自德國2013年4月正式提出“工業(yè)4.0”戰(zhàn)略迄今已兩年有余，“工業(yè)4.0”在國內(nèi)已得到了非常廣泛的關注和討論，很多優(yōu)秀企業(yè)開始摩拳擦掌，開始制定和實施自己的“工業(yè)4.0戰(zhàn)略”，這些如火如荼的景象凸顯出未來創(chuàng)新產(chǎn)品智能制造領域的誘人前景。無獨有偶，GE公司不久前宣布出售旗下包括GE Capital在內(nèi)的非工業(yè)資產(chǎn)，將主要精力回歸于高精尖的創(chuàng)新制造領域。這一切似乎都在佐證著一場以創(chuàng)新和數(shù)字化驅(qū)動的智能制造為核心的新工業(yè)革命正在向我們頻頻招手。

　　工業(yè)4.0離不開數(shù)據(jù)分析和應用

　　工業(yè)4.0的一個目標，是要實現(xiàn)從智慧工廠到智能生產(chǎn)的的建設和升級，前者重點研究智能化生產(chǎn)系統(tǒng)及過程以及網(wǎng)絡化分布式的生產(chǎn)設施的實現(xiàn)，而后者涉及整個企業(yè)的生產(chǎn)物流管理、人機互動，3D打印以及先進制造技術(shù)在工業(yè)生產(chǎn)過程中的應用。一個普遍的共識是，要實現(xiàn)這一新的“工業(yè)革命”，基于“大數(shù)據(jù)”技術(shù)的數(shù)據(jù)挖掘和知識發(fā)現(xiàn)能力，將是其中最為重要的能力之一。而總體而言，制造業(yè)存儲了遠超過其他工業(yè)部門的數(shù)據(jù)，據(jù)不完全統(tǒng)計，從2010年以來的新產(chǎn)品數(shù)據(jù)就達到了接近2艾字節(jié)(216)，這其中就包括大量的儀器儀表測量數(shù)據(jù)，供應鏈數(shù)據(jù)乃至產(chǎn)品全生命周期數(shù)據(jù)。對這些數(shù)據(jù)的分析和價值挖掘，是為創(chuàng)新和生產(chǎn)實踐提供智能指導必須要完成的工作，將直接影響智能生產(chǎn)能夠?qū)崿F(xiàn)的程度。而幾乎在所有剖析工業(yè)4.0的文獻匯總，都著重強調(diào)了數(shù)據(jù)分析和知識發(fā)現(xiàn)的重要性。

　　制造業(yè)數(shù)據(jù)采集和分析領域的共性問題

　　工業(yè)4.0是多品種小批量創(chuàng)新產(chǎn)品高精度卓越質(zhì)量的生產(chǎn)，而要實現(xiàn)這種“高精度卓越質(zhì)量的生產(chǎn)”而言，對生產(chǎn)數(shù)據(jù)準確、及時的采集和分析無疑是不可或缺的。為了實現(xiàn)產(chǎn)品創(chuàng)新和高精度的質(zhì)量控制，蘋果和Intel這樣的頂尖公司每年花費在數(shù)據(jù)分析軟件上的費用是非常驚人的，而且在其員工的培訓和考核體系上，數(shù)據(jù)分析能力也被作為一個重要的考量維度。在世界范圍內(nèi)，各個工業(yè)巨頭在數(shù)據(jù)采集和分析領域的投資還在不斷加碼，而國內(nèi)的絕大多數(shù)企業(yè)也正在掀起一場數(shù)據(jù)采集和分析利用的熱潮。作為業(yè)內(nèi)專業(yè)的質(zhì)量大數(shù)據(jù)和智能制造解決方案供應商，QuAInS在2014年深入調(diào)研了數(shù)十家企業(yè)，發(fā)現(xiàn)不少企業(yè)已經(jīng)開始增加在數(shù)據(jù)采集和分析領域的投資，但由于起步較晚，在這個領域還普遍存在著一些具有共性的重要問題。

