1、智能制造知識管理探究摘要:工業4.0和中國制造2025的提出,給國內工業制造企業的技術進步和管理提升提出較高要求。結合中國工業企業內部實際特點和困難,從智能制造的基礎性問題出發,通過分析和描述CPS的推進障礙、知識表達與本體建設方法、知識自動化的具體內容,以及國內外企業知識體系和集成對比,指出知識化和知識自動化過程是國內工業企業智能制造推進的重要落腳點。關鍵詞:智能制造;知識管理;知識化;本體;知識自動化一、引言德國體系發展歷史悠久,其知識沉淀、產品硬件與設備配置、產品全生命周期管理都達到世界領先,相比起來,美國的IT技術與互聯網/物聯網/大數據技術等“新興工業外套”則更有優勢。工業4.0提出

2、以后,各國既面臨著工業系統升級的壓力,同時也發現各自面臨的環境和基礎有著顯著不同。既要分析西方強國工業升級的具體內涵,又要深入剖析本國發展特點,這對中國制造2025和智能制造在國內企業的推進形成了更高的挑戰。二、國內智能制造面臨的基礎問題在中國,很多人也同步提出推進智能制造需要大數據、云計箅和移動互聯等大量新技術的支持,但它們是不是國內工業系統最急需的和最重要的,引發了很多人的思考。單就CPS而言,以航空工業企業為例,往往存在三個問題:Cyber雙義中“信息化”推進不徹底。賽博概念中的“信息化”基礎執行不徹底。國內企業在信息化建設中,不斷新建各類平臺。單個系統內雖通過強耦合連接,系統之間卻形成

3、信息孤島,通常看來數據流通和連接問題較多。“網絡控制”涉及到的互聯網/物聯網/云計算等技術,國內發展應用雖然很快,但是因為控制的對象處于孤島狀態,系統之間的通訊和控制實際上依靠人在起作用。物理硬件通過不斷采購,在制造裝備層面能夠逐步做到與世界先進企業比肩,但在應用層面仍然處在“知其然而不知其所以然”的被動局面。系統性的頂層框架設計,自上世紀八十年代以來雖然持續努力,在國內的發展依然緩慢。歸納起來,“不知其所以然”、“系統流通與連接”、“頂層設計”是對知識顯性、知識集成和知識系統綜合運用的體現。嚴格來說,這些都是屬于知識管理的范疇,解決的路徑往往指向了知識化與知識自動化。中國現代工業發展歷史較短

4、,沉淀不足,幾千年來傳統文化對工業升級的影響還很大。作為現代經濟主體的工業企業,企業基層管理的數據化描述和知識化管理進展緩慢,經驗管理仍占主流,信息化的應用效果主要體現在局部。這些背景是“中國制造2025”要以工業化和信息化“兩化融合”為主線的根本原因。三、企業知識化存在的管理差距當前,包括中航工業在內的許多中國工業企業,都在廣泛的采購和使用世界上技術最先進的設備和軟件,不過令人大跌眼鏡的是:中國的工業企業雖然大部分都采用世界一流的技術設備,但是產生效率卻不如西方的現代制造工廠,這其中主要的原因就在于中方企業的管理上存在一定問題,主要表現在軟件應用的系統化知識管理上的差距。波音公司的知識化管理

5、十分到位,最基礎的知識化技術處理工作都在企業內全部普及到位,飛機的近百萬個零件都逐步實現了數字化同步,并且廣泛采用模塊化的S級控制(非零部件級),整個產品的體系不光實現了數字化同步而且還相對可控。B787的整個研制過程使用了約8000款軟件,其中只有1000多款是商業軟件,像CAD、CAE等,還有7000多款是屬于波音公司自己的、非商業化的軟件。這是波音幾十年積累下來的,包括飛機怎么設計、優化以及工藝等的關鍵知識經驗都在這7000多款軟件里,波音把工業技術體系都融入其中,并以此構成波音的核心競爭力。這些是外界同行通過交流、學習、考察無法看到和學到的。在空客,工程師每完成一個成果還要同時提交一份

6、方法報告,說明這個成果是怎么做的,之后這個報告會提交到COC部門(能力中心)去做歸納總結整理。如此一來,每個人做的工作都是在前人的基礎之上,協同完成整體工作。人的離開不會影響工程的整體運行,其他人也大致知道他那部分是怎么做的。這些關鍵的知識都被融合到各種應用系統中,在各大項目和產品研制中反復運用,企業知識化的深入程度有效的支撐了數目龐大的項目管理工作。大量研究顯示,目前國內很少企業能夠形成這樣的一整套完善的技術管理體系。企業里工作方法因人而異,老員工或老專家離職或退休之后,知識和方法都隨著這些人的離去而被帶走,后來的人來往往需要摸索實踐,重新形成自己的方法。越來越多的人已經認識到,智能制造的推

7、進過程中需要結合自身企業的實際情況,把握住企業運營的根基,探究并掌握好支撐制造業發展的數字化操控以及一系列的知識化處理,而非盲目的追求某些系統和技術的先進前沿性。同時企業的管理上要融合企業文化發展和生產技術先進方法的采用,并且要根據市場環境的變化創新企業管理模式,提高企業的應對力。從當前我國制造企業的發展實際來看,要想實現制造企業快速穩定發展需要構建起比較完善的工業生態系統,要讓企業的人、財、物、產品、技術、設備等得到有效合理融合,減少不必要的浪費,提高資源利用率,唯有此,方可讓制造企業在實現智能化設備管理的道路上越走越穩。四、知識表達與產品本體建設在多年的信息化建設過程中,大量知識性暗區和數

