工业4.0是从取代人工到解放脑力

人和动物的最根本区别在于使用工具，动物只能利用自然界已经存在的物质作为工具来生存，而人却可以通过创造“超自然存在”的工具（或技术）改善生存问题，并且不断的通过改进这个工具（或技术）获得更好的生活。人类对更为先进工具的追求淋漓尽致的表现在对自动化的追求上面，看看纺织技术的演进，从纺坠、纺车、水力大纺车逐步进化到珍妮织机，而后到无锭纺纱、无梭织布、无纺织布等都是对纺织自动化技术无止境的追求。从工业1.0的蒸汽机时代，工业2.0的电气时代，到工业3.0应用电子信息技术时代，人类不断的期望其使用的工具或技术能够尽可能没有人工干预就可以进行生产。但有形的自动化机器的作用只能替代人的体力，却还未能取代人的脑力劳动，而现在多品种小批量的生产趋势需要操作工在生产中需要不断的切入人类智慧，也就是脑力劳动，来满足生产的需要，工业4.0要从过去的取代人类体力劳动到解放人类的脑力劳动。

 

信息化下思维模式并未改变

随着上世纪九十年代计算机的普及和发展，人类将物理世界的工作通过人工录入到电脑，并伴随着互联网的发展实现了信息交流和信息共享，这叫做信息化过程。信息化时代人类的活动还是以物理世界为主，思维模式还是采用线下的物理世界中的流程化的思维模式，所有线上的信息化是为了线下的物理世界的活动服务的，例如办公自动化和财务管理软件等，其目的是为了各部门间工作效率的提升，但信息化前后对企业的经营逻辑并没有发生变化。流程仍然是企业的核心，软件是工具，而中间存在或产生的数据是活动过程中的副产品。信息化的过程对企业的商业模式和企业上下游关系都没有发生事实上的改变，信息化仍然是在追求体力劳动的降低和劳动质量的提升，并不能替代或延展人的脑力劳动。

 

数字化的定义

伴随着物联网、5G通讯技术、人工智能、区块链、AR\VR这样的数字化工具的使用，物理世界正在被逐渐的搬运到数字化世界中。在数字化中，大量信息依靠传感器进行录入，例如智能手表能够通过其内置传感器自动记录你每天站立时间、行走步数、爬山高度等。生产上的数字化是伴随着传感器的普遍使用以及数据采集、数据存储技术的发展而来的，我们这里对数字化可以定义为凡是数据采集和录入由机器完成，在人工预设的规则下才能触发的自动化工作叫做数字化。

 

智能化是数字化的延伸

如果说数字化更强调“数字”，那智能化则更侧重的是“算法”，2015年以后，随着人工智能算法的成熟以及在各个领域的应用，很多应用越来越智能化，是因为算法变得越来越聪明了。用汽车导航来举例，我们过去用离线的凯立德地图导航是一个信息化的方式，我们现在用的在线导航则是一个数字化呈现方式，而在实现了自动驾驶以后，汽车通过各种传感器自动获取道路上的各种信息，通过其“算法”来确保平安到达目的地，交通指挥中心根据交通状况自动指挥交通，这些过程则是智能化在交通中的应用场景。

 

SCA是通过软件算法帮助企业做决策

如果您了解拧紧知识，一定知道拧紧的目的是要产生工艺设定所期望的夹紧力，从而使产品在将来运行中因为这个夹紧力能够将产品保持最初的样子。影响装配质量（夹紧力）的因素可达上百种，这些因素可归类为以下六大类：操组工的责任心（人），拧紧设备的精度（机），螺栓的质量（料），拧紧工艺（法），螺栓洁净程度（环），拧紧设备是否在出现故障前更换（测）。我们需要对装配中的所有信息进行搜集，结合统计学等数学知识和拧紧知识等计算怎样降低装配质量的隐患，或者在市场有装配失效问题发生时找到原因。但当前很多企业的决策者并不具备决策所需要的相关专业知识，我们发现很多企业尽管已经采用了高精度的拧紧设备，但是装配质量依然存在问题，SCA就是期望将装配中的各种信息进行采集，通过“算法”进行分析，达到帮助企业经营者进行决策的目的，减轻或替代人的脑力劳动。

 

不断将周边设备卷入，从而实现“全量全要素”

