在电子制造业的这场所谓的数字革命中，我们前进的非常缓慢。而进展之所以如此缓慢是因为电子制造业有相比其他制造领域更为复杂的特殊要求。在电子制造业中使用的上一代软件系统优势有限，同时还会带来额外的成本，因此可以理解为什么经验丰富的管理层会对新型智能工厂和工业4.0相关解决方案持怀疑态度。

让我们一劳永逸地解决车间数字化的问题，以确定今天我们能做一些什么，例如使用开放制造语言（OML），来改变人们过去的看法。

在本专栏以前的文章中，我们讨论了各种使用过的从车间流程收集数据的方法，以及这些方法与使用OML完全统一的方法的对比，其中来自任何机器的操作数据都可以用一种互通语言进行表示。 本文我们将进入下一个步骤，就是如何使用收集到的这些数据。在本文，为了智能而智能系列专栏文章的第一部分中，我们来讨论一下这些数据的最基础用途：资产利用率和生产率。

一旦来自车间所有加工流程的可靠信息流通过OML建立起来，接下来很自然就会想到将这些所有信息存储在一个巨大的数据库中，以便所有人都可以方便的对这些数据进行利用。如今，数据也可以存在云端，我们可以认为云就是一个巨大的数据存储库，就像谷歌所使用的那样，可以用来查找信息。然而遗憾的是，并不是那么像。

通过ERP，MES或某种中间软件将数据发送到云，听起来像是理想的IT解决方案。 然而，我们讨论的是大量的数据。每一步流程，每个PCB和零件都会收集到一系列数据，其中大多数都是实时的，例如：

• 独特的产品到达加工过程
• 开始生产
• 完成生产
• 产品离开加工过程
• 操作警告，如材料拾取错误
• 描述可能造成机器停止的各种原因（如材料耗尽）的消息
• 其他加工过程中的异常 •每种材料的验证 •独特喂料器信息
• 可追溯性信息，如所有参照指示符的列表，使用的准确物料ID代码
• 图像信息，包括材料拾取和放置，导线等
• 机器使用统计数据

而SMT以外的消息则有可能变得更加复杂，例如：

• 操作结果信息（合格或不合格）
• 电子维修开单
• 详细的测试结果或操作测量结果
• 操作指导步骤增量和确认
• 诊断和修理信息
• 线路确认
  

对于单操作生产流程，在端到端之间每一秒钟都会生成许多消息。其中一些消息包含数千字节的数据，再乘以工厂生产流程的总数量，我们每秒都需要在云端存储更多的数据。 与其他行业相比，电子行业更具有挑战性的原因，是物料清单的规模和复杂性，以及生产工艺的数量和多样性。

将所有过程中获取的所有数据简单地填充到云端的危险是，其会使云变得“沉重”。一转眼，在天空中的大量蓬松的白色群体变得更接近地面，并且变得昏暗。 标准数据分析工具能从复杂的数据中生成基于时间、工艺、材料以及任何关键指标的报告。 通过实时生产信息生成接近实时的表格，图表和仪表板是非常严峻的挑战。

好消息是，最新一代的商业智能或数据分析软件能够处理大量的信息。然而，问题出在我们将原始数据存在云端。 即使在这些数据完全统一为一种语言（如OML）的情况下，生成报告的过程也比简单地以通过不同的方式将数据中数字相加要复杂一个数量级。

例如，我们假设一台相当标准的SMT机，标记为“Z.”工作一段时间后，Z完成了放置过程，当前PCB离开机器。 然后准备继续加工下一个，但没有PCB送过来。 事件或状态消息被发送到机器日志中并发送到外部系统，例如“已停机。等待PCB。”Z在自身外部的可见性非常有限。其可以报告机器内部发生的情况，但外部原因造成的问题则只能显示症状。

机器内部的报告中大约有80％的信息只有症状，没有已知的原因或原因。 另一方面，智能计算可以从机器“Z”获取“等待PCB”消息，并启动寻找该事件背后的原因的过程。 智能计算知道当前生产工作指令和作业的流程，所以寻找问题的过程会立刻识别到紧接在“Z”之前的加工过程，其可能是生产线上游通过简单连接起来的机器，或者可能是完全不同的机器流程或物流操作。

使用OML等信息的通用平台，更容易识别。例如，机器“X”在线早已停止，这使得没有PCB传送到下游的机器“Y”和“Z”。通过向上游寻找，智能计算能够找到问题的根源。而生产线上游的机器“X” 有可能是因为物料拾取错误而停止。 由于该机器因物料拾取错误而停机并直接造成下游机器停机的结果，可以通过停机时间来追究责任。

而基于OML的智能计算能够更进一步。材料拾取错误有多种原因造成，例如：

• 卷上的袋中没有材料
• 材料在袋中放置的位置不正确
• 喂料器发生故障
• 材料耗尽
• 加载了不正确的材料，例如不同的尺寸
• 材料耗尽，后续材料尚未送达
• 材料耗尽，后续材料不正确，损坏或存在湿度敏感设备（MSD）的问题

材料拾取错误的每个原因的责任是不同的，但现在可以对问题进行限定。智能计算可以查看材料验证操作，以确定在该时间点在该材料位置发生了什么。在一些情况下，机器或材料操作员可以通过移动设备与机器处的只能计算进行交互，以向事件中添加限定条件。在本例中，问题是该材料MSD超时造成的。

对于基于OML的智能计算，将每台机器报告的症状汇总在一起来找出问题的根源是一个相对简单的过程。使用数据分析工具来反复重建这些事件多次来生成报告，其结果也可能是很离谱的。 但是如果将限定条件数据放入云端，一旦事件由智能计算进行完全解释，数据分析软件就会变得实用和可用，即使仍然需要大量的数据。