8、據裂縫在企業中斷產生。單一數據來源是智能制造對所有產品的統一要求,企業從產品設計開發到工藝流程設計再到制造生產的各個階段的BOM都要實現有機的統一;實現智能化制造并非一朝一夕之事,所以每個階段都要嚴格把控,出現問題要及時解決處理,并不斷完善。(一)單一數據源描述雖然各大供應商不斷改進優化現有的工業管理軟件應用,但是如何要想打通產品全生命周期的數據連接,卻依然令人頭疼。飛機制造涉及到非常龐大的零部件數量,動則數十萬到上百萬,每個零部件都相當精密,需要表達的參數達到十個之多,因此不同類型的并被不同單元擁有或者生產,其相關信息都會被存儲在不同的結構系統平臺之中,為確保信息的準確無誤,操作的時候一定要

9、嚴格遵守各種標準規范,還要時刻保持和配套廠商進行有效的交流溝通,“產品數據爆炸”必然產生。集成與整合它們成了一個高難度問題,按照項目實施的方法成為企業不得不采用的無奈,這往往都是在局部層面解決問題。產品結構如果被單一的數據源表達,所有的零部件也需要實現數字化同步。零部件的相關信息都要有完整準確的記錄,它與周圍的相關產品、設備等發生的關聯關系也要被準確、完善的記錄,這主要是為了下一步的工藝分析和工藝決策提供了真實的、統一的依據。(二)自我身份化(標簽化)ERP能夠對歷史數據進行分析,也能對未來進行預測,但是很難對當前的數據進行記錄,系統內手工記錄的數據已經嚴重滯后于智能化的需求。每個零部件,都需

10、要建立自己獨立的物理標簽,能夠完成自記錄。相關數據在不斷增長和積累,并和其它外物發生關聯關系,互相鏈接并可相互識別。產品因此具有了獨立的自我表達能力。從研發、設計、部件加工、裝配,以及技術服務,無論哪個環節的信息和數據,以及最終用戶的具體應用情況,都被記錄在產品的身份信息中。通過物聯網、寬帶網絡技術等,不斷使產品帶有生命感知特征,產品逐步向類人化發展。從工程技術人員來看,這個身份一般是產品圖號或質量編號;從管理人員來看,這個身份則是流程編號;從加工操作人員來看,這個身份一般是條碼號。技術、管理、技能三條線的人員所服務的對象都需要產品自我身份化,產品的全生命周期就能實現可追朔。(三)本體化表達有

11、了單一數據源描述和表達和產品自我身份化,產品本體的建立就有了基。可以從應用中將分離出的目標領域做基于本體的描述。本體的內容是反映自然界本來客觀的面貌,但是往往是隱性的。產品的描述是一種混合物,它是由應用邏輯的概念、產品制造過程中所形成的有關數據以及在演示中所呈現出的信息綜合體。通過構建產品領域模型,才能有效實現產品制造向智能化的跨越。建立本體庫的目的是實現知識和工作流程相融合的智能元素,而且能形成知識型工作者意想不到的創新驅動,這個過程其本質是知識自動化的過程,是可執行的文檔、流程模板、可計算的知識體系。這樣,人類實踐過程中所積累的知識和各種經驗模板,就可以有效、重復性地加載在產品上,機器開始

12、代替一部分重復性的腦力勞動,設計與制造人員的工作效率實現大幅提升。機器開始代替一部分重復性的腦力勞動,設計與制造人員的工作效率實現大幅提升。五、知識自動化的前景和障礙知識化非常重要,如果僅靠人工來完成,智能化推進必然緩慢。麥肯錫全球研究所發布的顛覆技術:即將變革生活、商業和全球經濟的進展報告中,對10年內決定經濟發展的12個顛覆性技術進行了預測,其中知識工作自動化排名第2位。該報告指出,10年后知識工作的自動化每年可直接產生約5萬億美元的經濟價值,這還不包括間接價值。這部分經濟規模約等于1.1億個全職職員的產出。在工業系統中,需要逐步自動化的知識工作包括:物理數據、生成數據、可形式化的知識;選

13、擇性感知,按需感知,數據和知識預處理;自律計算:無人干預時實現系統或任務所需的各種計算;自勉學習:能夠從海量數據或相關知識中發現和記憶新的知識或事物之間的新關系;自覺優化:實現隊時間、空間、物料和能量等資源的優化配置和調度;自主決策:部分或全部做到自主判斷、自行規劃和自主決策;自我保護:實現對故障自診斷、自修復,對攻擊自防御、自保護;自動控制:具有預測和自適應能力,整個企業實現管控一體化。值得注意的是,12項技術中知識工作自動化受到媒體關注的排名非常靠后。也就是說,自動化專業人士對知識工作自動化的認識程度很低,沒有從系統的角度將方法與應用有機地結合起來,認清其本質。這一狀態亟待改變。目前在數控加工的程編業務中,知識自動化是最先開展起來的。隨著這一技術的逐步成熟,它會逐步橫向衍生、縱向拓展,從加工工藝向技術管理和生產管理等方面深入。統計表明,2013年網絡流量的61.5%是由“互聯網機器人”(Internetbots)產生,人類本身僅形成了38.5%的流量,而2012年分別是51%和49%。知識自動化的進程遠超人們的想象,這