控制性能]

用户还可以通过工具中的交互式组件，如过滤器，选择特定的时间段、机器等，集中关注相关的机器、时间段和数据，从而识别机器和人员方面的产能瓶颈。

3. 预测分析：预见未来生产

预测分析是数据分析过程的第三步。像亚马逊这样的大型商业公司已经在其业务中实施了预测分析，通过预测算法为用户推荐产品。

人工智能神经网络是预测分析的一个重要推动因素，它已被用于预测复杂系统的变化，如天气现象和经济增长。然而，如今的IT系统存在系统支持不足或过于复杂的问题，生产计划人员难以找到生产系统变更的“正确”时机，也难以估计决策与整个生产系统之间的相互作用。

为了解决这些问题，生产控制器需要支持。基于实时执行的模拟或模型考虑，可以分析“假设”问题。通过比较不同结果及其发生的概率，为生产控制器提出最有前景的策略。对于这样的预测系统，大量高分辨率的生产数据是基本要求。基于这些数据，人工神经网络可以学习过去事件的相关性，并预测对未来决策的影响。

人工神经网络可以应用于生产控制的不同领域，加快决策速度。例如，在模式识别、控制理论或机器人技术领域，高分辨率的反馈数据和人工神经网络的使用提高了决策者的诊断能力。

4. 规范分析：提供决策支持

规范分析是为许多管理问题和疑问生成决策支持的基础，它能在当今和未来的商业环境中实现量化和合理的决策。

以工业4.0研究项目“ProSense”为例，其生成决策支持的方法包括：
1. 数据收集 ：通过PDA和MDA系统等传统生产反馈数据源，结合RFID传感器、激光和条形码或数据矩阵扫描仪等额外传感器，收集反馈数据并缓存到ERP系统的数据库中。
2. 数据处理 ：使用专门开发的数据库应用程序Data Collector，将反馈数据和过去及当前的规划数据以标准化形式保存，形成ERP系统与仿真软件Plant Simulation之间的接口。
3. 模型生成 ：根据现有机器、生产程序、工作计划和必要的主数据等信息，自动生成仿真模型，并通过模式识别检查控制模块的默认设置是否合理。
4. 模型验证 ：进行自动驱动的仿真运行，根据在制品的均值和标准差、单位 throughput times 和机器利用率等指标聚合结果，以实现仿真模型对实际生产的准确数字映射。
5. 行动模拟 ：基于自动生成的仿真模型，模拟可能的行动，以提高实现物流目标的能力。通过输入十个预定义的通用行动和四个预定义的行动领域（机器和人员利用率、紧急订单和订单发布）的组合，为生产控制器提供决策支持。

通过这种方法，生产控制器可以专注于核心任务，提高制造公司的物流效率。

5. 调整生产：基于数据决策

如今，大多数决策基于员工的直觉或经验。但基于数据分析的结果，员工现在可以获得调整生产和实施系统建议的信息。例如，通过为生产计划人员提供建议，可以预防瓶颈或因零件短缺而转移订单。

决策支持系统应包括概率和基于模拟的实时“假设”情景。网络物理支持系统为生产计划人员提出的决策建议应考虑整个生产系统，以防止制造过程中某一环节的调度变化导致其他环节的物流性能大幅下降。

6. 总结与展望

全球运营的公司仍面临着重大挑战，市场响应时间的缩短要求生产控制不断应对新的和现有的挑战。作为生产控制的愿景，数据分析方法必须得到实施。

数据分析过程包括描述性分析、诊断分析、预测分析和规范分析四个步骤。描述性分析需要高质量的数据基础；诊断分析有助于系统回顾过去的决策；预测分析可以预测生产环境的未来状况；规范分析则基于预测和当前生产状态提供决策支持。

“网络物理生产控制”（CPPC）的概念为企业应对当今和未来的挑战提供了方向，但还需要进一步的研究来验证和完善该模型的能力。未来，随着技术的不断发展，数据驱动的生产控制将在企业中发挥更加重要的作用。

数据驱动的生产控制：从诊断到决策

7. 数据驱动生产控制的关键要素

数据驱动的生产控制包含多个关键要素，这些要素相互关联，共同推动生产系统的高效运行。以下是对这些关键要素的详细介绍：
- 数据质量 ：高质量的数据是有效预测和分析的基础。要确保数据的准确性、完整性和一致性，需要从数据源、数据采集和数据处理等多个环节进行把控。例如，在生产过程中，使用精确的传感器和可靠的数据采集设备，避免数据误差。
- 分析方法 ：不同的分析阶段需要采用不同的分析方法。描述性分析主要关注数据的整理和呈现；诊断分析通过模式识别揭示数据间的相互关系；预测分析利用人工智能神经网络等技术预测未来状况；规范分析则基于预测结果提供决策支持。
- 系统支持 ：强大的系统支持是实现数据驱动生产控制的保障。包括ERP系统、仿真软件和数据库应用程序等，它们能够实现数据的高效存储、处理和分析。
- 人员能力 ：员工需要具备数据分析和决策的能力，能够理解和运用分析结果来调整生产。企业应加强员工培训，提高他们的数据意识和决策能力。

