18世纪中叶，蒸汽机让社会生产进入机械化时代；
19世纪70年代，电力让人类社会进入电气时代；
20世纪90年代，通信技术和计算机技术让社会进入信息时代高速发展时期。
三次工业革命，每一次都让社会生产效率呈爆发式增长。而眼下，智能制造的概念又掀起了第四次工业革命，德国的工业4.0，美国的工业互联网，中国的智能制造2025，都在这场革命之下排好了阵仗。
毫无例外，每一次的革命都是为了生产效率的提高，但这次，世界各国对生产效率的提高，却定位在了1%。
而在刚过去不久的2050大会上，锌财经记者也奔赴了智能制造主题的分会场，见到了积梦智能，一家工业智能科技公司的创始人谢孟军。在会场，锌财经记者也与谢孟军对第四次工业革命“1%的小目标”进行了长时间的探讨。
（积梦智能创始人谢孟军接受锌财经采访）
其实，1%的目标并不小。
前三次的革命，已经把社会生产效率提升到了足够的高度。而底盘足够大，哪怕是1%的进步，进步也足够大。
从苹果工厂出身的谢孟军，接触了大量的制造工厂，出来创业之后，又跑遍了家乡宁波的上百家工厂。在采访中，谢孟军告诉锌财经，大部分的工厂包括一些诸如汽车、3C的高端制造工厂，最大的痛处是无法让各个部门串联成一个整体。
在苹果制造工厂里待过，又看过数百家传统工厂的谢孟军，也和锌财经分享了这些年来他对中国智能制造的一些看法。
他说，所有的部门就像一个个孤岛，而这些孤岛之间的距离，就是与1%小目标之间的巨大鸿沟。
积梦智能创始人 | 谢孟军
1
中国智能制造的小目标：1%的进步
首先还是要明确一下智能制造的概念，为什么德国叫工业4.0，美国叫工业互联网，而我们就叫智能制造。
德国提出来了工业4.0之后，国内才有了智能制造这个概念。所谓工业4.0，基本上就是按照解决不同的问题来定义工业4.0，而工业4.0想要解决的问题，是希望用CPS的方式把整个工厂互联互通，成为智能工厂。
在德国提出来工业4.0之后，美国提出了工业互联网，其实这些名称并不是随意取的。美国目前整个互联网非常发达，所以美国就想利用它们发达的互联网，来改善它整个的工业体系，想要利用互联互通的方式把所有设备打通。
这些名词的产生是符合每个国家工业发展不同特征的。德国在设备硬件方面非常厉害，而美国互联网也非常厉害，所以它们的出发点会不一样。但是它们的目标是一致的，希望抢在下一个工业革命当中那个制高点。
如果我们把维度降到地球村来参考，其实分工是很明确的，设计、生产、配件等等都有专人负责。那么，在德国的工业4.0和美国的工业互联网之前，中国的定位是什么？世界制造工厂，全球最大制造国，全球各地需要的高端的、低端的零配件我们都有。
在工业2.0向工业3.0转型的过程当中，中国要做的事情是用机器换人。而现在，各个发达国家都提出了工业发展的新概念，所以中国为了应对全球制造领域内的分工，提出了中国制造2025。
中国提出中国制造2025的概念，同其他发达国家一样，想要在十大领域里抢占制造领域中的制高点。
但不论是哪个国家，提出工业发展的新方向，最终的目的是为了提高效率。
根据美国通用公司的调查，工业互联网的效率只要提升1%，带来的效应是巨大的。以航空领域为例，如果整个航空行业节省1%的燃料，那就能够省下300亿美金。在电力行业这个数字是660亿美元、医疗领域是630亿美元、铁路领域是270亿美元、而在石油天然气行业，节省下来的经费将达到惊人的900亿美元。
把1%的威力放大到全球规模来看，它的效益是非常惊人的。对无利不起早的商人来说，在利益的驱动下，会把全球的智能制造推动起来。
2
信息孤岛间的桥梁，是顶层设计
虽然提出智能制造2025的概念已经有一段时间，但我们也知道目前也尚处在起步阶段，让制造业转型，还是有很多的步子要走。
我们知道很多传统工厂里，以单个应用为信息督导的特别多。而这些有关联却又单独存在的信息督导，就可以叫做信息孤岛。
一个工厂从小规模发展壮大，必然会增添新的部门和职能，比如DOE分析、量产性管控等等这些东西。而这些随着工厂发展拓展的业务板块，必然会增加新的应用。但绝大部分工厂的做法是怎样的？我增加一个部门，就增加一个对应的APP；出现一个问题，我就去解决一个问题。
那么，问题来了。
这样做的结果就是，每个部门之间的应用是割裂的，就像一片海里的若干个孤岛一样。在苹果的经历也让我认为，这是传统制造企业最大的问题。连同一个企业的各个部门都无法高效协同，请问你怎么做到智能制造？
