制造业从业想要升值加薪？看看数据分析怎么用

“数据科学”是一个非常广的概念，这里指的是所有和算法、大数据、可视化、机器学习可以相关的技术，在制造企业的应用

数据的兴起

数据在制造业并不是一个新的东西，或者说制造业几乎是最早应用数据在工作的行业。公差、工艺的状态、各类的标准，用数据来判断质量，全都是数据，包括一直在应用的最优化求解。

现在大数据在制造业中的兴起，更多的是一个整个社会，各个行业都在追赶这一波大数据、AI的浪潮。再加上经济形式对各个国家的影响，主要的大国都提出了“智能制造”“工业4.0”“工业互联网”“先进制造业”这样的概念，让数据在制造业的应用，特别火热。说白了，就是赶上了好时候

有需求

有数据

有知识

有能力

再加上风口。

数据在制造企业的应用，首先是作为一个企业，在销售，客户管理方向的应用。这个点和互联网等其他行业的企业类似。一些其他的主要应用如下：

物流优化/仓储优化/生产排程/...

物流规划、库存优化以及涉及到众多限制条件、考虑到多种因素的生产排程（Advanced Planning and Scheduling），都可以归结于约束求解问题。

这类问题可以看做是回答一个“在什么时候（时间），谁在哪里（资源），做什么事情（任务）”的问题

这样的经典问题，已经有非常多的商业化的解决方案。不过因为每个企业的情况不同，这些商业化的解决方案在每个企业的落地也都会面临着不同的问题。

虽然方法是经典的已经有方法，但是在约束条件以及需要规划的对象大大增加，并且对于实时性以及对变化的快速响应这些要求下，往往都是需要更多的思考和工作，才能让系统满足对于时间、精度的要求以及这两者之间的平衡。

设备故障预测PHM（prognostic and health management）

设备状态诊断，故障预测，

是综合利用现代信息技术、人工智能技术的最新研究成果而提出的一种全新的管理健康状态的解决方案。

PHM系统未来一段时间内系统失效可能性以及采取适当维护措施的能力，一般具备故障检测与隔离、故障诊断、故障预测、健康管理和部件寿命追踪等能力。

经常会听到的Predictive Maintanance预测性维护也是属于这个大的概念的一部分，总体来说就是利用设备的一些信息判断目前状态，并且以此来判断设备的剩余寿命，制定更高效稳定的维护计划，以此保证生产的效率。

这个领域因为受到坏样本量的限制，也就是设备“异常”的情况极少，“正常”的情况极多。在这样的情况下，典型的有监督学习的机器学习的应用比较受限。比较经常使用的是异常检测的方法。

在重设备的行业，航空，风电火电等等，设备诊断往往是第一个数据科学应用的场景。

实时质量控制

自动质量控制从产生的最初开始就和数据挂钩在一起，质量好或者不好的评价在很多的领域都是用直接的数据来衡量。质量相关的工作，从生产质量控制，问题分析，到质量体系等等，都是直接利用数据工作的。

在这一波“数据科学”在工业界的席卷之下，质量控制的思路，从面向结果的质量控制方式，也就是【生产+质检】的方式，慢慢转向了直接从生产过程中判断质量的方式。可以类比于“预测性维护”，叫做“质量预测”。在一个生产过程结束之后，可以通过生产过程的实际参数，预测出最终产品质量。

一方面可以减少质检的工作量，另外一方面，通过这样的分析，对于影响质量的关键因素的理解和发现，对于生产过程的理解、分析也会更加深入，可以由此再正向的改进质量。

图像识别在这个领域也有了大量的应用。应用的场景主要是用来减少人力投入或者是在某些用人力做起来比较吃力的场景（比如发现细微的缺陷，比如某些过程的中间环节质检，人员可能无法到达，比如数量巨大，人只能做抽检）。在这些场景，现在越来越成熟的计算机视觉技术，加上越来越便宜的算力，有了巨大的应用价值。

数据分析的开始

在一个制造企业中，往往数字化、应用数据的开始，就是一些可视化的数据探索。通过把一些数据某些维度可视化，挖掘出一些浅层的信息，或者是仅仅帮助确认一些“看似知道，好像不确定，知道有，但是不知道多少”的问题。这些往往已经可以带来很大的价值，尤其是用于领导层的决策，用于高效的展示结果以及问题的交流。

在这个过程开始后，慢慢开始意识到数据的价值，建立数据团队，更多的建立数据的基础设施，挖掘更多的数据价值，形成一个正向的循环。

但是这每一步，除了可能或有或无的意识到数据是有价值这一点，没一点都不是那么的容易。有众多的企业，还才只是在从工业2.0开始，向着3.0跨出了几小步。

——————————————————————————

关注这个公众号，回复“4”，送你最全的工业4.0参考资料