智能化是一个软件和硬件不断被卷入的过程，随着各种解决方案不断的被卷入，痛点得以不断解决，从而为企业创造价值。在单站拧紧中，我们希望拧紧工具能够对拧紧过程进行监测，以判断是否有部件遗漏，是否有“假力矩”，从而减少我们脑力劳动对拧紧的分析，此时我们需要卷入带有拧紧过程监控的电动拧紧设备；如果我们希望系统帮助员工控制拧紧顺序，帮助操作工指导对应不同产品取哪一个物料，减少员工在装配时的脑力劳动，我们需要卷入辅助操作过程的系统；如果我们希望“全量全要素”的对装配进行还原分析，这不仅仅包括拧紧扭矩，还应该包括拧紧是否合格，拧紧角度，时间，操作工信息，作业节拍，拧紧设备校准信息等，这些信息的完整采集后，通过“算法”帮助企业经营者做出工艺改进决策，做出生产线效率优化，做出工具管理分析。过去在做一些决策时因为缺乏数据分析，更多是感性的拍脑袋决定，在采用了SCA理念后，企业可以更加精确地量化的做出科学决策。

 

全量全要素&数字孪生

刚才在反复提到“全量全要素”，这里配合数字孪生的概念来说一下“全量全要素”。“全量全要素”下采集的信息可以构成一个物理世界所对应的虚拟世界，这个虚拟世界就是数字化中所说的“数字孪生”，也被称为数字映射、数字镜像。

数字孪生的官方定义是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。是不是很难以理解，没办法，官方定义要严谨，用俗话解释一遍，数字孪生就是在一个设备或系统的基础上创造一个数字版的“克隆体”，以数字化的方式把现实物理世界里的业务对象借助数据模拟物理实体在现实环境中的行为，通过虚实交互反馈、数据融合分析和决策迭代优化等手段，在数字世界里建一个一模一样的模型，为物理实体增加或者扩展新的能力，这个虚拟世界的模型就像是物理世界的双胞胎，孪生兄弟一样，所以叫做数字孪生。“全量全要素”说明的是要想实现数字孪生，采集的数据要足够深，足够细，这也是SCA跟MES采集数据的区别。

 

机器人不是智能化

当前很多企业在进行智能制造，但很多企业的理解有误，例如有企业把增加机器人理解成了智能化，但其实是自动化，因为其采用的机器人解决的更多是搬运等解决体力劳动的工作，解决的是系统化或者结构化的问题，但企业中还有大量不确定性的问题或者非结构化的问题无法用自动化解决。例如前面所说的装配工作中就有很多不确定性的问题，我以挖掘机的阀岛装配岗位为例，我曾经在某日企挖掘机阀岛装配岗位问操作工：这个地方这么复杂，你当前的装配方法会出错吗？你猜怎么着，这个操组工一秒钟都没有迟疑地回答我：怎么会没有？你来干干就知道了，这个地方不出错是不可能的。其实这个问题在国内品牌挖机同样如此，得到的答案也类似。为了避免错误的出现，操作工需要打起十二分的精神，精力集中，但是出错的概率太大了。而在出错后管理人员的解决办法呢，往往是加强培训，但这能解决人机料法环测六个环节中出现的问题吗？再加上客户对定制化、小批量、多品种不断提出要求，出现错误的概率被进一步放大，根据当前的技术，将装配工作智能化是解决以上非系统性的问题的方法。

 

装配如何落地智能化

既然智能化能解决装配中的问题，那装配中怎么将智能化落地呢？在行动之前我们还是要回归智能化的理论基础，从智能制造的理论出发去思考如何落地。中国工程院李培根院士讲到，智能制造的本质和真谛是在数字化的基础上，利用物联网、大数据、人工智能等先进技术认识制造系统的整体联系并控制和驾驭系统中的不确定性、非结构化和非固定模式问题以达到企业更高的目标。这里面其实解释了我们要落地智能制造的四个基础：数字化，互联网，大数据，人工智能。对于装配来说就是采用数字化的装配工具，利用工业互联网串起来底层执行层的拧紧工具，SCADA通过MES同ERP握手，在装配中进行数据下达和基层数据的上传采集（“全量全要素”），然后对采集的数据通过大数据计算，给企业的领导做决策指导。

 

