华为大咖说丨数智化如何支撑制造高质量实现?
【摘要】 全文约3604字,阅读约需9分钟产品质量直接关乎企业的市场信誉和长期竞争力,卓越企业无一不将高质量视为其发展目标,在这个数字技术与智能科技飞速发展的时代,如何利用先进的技术和工具,来进一步提升产品制造质量,是当前制造型企业的一个必答题。今天我就来和大家分享一下数智化如何支撑制造高质量实现。 一、制造型企业为什么需要数智化? 首先,从制造质量控制诉求角度来说:随着产业向高端制造、精密制造转型,...
全文约3604字,阅读约需9分钟
产品质量直接关乎企业的市场信誉和长期竞争力,卓越企业无一不将高质量视为其发展目标,在这个数字技术与智能科技飞速发展的时代,如何利用先进的技术和工具,来进一步提升产品制造质量,是当前制造型企业的一个必答题。今天我就来和大家分享一下数智化如何支撑制造高质量实现。
一、制造型企业为什么需要数智化?
首先,从制造质量控制诉求角度来说:随着产业向高端制造、精密制造转型,制造型企业需要更精准、控制颗粒度更小、响应速度更快的质量控制手段:
- 产品制造的模式从传统的流水线批量生产,走向按客户需求的大规模定制,要求产线生产型号切换过程要更敏捷,质量管控的精度更高(从工单级->工位级),问题响应速度更快。
- 制造部件尺寸,从传统电子装联的几十cm发展到精密制造的cm级,器件尺寸从cm级发展到亚mm级,微纳制造的Die( Die指的是芯片未封装前的晶粒)封装精度发展到um级。然而,手工作业是无法做到工业化的mm级控制精度的,所以高端制造、精密制造必须采用机器来做和实现数字化的控制。
- 精密产品的加工批量化进行,一个基板几百个实物,如果一台设备出现异常,一次就可能造成出现上万的不良产品,而人工作业的分钟级控制水平已经无法满足要求,需要更快的质量检测和控制速度,才能实现产品高质量的目标。
其次,从数智化技术的成熟度来看,相关技术发展给制造质量控制带来了改进:
- 数字孪生解决了数据采集及建模还原成物理世界的问题,为数字化、智能化提供了坚实的基础。
- 5G/Wifi等技术解决了数据时延的问题,为实现更快的质量控制,提供了短时延响应的保障。
- 人工神经网络技术的突破,使得AI快速发展,机器视觉可用于替代人工目检或作业规范性监控;深度学习(关系学习)应用于质量预警;大模型的快速发展,解决了知识的模型化及知识的快速检索、工具的智能调用,为业务作业质量提升提供了更多的可能性。
综上所述,从高端制造、精密制造加工对象的制造精度和加工节奏的特点来说,必须采用数字化的手段来生产和控制,才能保证制造质量。
与此同时,数字化的发展,为制造质量管理精度和速度的提升奠定了技术基础,而人工智能的发展,为质量问题、隐患、风险的解决,提供了更高维度的感知能力和分析处理能力,为进一步提升制造质量提供了支撑。
二、数智化如何支撑制造高质量实现?
关于数智化如何支持制造高质量实现,看完以下三个问题,我相信你可以找到答案。
1.制造质量数字化怎么做?
数字化是什么?搞可视化、大屏是不是就是数字化?虽然数字化已经不是新鲜事物了,但依然有人把数字化工作看得过于简单。可视、大屏是数字化的一部分,但只是运营和应用层的。
业务数字化往往还有更基础的工作要做,特别是对于“非数字原生”企业来说,构建数字化的基础往往是更具挑战的事情。因为业务数字化本质上是将业务对象(如订单、工单、物料、产品、包装、特性、标准等)转化为数字形式,同时基于业务的价值流,将业务过程数字化,包括提供相关数字化工具(规则封装),在业务活动中对业务对象进行创建、补充、修改操作,这个梳理的过程就是业务数字化的BA/IA(业务架构(Business Architecture, BA)是对业务的结构化表达,描述组织如何运用业务的关键要素来实现其战略意图和目标。信息架构(Information Architecture, IA)是以结构化的方式描述在业务运作和管理决策中所需要的各类信息,以及这些信息之间相互关系的一套整体组件规范)设计。因为基本单元、基本要素的管理,通常涉及跨组织、跨体系的流程,这往往会成为最难啃的骨头。而且这些基本单元、要素通常是业务的基础数据,和业务价值往往很难有比较明确的支撑关系,实施数字化的价值也是长期的,需要用战略的视野来看。所以我们常说数字化是“一把手”工程,因为数字化需要攻坚克难,需要战略驱动,实施过程也要有战略定力。
华为在制造质量数字化领域,已经践行了这样的方法论:基于质量管理的基本对象——“特性”和质量管理的基本过程——“策划、控制、改进”,构建了从三个源头(产品设计、产业链、生产系统)风险识别(FMEA),到质量控制计划(QCP)制定,再到过程质量控制(SIP/XQC/感知机)及问题改进(MITR及持续改进工具)的质量数字化在线作业平台;实现了风险特性“识别->控制->改进”的全过程数字化,同时还构建了从物料进厂到产品出厂的全要素、全过程的全息追溯数据底座,支撑了产品出厂高质量。
在实践行业方面,根据灯塔工厂的报告,国外某企业基于自身多年的数字化转型实践,总结并形成了完整的智能制造解决方案,包括质量管理方面的一整套方案。国内某企业基于自身多年的制造实践,也形成了自己的数字化解决方案,还成立了一家子公司,来赋能国内制造企业的数字化转型,并已打造了12家灯塔工厂。
2.AI如何助力制造质量提升?