苹果公司在制造工厂是如何做的？他们在做之前就已经从顶层搭好了逻辑和框架，已经清楚要什么，大的模块有哪几块，如何让各个模块之间的数据流通起来……这些东西，已经事先思考的非常清楚了。
其实，事先从顶层设计的思考逻辑，就是一个数字工厂的模型。跟苹果公司一样，每个工厂都会有不同的数字模型，比如以产品为中心从设计开始到供应商、到生产、到销售、到供应链……哪怕是一些模块还没有拓展，都是能够事先搭好整个数字模型的。
数据，只有流通起来才是最有价值的。
为了让数据的价值放到最大，我们在中间这层加一个PAAS层以及海量的数据储存，和一个储存的引擎。另外，我们也有很多检测报警框架和机器学习框架。
在我们目前切入的3C和汽车行业里，我们打造了很多这样的模型。在行业打磨的这几年里，我们已经能够让大数据可视化，为了搭好最底层的统计分析框架，我们自己也做了很多数据采集的方案，比如自动采集器、终端、移动端和很多适配器的方案。
在这个基础之上，我们做了一个工业的APP Store。我们都知道，现在有一个事实：APP都是IT和懂技术的人来开发的。但实际上我们的业务需求提到IT那边后，最终是由代理商完成这些功能的。
但我们要做的是自己搭建所有的应用过程。
我们会有一个这样的思考，建一个基于乐高的思想设计的系统平台，它的底层会有一个底层服务。因为我们团队大多数都出身自互联网，所以，我们在基于容器云的模式上搭建了一整套方案，就是用“微服务+容器”的方式搭建了整个底层服务。
在这之上我们自己搞了一套数据存储的软件，同时要支持OLAP和OLTP两个板块，既能够做到实时分析，还能够有一些历史分析的东西。
我们现在基本上是以PG为主，就是类似于Oracle的开源数据库，基于这个数据库我们做了一个大型的解决方案。我们同时又跟Hadoop等等这些接口串起来，在这个基础上搭建了数字工厂模型，我们把设备、测量、产品、售后、缺陷、任务这些东西抽象化出来，到数字工厂模型里面，在这之上再设一些SAAS服务，统计分析、检测分析、统计报警这些技术服务的东西。
再比如工装管理的应用开发，我们利用数字工厂模型里面的三个板块，就可以搭建出来工装管理模块。工装、设备怎么用一个应用管理起来？
这只是一个举例，一个工厂会有很多需要解决不同问题的应用。工厂越大，所需要的数据工厂模型就越复杂，需要搭建的应用就越多。工厂里面关心的包括几个东西，一个是所谓的效率问题，一个是财务问题，一个是质量问题。效率问题可能是MS，财务问题是ER，质量问题是MS和ERP。
他们不可能把整个数字工厂的东西都交同一家公司来做。如果在这方面创业，我的建议是选择一个具体的口子切入。比如我们作为一个初创企业，是专门针对做质量，从业务角度说是全面质量，从设计开始，设计、生产、销售、售后等等，这块所有的东西做了一个全面的解决方案。
总结一下这一块，我想说的是，要消除信息孤岛的状况要从顶层设计就开始。
3
孤岛的距离，1%的距离
但不可否认，目前大多数企业各部门，以信息孤岛的形式运作的现象是普遍存在的。而这样的运作方式，也无法让企业最大化的做到高效运行，也就是离各国都在追求的1%，还有一定的距离。
有这么个现象，大家可以思考一下：
在大部分传统企业里，纸张依然是记录的重要载体，但其实在纸质记录的方式下，所有的数据是散落的。比如，在汽车制造工厂，汽车里有一个扭矩箱是要扭螺丝的，但一辆汽车有两三个扭矩箱，都会在不同流程，不同时间，甚至不同的人去操作，这些数据都是分散的，可能一个星期就没了。
（纸张依然是记录的重要载体）
但事实上，这些数据都是相互关联的，那我们如何把这些数据采集起来并长期保存呢？
对于这个问题，最好的答案应该是：一体化。怎么来解释这三个字？
第一，多种数据采集并且电子化
任何一个零件，一个部分，直至最终的成品，其实每一个部件之间都是有关联的。你要分析它们之间的关系，就必须把每一个可记录的数据都采集起来，并保存在数据库里。
每一个数据都是构建数字工厂模型的砖瓦。
第二，多种数据源的一体化
一家工厂，越到发展的后期，所牵扯到的数据会越来越多。比如，设备数据、流程数据、供应商数据、设备信息、工艺事件、设计数据、售后质量等等，这些数据其实是可以把这些数据统一录到模型和系统平台里的。
第三，标准一体化
