工业互联网时代的产业新机遇在哪里？互联网时代如何运用产业大数据发展企业？了解数字化世界、拆掉思维的墙，适应这个快速变化的时代，从认知升维开始。

4月26日，由数据猿、国安创客、腾驾文化三方主办；上海大数据联盟、首席数据官联盟、深圳市大数据研究与应用协会、DIPNET、兆信股份联合协办的“AI in China之智能制造-数据驱动产业变革”高峰论坛在北京举行，大会旨在通过用数据驱动产业升级的一批先行者给业者带来深度思考和经验借鉴。

以下是数之联CTO方育柯带来的主题为“数据驱动下的制造降本与增效案例解析”的现场分享实录，由数据猿独家编辑整理：

大家下午好，我今天要演讲的主题是：“数据驱动下的制造降本与增效案例解析”，我在数之联带领的是工业团队，以及负责技术研发的工作，首先我要给大家分享的是工业大数据的基本发展背景：咱们国家是于2015年提出了“智能制造2025”的发展方针，而我们却是提前半年前就已确定了工业方向的业务发展重心，服务的第一家客户就是富士康，并且在高端数控机床、轨道交通等十个制造类领域中，都有我们基于大数据、人工智能等技术提供的服务。

在工业大数据领域，我们做事的方式是更倾向用自上而下的思路跟方式先做大规划，避免让企业再走以往信息化时代的老路——系统是烟囱式发展，数据是孤岛化的存在。所以我们要高举高打，一定要先打通数据，才能发现数据的价值，最终实现数据驱动下的企业转型升级，所以难度会非常大，只有，也必须是自上而下的方式才有真正实现做到的可能，而在具体实施的时候，我们反而又会用自下而上的方式，先整合企业外部和内部数据，然后搭建企业的数据管理与分析平台，形成企业大脑，发现业务中的痛点，并解决这些痛点。

数据在企业中可以发挥的的价值其实有很多，贯穿了整个产品的设计与优化、供应链优化、生产优化、精准营销流通和客户需求舆情分析五个环节。但今天，我将主要用四种解决方案的例子为大家分享以上的第三个环节中，我们是如何为企业优化生产端，让企业达到降低成本，提高生产效率的目的：

第一、生产过程的参数优化

在这里面运用比较多的是流程制造，如果我们以五粮液这家企业为例的话，在白酒酿制的过程中会有磨粉、蒸、下窖、摊晒，出酒、勾兑等步骤，以前整个过程主要依靠老师傅的经验在做，既不用定量的方式做，也很少使用数字化、自动化的方式操作，虽然结果都可以酿造出高质量的白酒，但哪一种老师傅的经验更好更优，企业其实是无法定性定量做出客观的数据化评判的。而我们的目的，就是要帮五粮液分析整个生产过程中的数据，找到最优的酿酒过程，实现产能最大化，产出最优质的白酒。

第二、生产设备的健康管理

很多PHM（故障预测与健康管理）的方式，都用在了能源风机与制造工厂中，如在机床、光刻机、切割机等设备上安装传感器的方式，感知设备是处于健康状态还是亚健康状态，实现预测性的设备维护工作。

第三、设备的寿命管理

在CNC（数控机床）领域，机床可以说是专门生产设备的设备，经常会有大量金属的加工、切割等工作，如手机壳、电脑面板的切割等，这个过程中最易损易耗的部件是刀具，通常每台机床一年可以消耗5000把刀具，如果像是富士康这样的大型制造企业的话，有接近15万台机床，每年道具的消化量都非常巨大。所以，刀具寿命的精准管理就会变的非常重要，而这也是我们服务这类型企业的目的。

