人工智能时代的制造业-进展与期望2023

人工智能时代的 制造业 进展与期望 人工智能时代的制造业进展与期望 副总裁JulieFraser ©Tech-Clarity,Inc.2023 一个由人工智能驱动的制造业新时代 尽管在供应链端充满挑战，但制造商们依然阔步向工业4.0迈进。大多数制造商们都明白，人工智能（AI）和高级分析可以助力做出更好的决策，进而带来商业效益。然而，许多制造商们仍然在苦苦学习如何创建成功的数据管理结构。本项研究向您揭示，行业领导者是如何取得比其他公司更大进步的。简而言之，就是因为他们了解、投资并充分利用了人力、流程和技术的方方面面，而从大体来说，则是因为他们都完成了从数据到信息到洞察到决策再到可盈利且及时行动的这一重要过程，从而实现了整体闭环。 页码 工业4.0的进展 4 16 弥补技能短缺 时局不易 5 17 利用商业系统 成功的关键 6 18 更好的MES提升体验 实现从数据到行动的闭环 7 19 探索高级技术 多方面掌控 8 20 获取业务能力 制造数据管理中的挑战 9 21 加速改进 缺乏集成阻碍发展 10 22 实现降本目标 努力的成果：行业领先者 11 23 为什么要进行制造数据管理？ 了解所有重要问题 12 24 为什么要转向人工智能？ 启动解决问题的举措 13 25 高级分析的部分优势--引言 改进组织结构 14 26 前进之路 赢在人员配备 15 27 关于研究 28 致谢 工业4.0的进展：2020年vs2023年 重大进展和成果 24% 15% 许多举措正在实施中 27% 23% 开启多个项目 27% 26% 进行单个项目 8% 11% 正在规划，尚未执行 10% 12% 4% 尚未制定战略 13% 2023 2020 工业4.0愿景 未来的制造业将广泛采用更加灵敏的人工智能和智能自动化技术，使得制造过程变得更加迅速便捷。这就是工业4.0的愿景，它还 包含其它广泛的含义，涉及了企业和供应链的方方面面，虽然在制造领域往往面临着严峻的挑战，但同时也面对着巨大的机遇！ 三年来的进展 当制造商开始实施工业4.0计划时，他们大都知道这将是一场历时多年的修炼。我们能看到，大多数企业的变革过程都很顺利。自2020年我们发布《制造数据管理挑战》（TheManufacturingDataManagementChallenge）1调查报告以来，行业发展显著。许多受访企业在工业4.0方面取得了巨大进展，并已从中获益。 影响制造业的主要供应链问题 材料短缺 59% 需求变化大 46% 交货期压力增大 41% 新材料/新供应商需要额外验证 33% 新加工规格的新材料 30% 不断涌现的新材料和新产品 28% 工厂可能关闭 14% 其他情况 3% 最多选择三个 中断时间 上一次调查是在新冠疫情流行时进行的。本次调查则是在疫情终于开始消散时启动的。在大多数情况下，大多数制造商经历过的材料短缺问题依然存在。在地缘政治的压力下，许多企业纷纷选择以在岸外包、近岸外包或友邦外包的方式更换供应商。 压力下的制造业 外部供应链环境和内部调整都给生产运营带来了额外的挑战。作为供应商，许多制造商在交货期和客户期望方面，压力陡增。对客户来说，因为材料供应商会变，价格和供应情况也会随之波动，所以想让质量始终如一也并非易事。 在时局动荡时采取行动 很明显，供应链不稳定的问题不会显著缓解。鉴于需求波动大，供应链不确定等这样的客观情况，企业必须做好应对准备，以维持正常运营。企业可采取的措施包括改变产品组合、尝试使用新材料，以及快速、有效地解决质量问题。这时候仅有数据甚至信息是不够的。企业必须深入了解情况，做出决策并采取行动，以维护利润、保证品质，使客户保持信心。 数据管理 当被问及各类制造数据管理能力和技术对工业4.0转型的重要程度时，大多数制造商都认为它们是关键或重要的。普遍认为工业4.0转型后的必备能力是数据管理。