智能计算也可用于榨取更多价值。 例如，智能计算能够使用统一并且限定的事件的本地存储，也可以给其他如资产利用率和生产率报告的智能系统使用。

我们很多人都知道，在性能报告方面，可以有很多不同的方式来查看数据，这使得我们能够根据不同的观点，通过很多不同的方法来衡量性能。在我们的例子中，我们的机器“X”因为MSD问题停机了，然后进一步造成下游的机器“Y”和“Z”也停机。 资产利用率会宽泛的查看机器“运行”的时间与“未占用”的时间的比值，通常用于比较制造厂的性能。

但是，根据报告的指定重点或目的，测量方法可能会有所不同。让我们来看看下面的情况来说明是怎样的。

• 机器到达工厂，安装完成，并准备运行。其每天24小时，每周7天都是没有被占用的。这项资产是付了钱的，理论上讲，它应该一直在增值，而且越多越好；所以，不应该纯粹根据物理可用性来计算运行时间。
• 制造厂可能会有假期。 不同的厂有不同的假期时间，为什么要因为工厂管理层无法控制的因素来处罚工厂及其资产？如果工厂正在休假，那么我们应该认为机器在这段时间内不可用。
• 有时在工厂中不会启用所有的生产线。 计划内的停机时间也可以从计算中移除，因为其不是工厂在满负荷情况下机器性能的反映。在很多情况下，了解在实际生产中运行的机器的性能更有价值。
• 在这些情况下，更换时间又如何呢？ 这不是机器故障，而是必须的手动材料验证。 机器只在实际生产过程中运行，因此，在某些情况下，从可用性计算中排除更换时间得出的数据会更有价值。
• 在我们的例子中，机器“Y”和“Z”正在生产中，但由于生产线上游的另一台机器“X”停机而停机。 从设备性能的角度来看，这不是“Y”或“Z”的故障，因此可以认为由外部造成的停机时间也应该从可用性计算中排除。
• 那么机器“X”呢？ “X”的停机原因与机器本身无关。材料湿气污染完全是机器外部的原因。如果我们想要比较型号之间、厂之间的机器性能，那么应该从机器可用时间中排除所有外部原因造成的停机。
• 也有一些时候机器在运行，但是是以缺陷的方式运行。这个时间也应该排除，因为这时候机器的运行不增加价值。 性能的测量应根据质量数据进行改变，仅在机器完全正常工作时才计算入运行时间，这才能称作在运行。
• 每当需要补充材料时，SMT机器需要停机。这应该视为机器的问题，还是外部的原因？
• 更复杂的机器又是如何呢，同时有两个甚至三个不同PCB的输送机将PCB输送到机器，多个机器运行模块，每个模块还有多个头。 这样的机器很少会出现所有部分在同一时间工作的情况，并且在运行时全部停机的情况同样罕见。机器的不同区域和部分会根据需要启动和停止，但如何测量和计算运行时间、停机时间、可用性和运行中？
• 最后，在执行效率不是100％的程序时，机器内的损耗时间如何计算。 在编程时应尽可能避免头的多余移动。但是，当对比针对一个产品优化的程序与会减慢加工速度的需要额外行程来获取零件的对一系列产品优化的程序时，该如何计算不同的损失时间？在进料器没有放置在机器的优化位置上（随机进料器设置），并且机器必须相应地补偿显着延长的加工时间的情况下呢？

这些都是多年来一直存在于工业工程中的简化的论点。由于该问题的复杂性，行业决定选择一种特定的方法或几种不同的计算方法并遵循了这些方法。 指标描述为设备生产率，绝对设备生产率，资产利用率，总设备生产率，有效设备生产率和整体设备有效率。这些术语中很多试图提供某种标准方法来测量生产性能，但是在很多情况下是经过自定义的，因为不理会这些的工业工程师认为不同的要素组合的测量效果更好。

对这个问题有意见非常正常，因为在制造中不同角色对不同要素的运行负责，其需要不同的计算方法。在现实中，或许所有的计算方法都是重要的，因为随着时间的推移，会使用不同的指标来揭示和纠正不同的弱点和运行时间损失。

当涉及到数据收集，统一化和限定时，智能计算能够以这些众多的不同方法中的任何一种来计算制造的性能。然而，这需要包括来自所有不同要素的信息，以创建事件的增值记录。 这与在报告周期期间以某种方式将事件以任何看起来适当的方式组合起来形成了鲜明对比。相反，这是智能资产管理计算机化的工作，其从所有机器、流程和操作中获取标准化数据，例如OML格式的数据，并构建生产操作的实时数字地图 。然后，可以以所需的任何方式，如报告、仪表板来表示数据，当然，还可以将其发送到云端。以原始格式存放在云端的数据可能只有20％是有用的，而通过智能计算的输入，有用数据几乎增长了100％。

智能资产管理计算机化是非常有价值的，因为其能够在运行中找出可以减少时间损失的方法。通过智能逻辑，以前很难进行分析的情况现在能够快速并且容易地完成，与仅使用原始数据相比，其能够显着提高找到改进加工性能方法的可能性。 这不是“为了智能而智能”。 使用智能计算的原因就在这里，投资在一年之内就能得到回报，但在我们的智能工厂，我们希望能更进一步的将这些信息用于其他智能目的，我们将在第二部分中继续讨论。

Michael Ford是Mentor Graphics Corporation Valor部门的高级市场开发经理。

#自动化  # 智能制造