8. 数据驱动生产控制的优势与挑战

数据驱动的生产控制具有显著的优势，但也面临一些挑战。下面通过表格的形式进行对比分析：
| 优势 | 挑战 |
| ---- | ---- |
| 提高生产效率：通过优化生产流程和资源分配，减少生产时间和成本。 | 数据质量问题：数据不准确、不完整或不一致可能导致分析结果偏差。 |
| 提升决策质量：基于数据和分析结果做出的决策更加科学合理。 | 技术复杂性：数据分析和仿真模型的建立需要专业的技术知识和技能。 |
| 增强灵活性：能够快速响应市场变化和生产需求的波动。 | 员工接受度：员工可能对新的决策方式和工作流程存在抵触情绪。 |
| 优化资源利用：合理安排机器和人员的使用，提高资源利用率。 | 安全与隐私：大量的生产数据涉及企业的敏感信息，需要保障数据的安全和隐私。 |

9. 实施数据驱动生产控制的步骤

实施数据驱动的生产控制需要遵循一定的步骤，以确保项目的顺利进行。以下是具体的实施步骤：
1. 规划阶段
- 明确目标：确定实施数据驱动生产控制的具体目标，如提高生产效率、降低成本等。
- 评估现状：对企业的生产流程、数据基础和信息技术能力进行全面评估。
- 制定计划：制定详细的实施计划，包括项目时间表、资源需求和预算等。
2. 数据采集与整合阶段
- 选择数据源：确定需要采集的数据来源，如传感器、ERP系统等。
- 采集数据：使用合适的工具和技术采集数据，并确保数据的准确性和完整性。
- 整合数据：将采集到的数据进行整合，存储到统一的数据库中。
3. 分析与建模阶段
- 选择分析方法：根据目标和数据特点，选择合适的分析方法，如描述性分析、诊断分析等。
- 建立模型：使用数据分析工具和技术建立仿真模型，模拟生产过程和决策效果。
- 验证模型：对建立的模型进行验证和优化，确保模型的准确性和可靠性。
4. 决策与实施阶段
- 生成决策建议：根据分析结果和模型预测，生成决策建议。
- 实施决策：将决策建议转化为实际行动，调整生产流程和资源分配。
- 监控与评估：对实施效果进行监控和评估，及时调整决策和模型。

mermaid代码如下：

graph LR
    A[规划阶段] --> B[明确目标]
    A --> C[评估现状]
    A --> D[制定计划]
    B --> E[数据采集与整合阶段]
    C --> E
    D --> E
    E --> F[选择数据源]
    E --> G[采集数据]
    E --> H[整合数据]
    F --> I[分析与建模阶段]
    G --> I
    H --> I
    I --> J[选择分析方法]
    I --> K[建立模型]
    I --> L[验证模型]
    J --> M[决策与实施阶段]
    K --> M
    L --> M
    M --> N[生成决策建议]
    M --> O[实施决策]
    M --> P[监控与评估]

10. 案例分析：成功实施数据驱动生产控制

为了更好地理解数据驱动生产控制的实际应用，下面介绍一个成功的案例。

某制造企业面临生产效率低下、成本过高和交货期不稳定等问题。该企业决定实施数据驱动的生产控制，具体措施如下：
- 安装传感器：在生产设备上安装传感器，实时采集生产数据，如设备运行状态、加工时间等。
- 建立数据分析平台：搭建数据分析平台，对采集到的数据进行实时分析和处理。
- 实施预测分析：使用人工智能神经网络对生产需求和设备故障进行预测，提前做好生产计划和设备维护。
- 优化决策流程：基于数据分析结果，优化生产决策流程，提高决策的科学性和准确性。

通过实施这些措施，该企业取得了显著的成效：
- 生产效率提高了25%，降低了生产成本。
- 交货期准时率从80%提高到95%，增强了客户满意度。
- 设备故障率降低了30%，减少了设备维修成本和停机时间。

11. 未来发展趋势

随着技术的不断发展，数据驱动的生产控制将呈现以下发展趋势：
- 智能化程度提高 ：人工智能和机器学习技术将在生产控制中得到更广泛的应用，实现生产过程的自动化和智能化决策。
- 与物联网深度融合 ：物联网技术将使生产设备和产品实现互联互通，实时获取更多的数据，进一步优化生产控制。
- 跨企业协同 ：企业之间将加强数据共享和协同合作，实现供应链的整体优化。
- 可视化与交互性增强 ：数据分析结果将以更加直观的方式呈现，方便员工和管理者进行交互和决策。

12. 总结

数据驱动的生产控制是企业应对市场挑战、提高竞争力的重要手段。通过实施描述性分析、诊断分析、预测分析和规范分析等步骤，企业可以实现生产过程的优化和决策的科学化。同时，企业也需要关注数据质量、技术复杂性和员工接受度等挑战，采取相应的措施加以解决。未来，随着技术的不断进步，数据驱动的生产控制将在企业中发挥更加重要的作用，推动制造业向智能化、高效化方向发展。