制造业的数据类型和来源多种多样，收集和分析数据的实际难度比听起来更难，但对成功来说却是至关重要的。将OT数据与工厂IT数据融合起来的举措在榜单上排名也很靠前，体现了大家对其的认可度。 智能和分析 良好数据管理的一个关键优势是能实现从数据到信息再到见解再到决策再到行动的闭环。五分之四的受访者认为，这对他们成功完成工业4.0至关重要。其中体现在两个具体方面——即分别向工厂的员工和办公室的员工提供可操作的洞察，虽然得分不是很高，但仍然得到了广泛认可。 集成技术，有效行动 大多数制造商计划利用技术以实现高效、可靠、快速实现闭环的目的。工业物联网（IIoT）可以为搜集机器数据提供支持。几十年来，使用集成设备、工厂和企业系统一直是一个目标，而这个目标也将继续成为工业4.0成功的基石。人工智能（AI）和机器学习（ML）也可用于分析与制造成果相关的各种数据集。这些能力的得分也都很高。 44% 38% 12%7% 38% 37% 18% 12% 38% 39% 15% 8% 各种要素对工业4.0成功的重要性 一致的数据管理 48% 31% 13% 8% 实现从数据到行动的闭环 47% 34% 10% 10% 工业物联网（IIoT）平台 46% 27% 16% 11% 45% 34% 12% 9% 44% 31% 13% 8% 集成设备、工厂和企业系统 人工智能/机器学习结合OT数据与工厂IT数据 为办公室员工提供可操作洞察 为工厂员工提供可操作洞察 关键重要有用不重要 数据管理：概念视图 针对尚不熟悉制造数据管理的人员，我们在这里提供一种有关数据管理的可视化闭环。它从概念层面解释了制造业一致的数据管理系统的要素。 •该图的底部中心是数据收集和提取。无论数据是来自IT还是OT，都是基础性的，也是IIoT、传感器和许多员工记录实际情况的系统发挥作用的地方。 •这些数据需要经过结构化、协调化和存储才能发挥作用。考虑到庞大的机器阵列以及需要定期更改的系统数据格式，这一过程会非常复杂。 •右下方是上下文数据和扩充。例如，机器数据读数为10；只有增加上下文信息，才能确定读数是否在预期范围内。 •如果不在范围内，那么操作员、材料批次和环境条件等可能会提供有用的信息以更全面地描述情况。例如，该机器的操作员可能知道应该调整什么或向谁求助。 •在进行分析时，它可能会有助于确定问题根本原因。这种洞察将更容易获得。 •拥有洞察才能做出更好的决策。例如，你是否将使用该材料批次做所有的工作或者重新培训操作员？ •最后一个方面是确保有效行动。将决策与相关制造应用中的行动触发因素联系起来能够 决策 行动 人工智能机器学习 仪表板 分析 应用 模型引擎算法 定制模板 信息 洞察 数据协调数据存储 情境化数据扩充 结构本体数据湖 参考模型事件和 操作框架CEP 数据结构化 上下文数据 ITDMZOT 数据提取数据收集 制造数据结构和活动的概念视图 确保采取敏捷、有效的行动，而这些都对盈利能力非常重要。 数据流中的缺口 分析多源数据基于洞察做出决策 生成可操作的洞察 创建上下文数据向利益相关者提供数据和洞察 53% 44% 44% 43% 42% 目标：闭环 如前页图表所示，一致、完整的制造数据管理涉及多个方面。理想情况下，信息流从源头到存储、协调、扩充，再到决策分析，最后进入应用，以供采取行动。我们将此过程称为“实现从数据到行动的闭环”，它确实非常复杂。 现实：数据流中的缺口 在现实中，大多数企业的数据流都存在缺口。我们的调查结果显示，在我们列出的七个环节中，只有5%的企业在任何一个环节都没有人工交接。在这个样本中，有一半以上的制造商表示在分析各种来源的数据时存在数据流缺口。这可能是企业开展高级分析和大数据项目时最关心的问题。从将OT数据转换为供IT使用的格式，到创建上下文数据、生成洞察、做出决策和采取适当行动，每个阶段都有待改进。 次优结果 每次人工交接数据或信息时，流程都会变慢，并有出错的风险。