近年来,随着机器学习/深度学习/机器视觉等技术的发展,相关技术也逐步应用于制造质量管理领域,如机器视觉用于缺陷检测,机器学习用于质量异常感知并实现自动停线,机器学习用于质量问题、隐患感知预警等。
在行业实践方面,某电池制造龙头企业,通过对电池充电过程数据和实际充电电量进行大数据建模,来对电池容量进行检测,实现不用完成一个冲、放电循环就可以准确测定新电池的容量,制造产能提升了320%,生产能源消耗减少47.4%。某制药企业在药品生产过程中采取对数据建模,通过模型在生产过程中的实时分析判定,实现药品质量检验的“批放行”,制造成本降低了24%,生产周期缩短了40%。
我们自己在制造质量管理的实践中,也广泛应用AI来提升质量水平:如IQC(Incoming Quality Control,意思为来料质量控制)的包装检验上采用机器视觉技术检查外箱的缺陷(凹陷、破损等),在IQC/FQC采用OCR技术(光学字符识别,OCR是指将文本图像转换为机器可读文本格式的流程。)替代人工对标签进行检验(内容正确性、可读性等),在IQC采用机器视觉对产品外观尺寸进行检验。在产品制造过程中,采用机器视觉管控作业的规范性(如螺钉装配顺序、异物残留检查等);在来料质量管理中,利用维修、来料数据进行多因子分析进行物料质量预警;在产品制造过程中,应用了分类、聚类、多因子分析等机器学习模型,进行产品质量预警,以发现漏工序、漏测试、漏采集等隐患。
1.小模型和大模型在制造质量提升中如何“物尽其用”?
近期,GenAI的出现给行业带来了大模型,同时也带来了一些疑问。大模型既能作诗、还会画画、又善解人意,于是,有人就有疑问了:“大模型啥都能干,泛化性又那么好,有了它还需要传统的机器学习/深度学习模型吗?“。也有人说:”大模型总是胡说八道,不可信,在工业上无法应用“。
那“小模型”“大模型”在制造质量领域到底能干啥,该怎么用?事实上,任何技术都受其基本原理约束,没有“万能”的技术,大、小模型也一样。
小模型是基于统计方法或业务建模后形成的模型。小模型的优点是承载了业务Knowhow,“输入->输出”是稳定的,偏差判定比较准确,计算效率也比较高,可以嵌入到业务过程中,支撑业务决策及自动化,所以在现场质量控制、质量预警方面被广泛应用。
不过,这类模型一般是针对特定场景构建的,泛化性比较差(“一招鲜吃遍天”的机器学习模型是不存在的),也就是说,构建一个模型只能应用于特定场景,用在另一个场景就不行了,所以小模型在开发前需要做好价值评估。
大模型指基于AIGC技术构建的通用语言、语音、视觉模型,是基于人工神经网络技术,通过学习百T/千T的数据、知识形成的“神经网络+参数”(参数规模通常为10亿->千亿,模型大小一般G->百G之间),所以也有人说AIGC其实就是一种信息压缩技术(T->G)。因为它学习了海量的数据和知识,加上它生成式的原理,所以它啥都能说上几句,而且好像都挺有道理的,但不能保证符合事实,因此有很多人吐槽它喜欢胡说八道。因为生产制造是一个确定性工程,物料、工艺、参数、作业过程都必须是确定性的,猜出来的内容是无法支撑生产作业的,所以大模型不太适合直接用于生产作业。
不过,基于大模型的“语义理解”能力,技术上通过辅助其他方法,也可以实现工业上的应用,比如用RAG技术实现外挂的知识库(文档)的检索及推荐,可实现“0幻觉”的知识推荐。再如采用“大模型+Agent”方案实现工具/服务调用,通过大模型按业务Knowhow的思维链实现专业工具(包括小模型)的调用,这样可以实现“解决方案级”的工作任务,同时结果也是确定性的。因此,大模型可以扮演个人助手的角色,在员工工作需要的时候,在线提供辅助建议(知识库检索)、递送工具。
综上,大模型、小模型有各自不同的特点和能力,关键是要理清楚,它们在制造质量改进过程中该怎么用:小模型(参数控制、质量检测、质量预警、质量分析等)可以提高风险、隐患、问题的感知维度、深度,提高质量控制的精度、速度。大模型(文档精准推荐,问题分析及处理、持续改进辅助等)可以提高质量策划、改进的广度、完备度。无论是小模型还是大模型,关键是要“物尽其用”。
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)