关于“智能制造”的若干点思考

2018 年底英国经济学人智库(Economist Intelligence Unit) 发布了 企业高层的IoT观点，相对于2013年的调查，有三点重要发现：

⑴IoT虽然影响深远，导入速度远低于预期。

⑵到目前为止影响十分有限，将来的冲击仍然不容小觑。

⑶阻碍导入的两大要因：基础投资成本过高、资金安全与客户隐私疑虑。经济学人智库的宏观数据，与《面对未来的智造者：工业4.0的困惑与下一波制造业再兴》刚好相互呼应。我们积极提倡“先求精实，再求智慧化”主轴的同时，乐意继续分享智能制造的第一线观察与研究心得。

SIYI协易机械智能制造系统

IoT导入速度远低于预期

事实非常明显，2013～2014年汉诺威工业展所吹起的工业4.0热潮，确实已经告一段落。国内外智能制造现场曾经交错着的主观期待，包括强调活用AI与云端、无人智慧工厂等现象，已经不复存在。究竟一流的制造企业如何看待智能制造？如果说智能制造拥有渐进的实践模式，全球一流的制造现场 目前的具体做法与思维，可能反映出务实导入的第一步。

最近两年采访了小松(Komatsu)、岛野(Shimano)、发那科 (Fanuc)、ALPS、大金(Daikin)的日本工厂以及部分欧美分公司，实地检视全球一流制造企业实体智能工厂的最新动向。

基于部分企业的守密约定，考虑撰写此文的目的与效果，所以尝试用代号表达实际看到的生动现场。

A公司分公司的厂长说，想将营销中已经广被活用的AI放在现场取得的数据进行分析，不是对现场过于外行，就是对AI充满幻想，不会达到创造价值的目标。他说，受到电商或网络平台 领导企业的不良影响，阻碍智能制造的实践；现场的价值创造非常朴素、因果关系通常不会那么跳跃。

他介绍“智慧机械加工生产线”，是以既有的加工经验与知识作为基础的智能制造。过去锻造材料是直接进入加工生产线，因为材料的微妙差异，使加工时间不稳定、精度要求过度仰赖技术人员。而锻造材料的智慧机械加工，包括：人工量测、自动对照与加工设定、加工执行的三个步骤。

智能制造 3S 机制

换句话说，这条改善后的生产线是先测量锻造素材的微妙差异，决定加工差异，提升人机加工效率；即采用一种事前纳入技术人员精度形成经验的智能模式。数据显示，这条智能生产线人均产值提升了10%。更重要的是，这些数据提升了产品质量的追踪能力(Traceability)，也就是对于从顾客使用 反馈到加工与素材的问题实现可追踪与解决能力，发挥了重要的作用。

观察这个生产线，不仅呈现了《面对未来的智造者》书中所提倡的智能制造3S机制。也就是理清目的，从目的与逻辑进行系统建构。因此，系统能够从数据取得( 量测，Sensor) 开始，经由逻辑解析与运算(Software)，再实践对策 (Solution)，达到价值创造的成果。访客询问：“为何不将量测工作自动化？”

厂长回答：“现场实体流程的改善，不是以做得到为目的。只要达到QDC改善效果，都会陆续实现。”

B公司分公司则用主动型(Proactive)与因应型 (Reactive)分类他们的现场数据收集，分别代表例行的资料收集与出现问题时的资料收集。主动型系统性数据的可视化就是现场监 控，不仅是循序稳定达成目标的关键，也是进行改善的分析基础，关键在于丰富性与实用性。而因应型数据收集是在 出现异常时启动，除能够立即通知外，回馈的速度与质量堪称关键。分公司总经理用三年间的案例说明两项心得。第一，数据要设法直接取得，初期曾采用手写，因为作业员会自动简化，让问题无法正确呈现。第二，不急功近利，解决问题崇尚目的清晰、逐次导入。

相对而言，C公司日本厂的资料收集更为古典。我们看到工程师在现场反复摄影一台冲床的作业。解说人员对我们说，这是新机种的零组件试作，工程师在确认作业过程与产出是否符合生产技术部门的制程设计；这项工作将支配未来量产的顺畅程度。他说，在多样少量的趋势中，这个试作确认需要一次到位，如果量产才发现问题进行改善，虽然能够做为未来参考，但这一批产品的获利机会将非常低。一次作好作对的重要性，已今非昔比。

关键在于动脑筋与用心

访客询问：“为何不导入结合研发与现场的数字双胞胎(Digitaltwin)？”经理回答：“现场试作检讨属于前负荷 (Front Loading)开发模式的一环，关键在于动脑筋与用心，解决开发试作前段的问题；数字双胞胎应该也能够做到，只是从成本观点，实用性还偏低。”

C公司虽被誉为全球智能制造先驱，经理却说能够自动收集、自动分析的现场案例仍然不多，因为各地的客户要求不同，定制的设计、试作与生产才具备顾客价值。同时，他们对顾客现场使用中的产品数据收集经验虽然丰富，对于结合研发数字化与现场制造数据收集的数字双胞胎，兴趣缺缺。

C公司美国厂除了表达类似观点外，更进一步强调，现地现物现实的日本现场主义精神，是实体系统智能制造发展的原点。导入智能制造虽是长期趋势，不会有跳跃式的进展或突然的意外收获。

D公司最近15年间以直接学习丰田汽车的精益变革著称，相信没有一流的日本工厂，就没有一流的世界工厂。从投料到装完箱的厂内LT从68小时一路降到4小时。最近第三度参观这家日本工厂，发现制造现多了三个展示区：第一个是2003年开始推动精实变革时的照片，包括堆栈达8层的仓储料架，以及生产线边达4～8h的WIP；第二个是KRAKURI( 无动力自动化 )；第三个则失败案例展示。

生产技术课长提及下一步的挑战是导入IoT，正计划利用淡季停一条线试行。这些展示就是唤醒同仁，消除浪费、动脑筋与用心、防止再发等改善精神，远比导入IoT重要。如果IoT能够帮助大家进一步达成这个目的，何乐而不为？譬如他们强调采用低成本自动化，亦即透过动脑筋与用心的KRAKURI与部份自动化，更能弹性因应市场变动与 寻求精进。他邀请我继续观察与一起研讨。

调适顾客需求才能产生差异价值

E公司在高度自动化方面让人刮目相看，理由非常简单，因为他们不仅内制率100%，生产的是各种设备都需要用到的共同模块。换句话说，制程之前与制程产出都在可控制与预测范围。即使如此，仍然强调AI或云端对他们没有意义，他们的发展是一步一脚印，从实体的精益改善出发。

事实很明显，E公司的自动化水平，与谷歌购并的Google Robotics研发物流仓库无人化相去不远，投入与产出都是可控制、可预测，对于一般制造企业没有启发。

观察这5家企业的9个海内外工厂显示，扣除E公司的量产型模块，定制化愈来愈重要，满足顾客需求才能产生差异价值。麻烦、复杂、需要用心，以及被要求定制与差异化的高阶制造，会有更高的附加价值。对于大多数的先进国制造企业而言，顾客价值来自满足顾 客需求或解决顾客痛点的差异化。这正是确保利润与可持续经营的动力，可能也是IoT导入速度远低于预期的根本原因。