装配智能化的四个步骤

装配智能化严格来说是“零错误装配智能化”，其目的是通过把智能的技术应用到“装配”中来以实现零错误装配。早在2009年，阿特拉斯科普柯就提出了零错误装配的五个步骤，分别是扭矩OK，批次OK，螺栓连接OK，安全性要求OK，零错误装配。随着工业互联网、大数据分析技术的逐渐成熟，阿特拉斯科普柯在2016年提出了智联装配SCA。正如前面所说，智能装配是一个不断将周边设备卷入的过程，从而解决很多场景下的装配痛点，SCA也是一个不断卷入周边设备的过程，目前SCA已经将数字化工具、质量检测、数据分析、线体防错、数字化服务等卷入智能装配，形成了一个智能装配的生态圈。将来随着技术的不断发展，阿特拉斯在SCA上也会不断的进行延展，不断的帮助人类做出智慧决策，释放人的脑力劳动。

为了让企业的决策者更容易理解如何在装配中落地智能化，阿特拉斯科普柯将装配智能化分成了四个步骤，分别是工具智能化，工站智能化，生产线智能化和工厂智能化。

 

1,工具智能化

拧紧知识告诉我们拧紧的目的在于实现一致性的夹紧力，最常采用的扭矩控制法特别容易受到摩擦系数的影响，阿特拉斯在实验室条件下经过验证，同样的30NM扭矩，夹紧力可相差达到一倍的差距（如图所示），所以如果螺栓表面摩擦系数差异很大，同样的扭矩情况下，有的螺栓可能还未被拧紧，而有的螺栓可能已经被拉伸超过屈服极限，这会带来很多安全隐患。

 

其次，我们拧紧中需要监测垫圈等是否有遗漏，在使用了智能化工具以后，遗漏部件时系统会发出警示，从而辅助操作人员做出决策。

 

 

阿特拉斯科普柯在降低成本方面首先降低硬件投入，用一种控制器可以控制所有的拧紧设备，包括手动工具、手持电动工具、固定式的拧紧机；降低安装成本，控制器的安装涉及到搭建桥架，网络等等，更少控制器意味着更少的安装费用；降低维护成本，硬件少了，维护成本也会降低；

在绿色制造和降低能源消耗方面，阿特拉斯采用虚拟工作站的设计方法，通过软件方法控制不同工具，实现了过去只能增加硬件的方式，降低了控制器待机能源的消耗；

在高效率方面阿特拉斯采用智能模块IAM，实现双系统备份，假如控制器出现问题，服务人员无法迅速到达现场，此时只需要将IAM模块放在一台空的控制器上开机即可使用，这对停机一分钟就带来数万元损失的企业是非常有价值的。

同时，阿特拉斯的TurboTight功能可以减少工具辅助设备。我们都知道工具扭矩超过人体能力上限时需要增加辅助工装抵消反力，康明斯发动机公司为了保护员工健康，防止发生职业损伤，要求40NM以上的拧紧岗位必须配合机械抗扭臂，但是增加了阿特拉斯的turbo tight功能以后，操作人员可以手持到70NM，而TBP甚至可以达到150NM。

 

2,工站智能化

 

还拿挖掘机主阀作为例子，主阀机体上有不同的高压油管连接到挖掘机的不同动作执行机构，随着挖掘机吨位不同和执行机构配置不同，所以主阀机体不同，油管数量和型号不同，扭矩不同，螺栓不同，在这个岗位上不同配置达到上百种。工人操作时需要考虑选择哪一个物料，选择哪一个扭矩，选择哪一个工具，哪一个套筒，哪些物料需要安装，是否有漏安装。出错概率很高，墨菲定理有一句话叫做：凡是有可能出错,那就一定会出错。

那怎样解决呢？阿特拉斯其中的一个解决办法是采用SQS单站质量控制系统，系统采用了可视化的操作手册，一步步的引导操作人员进行工艺流程，在拧紧出现不合格时，系统可引导操组工重新操作，在不同物料选择时，系统通过物料引导，辅助操作工选机体所对应的物料，在程序选择时，操作工不用记忆应该选择哪一个程序，系统能够帮助操作工选择所对应的拧紧程序。在所有工作结束后，系统能够将所有的拧紧数据，包括时间、地点、人物、工作过程、工作步骤，拧紧过程等所有信息进行存储，通过这个存储下来的数据库，我们就能完全还原我们的工作过程。这套系统还可以应用在新员工培训和参观通道。