决策和行动一旦延误，往往会造成时间、材料和利润损失。在当今竞争激烈的市场中，制造商可能无法承受这些损失。 采取适当行动 40% 将原始OT数据转换为IT可用格式 37% 其他情况5% 制造数据管理中的挑战 IT和OT系统的数据相互冲突 38% 缺乏专业熟练的数据分析师和工程师 34% 难以同时分析IT和OT数据 31% 无法自信地从数据转移到采取行动 30% 难以将OT数据纳入IT数据集 29% 无法将所有需要的数据放入CI的情境中 29% 无法根据我们的数据快速做出决策 28% 没有从人工智能中获得过洞察 24% 其他情况 5% 选择所有适用项 数据问题 制造商在制造数据管理和实现数据到行动闭环方面，面临着各种挑战。最常选择的问题是IT和OT系统有冲突数据。缺乏协调的方法会让所有相关人员有挫败感。受访者还写道：缺乏用于分析的实时数据收集，以及数据不一致。 人员配备 第二大常见挑战是更广泛的制造业技能短缺问题：缺乏专业熟练的数据分析师和工程师2。数据技能与理解制造业中对数据和分析具体需求的结合目前比较稀缺。其中一位选择“其他”的受访者写道：“各级人员配备欠缺。” 流程 大量的流程带来了许多问题，比如将OT数据纳入IT数据集中。其他挑战还包括添加上下文数据、同时分析IT和OT数据、从人工智能中获得洞察，以及自信地从数据转移至采取行动。一位受访者写道：“很难合并来自多个不同位置的数据以进行全局视角分析。”只有5%的受访者表示没有遇到这些挑战。 技术 在本问题的其他字段中，还有一些其他回答，包括难以迁移到新系统的旧系统。系统分散、系统升级以及实施新系统的成本。 优化数据流 差距较大、挑战较多，说明制造系统之间需要集成。 遗憾的是，大多数企业在创建和维护集成方面，仍需耗费大量精力。 当系统没有完全集成时，人工处理是不可避免的。此外还有其他问题，如：不同系统的数据会相互冲突。 与2020年相比没有改善 虽然企业正在向工业4.0迈进，但这并不是因为他们已经解决了集成问题。与上一次调查相比，本次调查的受访者大多认为集成是一项庞杂的工作。我们猜测，这是因为工业4.0项目正在推动他们更全面地进行集成，从而让企业更清晰地认识到了耗费的时间和精力。 可行的解决方案 许多企业都有单独的系统，功能包括跟踪、操作员指导或工作指导、质量、维护、排产、物联网和设备数据收集。 制造软件套件的功能越是全面，就越可能出现此类问题。如果单一系统就能处理这些问题，那么集成的难度就会小很多。 39% 业技能 29% 29% 3% 1% 集成MES、质量、维护、排产、物联网和机器或设备数据，并且维护集成所需的时间、精力和专 很多较多中等较少很少 人工智能时代的制造业：进展与期望 10 行业领先者引领前路 到目前为止，我们一直专注于迎接和克服通往成功之路上的挑战和障碍。一些公司正在取得显著的成功和快速的进展。侧边栏介绍了这些行业领先者。 工业4.0和数据管理进展 按表现段划分的受访者 其他 84% 行业领先者16% 行业领先者的定义 敏捷性高、持续改进的企业（在这两个能力维度上，均获得满分5分）。他们占总回复的16%。 一半以上的行业领先者在工业4.0方面取得了重大进展，并且已初见成效。在这项研究中，他们还有许多将他们与其他企业区分开来的特征。下文将重点关注这些不同之处，以便每个人都可以思考如何在自己的公司里做出同样的成绩。 51% 按绩效等级划分的工业4.0状态 28%27% 31% 18% 12% 12% 8% 2% 5% 2% 4% 已取得重大进展和成果 正在实施多项举措 开始实施多个项目 开始实施一个项目 正在规划尚未执行 尚未制定战略 行业领先者其他 按绩效等级划分，制造数据管理问题被评为“工业4.0成功的关键” 工业物联网（IIoT）平台 74% 41% 从数据到信息、洞察、决策、行动的闭环 69% 43% 高级分析、人工智能/机器学习 68% 40% 跨OT和IT的一致数据管理