　　目標不明確導致貪大求全

　　曾有專家呼吁“大數(shù)據(jù)”應該從“小應用”著手，即選取一到兩個具體的領域開始數(shù)據(jù)采集和分析技術(shù)的應用，并隨著時間和經(jīng)驗的積累逐步向相關的領域拓展。而有些企業(yè)一開始并沒有選定這樣的“小應用”，而是從盡量多的領域全面鋪開，結(jié)果各部門疲于奔命，搜集了供應鏈、生產(chǎn)、質(zhì)量、財務成本、ERP，售后服務等各個方面的數(shù)據(jù)組成了一個龐大的數(shù)據(jù)群，但卻對如何應用這些數(shù)據(jù)來解決何種具體的問題并不明確，只是形成了一個價值相當有限的“數(shù)據(jù)堆”。比如江蘇有一家企業(yè)，在這種情況下花近兩年的時間集中了5個數(shù)據(jù)庫的數(shù)據(jù)，各個團隊為此耗費了巨大的精力和成本，但最終卻因為應用目標不明確，項目遲遲不見收益而不了了之.quAInS質(zhì)量大數(shù)據(jù)研究院資深專家Roger介紹說：由于國內(nèi)大多數(shù)制造型企業(yè)本身并沒有太多的數(shù)據(jù)分析和應用經(jīng)驗，有時候在對“小應用”還不明確的情況下為了趕“大數(shù)據(jù)”的“時髦”而匆匆上馬一些項目，這樣失敗的風險就很大。其實，對制造業(yè)來說，精細化和質(zhì)量是永恒不變的最重要的課題，企業(yè)完全可以從提高生產(chǎn)質(zhì)量和流程能力、降低單位質(zhì)量成本入手，收集和整合產(chǎn)品的質(zhì)量數(shù)據(jù)以及'生產(chǎn)這些質(zhì)量'的過程數(shù)據(jù)并加以分析利用，這往往是一種能夠比較快地見效和獲得客戶認可的路徑。

　　手動采集數(shù)據(jù)，效率低下

　　QuAInS在調(diào)研中發(fā)現(xiàn)，不少企業(yè)雖然已經(jīng)有了一定的數(shù)據(jù)積累的意識，但數(shù)據(jù)采集過程的過程仍然是半自動甚至依靠手工進行。在浙江一家精密零件生產(chǎn)企業(yè)的測量車間，工作人員在完成測量后，需要將測量結(jié)果用筆手動記錄在一張事先打印好的表格中，然后由另外一位工作人員集中輸入電腦；而對于一些比較智能的測量儀器如CMM，測量儀器自動輸出的數(shù)據(jù)文件仍然以單獨文件的形式分散存儲在各臺測量電腦中，需要手動拷貝轉(zhuǎn)換才能實現(xiàn)數(shù)據(jù)規(guī)整，做一份簡單的質(zhì)量檢驗報告也需要大半天的時間。這種方式不僅效率低下，造成很大的人力成本損失，而且，數(shù)據(jù)的記錄非常容易出錯.tommy作為測量車間的主管對此深有體會：有時花了好幾個小時尋找異常測量值出現(xiàn)的原因，最后發(fā)現(xiàn)是因為在手動記錄是寫錯了小數(shù)點位置所致。“一般而言，如果借助一些自動化的數(shù)據(jù)采集方式，企業(yè)花在數(shù)據(jù)采集方面的時間至少能節(jié)省80%以上，而且還能大幅降低出錯的概率”.quAInS數(shù)據(jù)采集方案高級經(jīng)理Tommy解釋說。

　　只有結(jié)果數(shù)據(jù)，沒有過程數(shù)據(jù)