 

3,产线智能化

我们生产线中并不是每个站都安装有工作站防错系统，有的产品装配后有错误但未被发现，有缺陷的产品流向下一站。我们传统解决办法是采用PLC加总线方式进行控制，在有缺陷流入下一工位时PLC通过逻辑判断报警。阿特拉斯的解决办法是通过软件实现过去硬件的功能，降低能耗，也减少了总线板卡费用。

另外，从微观来说，企业经营者希望了解每个工站的工时应该在多少，最短能在多少，过去有企业采用比武大赛，而软件能够通过大数据积累告知你过去几个月中某个岗位最快的一次节拍多少，平均耗时多少，哪个人的耗时最长。

在采用MES时，我们希望MES来实现对控制器的工艺下发，MES团队在项目结束以后，如果再有修改或者增加工艺，工厂需要支付MES供应商服务费用对工艺修改或增加，而阿特拉斯将编程工作设计的非常简单，用户自己只需将工艺填入excel表格，就能实现MES技术人员的工作，节约了MES服务费用，更是减少了工艺修改时间。

 

4,工厂智能化

工厂智能化并不是工站智能化或者产线智能化的物理叠加，而是一种思维方式的转变，在装配线进行智能化设计时将底层设备数字化、相关设备的配置和管理、质量校准、维护保养等进行顶层设计。

以下用一个例子来进行表述。传统企业对于工具的标定采用时间或者拧紧次数方法，在达到一年或者25万次拧紧时进行保养，这看起来似乎比较严谨，但是在保养提醒前工具是有可能出现故障的，例如齿轮组的疲劳损坏，我们采用传统方法的情况下只有等到设备损坏后才能发现，但此时很多装配连接有隐患的产品已经下线甚至流入市场，这将会带来不能估量的隐患损失，也可能不会出现问题，但也可能出现人身伤亡事故，那怎样将该隐患扼杀在摇篮中呢？

ToolsNet在数据采集的过程中在不断的进行SPC(统计过程控制)，其借助数学统计方法对工具的运行情况进行分析评价，一旦发现拧紧设备的系统性隐患因素出现征兆时，分析软件将向质量管理软件QA Supervisor系统发送指令，将该把工具在系统中标注为红色或者黄色，我们可以把它理解成拧紧设备的健康码，在被系统标注为红色健康码后，拧紧设备将被强制维修保养。风险发生前进行提醒能有效的降低不合格装配出现的可能性，同时，设备出现机械部件大故障的可能性大大降低，最大程度的降低设备维修费用。

以上只是工厂智能化的一个例子，在物料监测、设备管理、设备配置、质量校准、维护保养都可以帮助企业的经营者做出相对人类更加精准的判断决策。

 

软件是构建智能化工厂的未来

最后笔者用乌尔里希·森德勒（Ulrich Sendler）在他编著的《工业4.0 - 即将来袭的第四次工业革命》一书中的内容作为本文结束。森德勒提出，软件（或算法）才是工业的未来，工业、产品和服务的全面交叉渗透需要借助软件，通过工业互联网实现产品和服务的网络化而实现，并因软件的深入应用而改变生产方式，强大的硬件只有靠软件作为支撑，才能产生根本的革命进步。

本文引用如下文献：

[1.]  李培根，《智能制造概论》【M】 北京：清华大学出版社

[2.]  陶景文，《华为-数字化转型必修课》【M】得到大师课

[3.]  F Robert Jacobs，《运营管理》【M】北京：机械工业出版社 

[4.]  Frederick，《数据模型与决策》【M】北京：机械工业出版社 

[5.]  珍妮古道尔，我与黑猩猩在一起的三十年【M】北京：中国广播电视出版社

[6.]  唐任仲，智能制造系统国际合作研究计划【J】. 制造技术与机床

[7.]  路甬祥.从制造到创造【R】 中国创新论坛之装备制造业振兴专家论坛

[8.]  曹鹏彬，曹立峰，智能装配规划技术及其求解方法【C】低碳经济下高新技术制造产业与智能制造发展论坛

[9.]  杰拉德.凯勒，统计学在经济和管理中的应用【M】中国人民大学出版社

[10.] 乌尔里希·森德勒,工业4.0 - 即将来袭的第四次工业革命【M】机械工业出版社