数据一体化之后，其实很大程度上已经做到了标准一体化。即便是在一家工厂里，会牵涉到非常多的设备，不同设备的协议不一样、格式也不一样，就同一个品牌不同的版本格式就会不一样，不同品牌的差异就更大了。还有各种格式的，工厂里面比较多的是表格格式，还有CMS、DMO等各种设备格式。
所以，这么多不同类目的东西是要有一套自己的标准的。那我们积梦自己来说，我们先会对数据做一个清理，然后转换成我们自己的标准，再录到我们的数据工厂里。
因为只有标准化之后，数据处理、分析才能做到一致性。
这里有一个数据一体化之后的效果图。第一个图是汽车零配件的，它有不同的点，有不同的设备去检测它；第二个图来自于所有不同的设备的测量数据。然后利用三维的引擎把它渲染起来，就可以实时看得到怎样测质量体系的情况。
这些数据可以用来进行虚拟匹配。那么，什么是虚拟匹配？虚拟匹配有什么用？
假设零件A和零件B是两个相互装配的零件，A和B都有充分的测量数据。在没有装之前，就可以根据检测到的数据，去做虚拟匹配的过程，这可以极大地提高效率，在它装之前就可以立马分析出这个东西能否装进去。
还有一个问题，大家也可以思考一下。
制造业里有很多问题可能是尺寸问题。举一个简单的例子，一个车门、一个车身，车门和车身要装起来，装起来之后其实整个车门和车身之间是有空隙的，这个空隙严重影响了几个东西，第一个是异响，第二个漏雨。这是个很大的质量问题，但是车身检测的是A设备，但车门却来自于别的供应商，而且给车门做检测的与给A设备做检测的，并不是同一个设备。但是两组数据完全不一样，你怎么去分析？
所以，基于这两个例子，也可以知道虚拟匹配有多大的意义。但虚拟匹配的前提是数据一体化，只有数据一体化之后，才能做有效的数据分析。
4
拉近1%的距离
在这个时代，大数据的重要特征是什么？是价值。而把这些数据的价值扩大，也是拉近与1%的小目标的关键。
但是工业大数据有一个特征是低密度的价值，也就是说它的数据量很大，但是有价值的数据却是很小的一部分，怎样找出这些有价值的数据，其实是非常重要的一步。
这里有一个汽车里经常应用的所谓的相关性分析。在汽车装配的过程中，其实A零件装在B零件上，当然，这两个都会做数据检测，A零件有偏移会导致B零件偏移。但是检测的结果都是以B零件为结果，你会发现B零件偏移了，但根据B零件的数据去调整，并不能修复好装配过程当中的问题。只有调整A零件，才能解决问题，也就是说它会存在相关性。
通过这个例子，我想说的是，数据量很大，但关键是如何找到有效信息，关联信息，才能把信息的价值最大化。
在积梦这里，我觉得数据是可以在以下几个方面发挥很大的作用的。
1.最终良率预测
当然，预测良率还是以统计概率为主，在完成统计概率以及零配件的测量之后，根据概率的分布，我们计算出最后使用该零件产品的合格率。在最终的呈现结果上，由于人不可能一直实时盯着，所以，我们提供了很多的可视化分析。
2.产品的缺陷分析
目前，制造企业里面应用最多的可能是统计分析。但我们利用统计分析再结合傅立叶计算的一些算法，做产品缺陷的聚拢分析。基于统计概率，当最终的产品有缺陷时，根据缺陷类型，给出每个组件可能导致该缺陷的概率，帮助工程师准确推断出引起缺陷的原因。
3.测量数据实时报警
在众多大数据下怎样做到数据的实时报警预警，这是至关重要的，特别是对于制造企业来说，报警预警应该说是最为重要的东西。因为不能等到我们事后再发现这个问题时，再去处理这个事件。利用数据后台的聚算、消息队列，分布式的检测，我们实现了大数据的实时报警预警。当然还有很多结合业务的东西，基于HPC的报警，基于单点的报警，基于概率的报警。
4.呈现智能报告
最后，我们还做了一个类似BI的工具，因为在工厂里面，很多时候我们还要做数据分析、汇报、质量分析，基于这个东西，我们会做一个类似工业的PPT工具。
我刚才讲到因为所有的数据都聚到一起了，那你去做数据分析的时候，这个APP所有组件都已经做好，那只要设计一下数据源，就可以立马做出你所需要的所有数据的报表。当然我们还会把这些东西做一些历史快照，导成PDF。
分享这么多，想要表达的是，中国的传统企业要向智能制造转型，要做的还有很多。哪怕是1%的进步，也是一个路漫漫其修远兮的过程。也希望今天的分享能够给大家带来一定的思考和帮助。
文章 ∣ 单一
责编 ∣ 美丽
摄影 ∣ 黄硕
手绘 ∣ 精卫
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