　　為了進行質(zhì)量監(jiān)控或制作質(zhì)量報告，很多企業(yè)都對客戶直接關心的各個質(zhì)量指標的數(shù)據(jù)進行了收集整理，比如某個具體產(chǎn)品的同心度、尺寸、角度等等。從質(zhì)量大數(shù)據(jù)應用的角度，如果企業(yè)僅僅是為了制作質(zhì)量報告或?qū)崿F(xiàn)實時的質(zhì)量監(jiān)控（比如實施SPC，需以數(shù)據(jù)的實時采集為前提），這種做法是可行的。但是質(zhì)量大數(shù)據(jù)的更多價值在于從數(shù)據(jù)中發(fā)現(xiàn)質(zhì)量改進的空間和線索，并以此制定切實可行的持續(xù)改進方案，甚至是對將來一段時間的質(zhì)量狀況進行預測，這點和提倡“用數(shù)據(jù)說話”以減少流程波動的六西格瑪質(zhì)量管理在某種程度上有一定的異曲同工之處。如果沒有PCB生產(chǎn)工程中的噴淋角度、壓力、藥水PH值等方面的數(shù)據(jù)，我們就很難得到到底是哪個因素主要造成了某個批次線寬的不良。

　　未以應用為導向進行數(shù)據(jù)規(guī)整

　　在對數(shù)據(jù)進行探索和分析之前，對數(shù)據(jù)的規(guī)整是必不可少的。數(shù)據(jù)規(guī)整不同于簡單的數(shù)據(jù)數(shù)據(jù)獲取和整合，比如我們從不同的數(shù)據(jù)庫中得到了所需的數(shù)據(jù)（其中包括加工的溫度數(shù)據(jù)），但很可能我們還不能對之進行分析，原因是，在不同的問題研究場合，有時候我們可能需要將溫度當做連續(xù)變量來處理，有時候卻需要當成離散變量來使用，這個需要根據(jù)行業(yè)和工藝特點和具體需要分析和解決的問題來確定，但在相同的行業(yè)或同一個企業(yè)，這種處理又是相對固定的。因此，最好能夠在數(shù)據(jù)獲取的過程中就能夠自動完成類似的數(shù)據(jù)規(guī)整，這樣獲得的數(shù)據(jù)才能夠直接進行分析。

　　進行數(shù)據(jù)分析時無所適從

　　可喜的是，目前的確已經(jīng)有一些企業(yè)能夠圍繞質(zhì)量控制、改進和預測的主題進行一定的分析工作，特別是在一些高科技半導體行業(yè)這種情況已經(jīng)比較常見。但工程師在進行這些分析工作時，除了前文中提及的數(shù)據(jù)規(guī)整的問題之外，往往還有更多的困惑：對于同一個數(shù)據(jù)分析問題而言，從初級的基本方法到高級的方法往往不止一種，工程師常常需要花很長時間才能摸索出一套對具體某個問題比較有效的分析方法和思路。這一方面是因為工業(yè)統(tǒng)計方法的應用具有相當?shù)膶�業(yè)性，不僅需要具備一定的統(tǒng)計學基礎知識，還需要有相當?shù)墓こ瘫尘昂蛿?shù)據(jù)分析經(jīng)驗；另一方面，目前常用的數(shù)據(jù)分析軟件普遍只是提供各種數(shù)據(jù)分析方法，且使用起來也非常靈活，但在對具體問題應該采取何種方法的問題上，卻并未能給出足夠的建議，使得絕大多數(shù)并不具備足夠工業(yè)統(tǒng)計背景的工程師感到無所適從。就像一個屋子有很多扇門，我們很難知道到底哪一扇門才是通往我們想去的房間的最佳通道一樣。不過，從客觀的角度，這些工具軟件的靈活性本身是非常值得推崇的，只是目前國內(nèi)大多數(shù)企業(yè)的在數(shù)據(jù)分析應用方面的實際水平與這種靈活性之間還有一定的差距。“我們著力研究的行業(yè)化解決方案，正式為了幫助國內(nèi)的企業(yè)縮短學習時間”，Roger說。

　　誠然，上述種種問題，需要我們從知識積累，系統(tǒng)建設，人才培養(yǎng)等多個方面進行長期的改善。在中國經(jīng)濟“新常態(tài)”背景和工業(yè)4.0的美好愿景下，我們有更多的理由去邁開堅實的步伐，畢竟“世界這么大”，我們能抓住的機會卻不多。