2023年06月05日
汽车产业数字化|未来智能新规范VS地狱级难度转型


讯能集思希望:通过JarviX依托数据分析全流程技术与AI模拟参数组合技术,实现对产品:全周期的可追溯性+全链路的实时反馈。


数据分析即未来

最近,讯能集思正在和一汽车厂商进行一个测试案例,目前所取得不错的效益,同时也想把测试过程的系统设计、架构、部署等内容跟各位分享,以下是正文。

在JarviX3.0与ODIN 5G智能网关导入汽车厂商第一阶段的效益:
1.给10类69台设备升级了连接模块,使得一条生产线每秒即可采集上万条的数据;
2.大量数据让上千种物料的库存状况、货运进程、交付周期通通实现了可视化实时呈现;
3.汽车生产过程的每一个流程完成时间都精准到了分钟。


汽车产业背景:地狱级难度的数字化转型

ERP时代,企业出数据的单位是“天”,现在随着大数据、云计算等新技术的到来,出数据的单位已经变成了“小时”,甚至变成了实时在线,越来越多的价值链环节都在奔向实时、可视,很多企业正在通过数字化转型和智能化升级重新定义自己。


数字化定义与智能化技术,在不同行业与产品上的侧重点是不同的:

有些是侧重模拟仿真,好确定最佳的设计方案;有些是侧重数据收集、动态追踪,好时刻监测本体的状况;有些则是侧重孪生体自己的智能决策,好在没有人工参与的情况下,及时处理突发状况。

而今天我们要讨论的汽车产品,其特点恰好都需要实现以上三个侧重面。当然,这也加重了汽车产业自身数字化智能化难度,甚至可以说地狱级的难度。

以往我们提过在数字化的切入点选择上,由于不同的情境所达成的效益差别很大,讯能集思认为数字化转型的切入点选择上,最值得切入就集中在业务价值链上,因为其与行业痛点、公司战略密切相关,如零售业的切入点一般是在营销和渠道端,制造业一般是在供应链端。





但汽车产业如此高难度,且信息量越来越复杂的趋势下,又该如何入手转型升级呢?

答案也简单,就是从数据入手。

以APS系统为例,一般针对大规模生产场景所设计,默认机床、注塑机、冲压机等设备拥有无限产能,规划层次一般只有主计划和作业两层。

而汽车的工厂生产场景具有多品种(多品牌)、小批量、个性定制的特点,产能得有限制。

同时有些汽车厂商习惯于在采购钢板、铜管、塑料粒子等原材料后,对其层层加工生产出原料,所以就要求新一代的APS得实时同步各类供应商的计划,满足其排程多达十几层的多样需求。

由此自然要求在数字化底层的数据分析能力上,要有更夯实的基础与更强力的表现。

那问题来了,有判断标准吗?

实现产品的可追溯性+实时反馈

近年来企业数字化转型失败率仍在80%以上,结合JarviX在众多部署案例中,总结出一些经验。

讯能集思认为系统需要做到:能够采集到有价值的数据,找到数据之间的关联,且还能够快速地分析出有效信息,最后才是用有效信息来实现实时的预测、预警、监控、协同、调度、决策、指挥共7项职能。





而这是很需要基于数据的100%生命周期,在使用上实现数据分析目标。(一般而言数据分析的目标可为分四类,包括解决问题、理解现象、发现新事物、支持诊断)





为了确保这个目标的落实,我们数据分析全流程平台JarviX相应地设计了五大数智化应用,包括完整记录分析架构、自动推荐分析建议、快速获得优化解、快速建立知识库、团队共享知识库。


但这些都是并不容易做到的事情,因为回到现实数据的掌控中,不少企业从转型之初首先容易陷入两个误区:

1.收集误区:眉毛胡子一把抓,不管数据有用没用先全都拿过来再说;

2.使用误区:坐在数据的金山喊穷,其实很多非数字原生企业有大量丰富的数据,但恰恰缺少通过有效的数据治理,来实现数智化。


怎么解决呢?讯能集思希望为未来智能制造定义新规范:通过JarviX依托的数据分析全流程技术与AI模拟参数组合技术,实现对产品:全周期的可追溯性+全链路的实时反馈。







赋能汽车产业智慧化、满足数据化运营管理需求

汽车产品本身就是一个技术密集型的产品,随着国内新能源汽车市占率进一步的提升,其同时更是在智能制造大背景下极有潜力的产品,对它进行数字化是非常必要的。

基于此,JarviX首先会串联产品的原料阶段、制造阶段、运行阶段所在的各系统数据,来实现从供应链到产品使用的全周期可追溯性。

在这个过程中,原料的需求指标与实际性能指标需要形成对应和覆盖关系,零部件信息及供应商信息都会被一一记录,ERP内的完整数据也会导入;



在制造阶段,MSE上的产线信息(资料纪录、工序纪录、良率纪录)以及相应的零部件都要与该汽车形成匹配关系,细节如关键位置的螺丝坚固力矩、油水加注量等也需要记录;



最后在运行阶段,通过实时采集关键部件的数据,以及销售端与使用端产生的数据,从而反馈汽车的运行状态到JarviX,做到汽车运行的实时监控,从数据中发现风险,形成预测预警,帮助客户回到原料与制造阶段,在根因上快速找到制程关键并且改善。







从 7 项职能来说,预测主要是结合市场信息、行业需求及工厂产能情况,进行销售预测,智能指导生产备料。

在发现产能紧张或者物料缺口时,需要能够智能预警、提醒干预。对于生产过程的物料匹配问题或生产不良问题,需要做到智能监控和预警,出现异常及时通知管理员。

同时汽车整车的生产制造常见会有三种生产模式(混性生产模式、加工车间模式、批量生产模式),这就需要系统能根据工单情况自动进行排产、配料、操作指引切换、监测点切换等工作。

还需要根据前后端物流情况及产线各工位运行负荷,自动调整生产节奏,减少库存同时提升响应速度。



以上为JarviX赋能汽车产业架构过程。


就企业数字化解决方案而言,无论何处入手、如何实施,都是需要至始至终都围绕着数据分析生命周期,重点关注解决问题的速度和可解释的价值,也正因如此我们选择了先串联全流程的系统,实现企业全生命周期的数据分析,实现产品全周期的可追溯性+全链路的实时反馈,并以此支撑起企业的数智化,让决策AI更智能,真正切实帮助到客户。



当然,数据的采集与治理也仅仅是数字化的第一步,我们的下一步是全周期的数据分析中找到最佳实践,有了新进度,会继续跟各位更新。





【延伸阅读|带您深入了解各产业解决方案】对话式AI掀热潮,讯能集思推工业级ChatGPT


【联系我们|带您体验企业无痛快速转型升级】如何快速導入低代碼數據平台顛覆傳統企業數據流程,解決企業轉型面臨的效率、成本和價值等問題,提升企業的決策水準。



分享文章