第四、成品缺陷检测

在半导体、IC领域，以及元器件生产的过程中，利用传统的AOI （自动光学检测）方式，只能实现基础的测量与照片拍摄，而无法实现真正的智能分类。如果以我们正在接触的一家面板厂商举例的话，他们的面板在正式量产之前，测试的良品率是非常低的，每1000块面板中就有30%的次品，而只依靠人工去看照片的方式来识别的话是非常低效痛苦的，而我们就是要帮助这家企业实现自动化的缺陷检测。

接下来，我就再为大家稍微展开阐述一下，我们实践过的企业案例：

富士康——SMT贴片机抛料超标维护

富士康在2015年提出了智能工厂的概念，当时，我们主要是跟富士康南宁工厂的SMT（表面组装技术）车间进行业务合作，从生产流程到后端的印刷、集中电路，以及贴片、焊接等一系列操作都包含其中。

我们要解决的主要问题是，工厂在整个SMT操作的前期，会有一个叫取料放料的过程，需要从取料台上把原器件取下再放到特定位置，如果放错的话，后面焊接的时候就可能会犯错，就会导致整个原料都会废弃掉的情况发生。所以，我们就要为富士康提供抛料超标的指导模型，当然，富士康同时也为我们提供了一整年的数据量以供分析使用。

后来我们发现，它最容易发生问题的地方就是吸嘴，所以我们取到了吸嘴的型号、维修记录、损坏情况，气压、皮带张力等相关数据。

京东方——面板生产缺陷分析

第二个要分享的就是TFT-LCD（薄膜晶体管液晶显示器）行业中的面板生产企业京东方的例子。在面板生产之后，我们会看到成品的缺陷情况，比如哪里有坏点、有坏线，或者区域某些纹路有问题，另外，还会做一些生产的过程检测。

一张玻璃从最开始到最后的成品，生产过程中会涉及到七八千个生产参数，而哪些参数跟面板的缺陷有关，哪些无关就是我们需要考虑的因素，以及需要解决的问题。不但会做单个设备的分析，也会做多个设备的路径分析。

最后，我们把面板的不良率降低了三分之一，在跟CEO以及董事长做汇报的时候，都收到了非常不错的效果评价。

江苏常州某企业——手机壳铣削刀具寿命预测

第三个就是CNC（数控机床）领域中江苏常州的一家企业，这家企业有超过一千台机床，每台机床一年要消耗5000把刀具，如果一把刀的成本是100块钱的话，一年刀具的消耗成本就达五亿元。每把刀如果可以加工200个手机壳作为正常寿命标准的话，那就说明，数量到了200这个数值，刀肯定要换，到了250至300的这种刀，就会对原材料产生比较大的浪费。但是，当刀出现突发情况，到180的时候就已经坏掉的话呢？也是我们需要解决的问题。

在企业的工厂里，通常都希望对设备做到非侵入，尽量不影响生产。当机床起动的时候会看到整个切削过程的图示。然后我们要找到刀的急剧磨损线，并通过分析刀的锋度、偏度、翘度，最后知道它的寿命情况，也就可以预测是不是该换刀了，这样的话就可以让它的寿命大概平均提高25%。

当然，我们也会用深度学习的方式做分析，间接识别出刀的磨损量，类似的情况我们在富士康也做过。

厦门某企业——成品缺陷检测

第四个要分享的是光电分析方面的例子，厦门的这家企业主要生产手机前置摄像头的遮光片，遇到比较大的问题是，需要检测遮光片的遮光效果，以及对光的散射与折射情况，那就要从0度到90度的不同角度去看它对光线的效果。

但在我们实际提供服务的过程中，其实会遇到非常大的一个问题就是散射，还有右边这些紫色光的情况，这就是我们一定要解决的问题。最后我们通过深度学习的方式建模、分析，才解决了这个缺陷检测问题。

最后，我分享一点很有感触的情况是，现在不管是大众，还是创新创业者，很多人都在关注智能制造行业，但我自己感觉，整个工业行业依然在向一个“脱实向虚”的方向发展。我们一定要扭转这个局面，大家一起把中国的实体行业做起来。