2019年，SICK在弗萊堡

開啟了通往4.0 NOW Factory的大門（工業4.0）。

在此期間，通過工業4.0我們獲得了哪些新認知？

就此，SICK集團光電傳感器和光纖業務負責人

Joachim Schultis接受了專訪。

▲Joachim Schultis（左），光電傳感器和光纖業務負責人

Q1 : Schultis 先生，您在一家按照工業 4.0 原理運作的工廠中擔任生產負責人。您的工作與傳統工廠的生產負責人的工作有什么不同？

Schultis：在傳統工廠中要做的工作是，應用已知的策略和方法不斷提高整體效率。

工業 4.0 工廠的目標也一樣，就是要提高整體效率。但是實現目標的途徑不一樣。它主要是要在觀察中學習，為未來設定正確的方向。新事物提供了消除“舊”世界現存邊界和重新定義整體效率的機會，無論我們所說的是什么原理、技術或者方法。作為生產負責人要做的是，從新策略中學習，有勇氣消除已知的邊界，在這里，新技術首先提供了能夠突破邊界的前提。

Q2: 您通過工業4.0獲得了哪些重要的認識？

Schultis：新的生產系統，比如我們所創造的這個系統，它的復雜性對組織管理方面提出了新的挑戰。我們必須在組織管理方面重建，一方面是為了根據客戶的需求進行適應市場的生產，另一方面是為了在還需要整合新版本的情況下從整體上改進生產系統。

然而，傳統的規劃與控制系統很快就達到其極限。為了適應這些要求，我們引入了靈活的工作形式，明顯提高了靈活應對不斷變化的目標要求的能力。我們的團隊在其站立會議（Stand-up Meeting）和敏捷會議（Sprint）中會使用實時數據或我們通過數據挖掘（Data Mining）過程獲取的已處理完畢的信息，用以做決策。而在行動方面，我們也只是處于初始階段，每天都在學習。

再來談一下您的關于“重要認識”的問題：我們認識到，我們必須將技術創新和組織管理創新組合在一起，才能快速、有針對性地作出反應，利用新的增值機遇。

Q3: 您能否詳細地闡述這些優勢？

Schultis：例如，我們在過去的幾個月，在制造物流中采用了新產品。我們在樣機階段就感受到了高度自動化設備的好處，我們無需額外為樣機手工制造一臺設備。并且這確實有用。工廠的靈活性顯而易見。我們在批量生產的同時制造樣機。

Q4: 您是如何做到這種靈活性的？

Schultis：我們的工廠具有模塊化結構。各個全自動和半自動的制造模塊都通過小型自主駕駛小車 (AGC) 彼此相連。與持續進行的批量生產相反，我們在這里可以直接進行試驗或者研發新產品。如果出現小故障，整個制造系統不會立即停止。這體現的是純粹的靈活性。整體上顯著減少了我們在啟動階段所經歷的困擾。我們在過程中的可靠程度明顯提升并且擁有更高的自由度。

Q5: 設備發生故障時是什么情況？能不能用其它設備接替？

Schultis：可以的。我們雖然不是一切都成雙成對，但我們有可以全自動或者手動執行的工藝過程。此時，上游專門為工廠開發的制造控制系統承擔物料流的控制任務。

Q6: 2019年您說到了五個產品系列。現在狀況如何？

Schultis：我們在此期間額外做了兩個產品系列，目前生產過程中有七個產品系列，年底還會增加另外兩個。在這些產品系列中還會增加不同的版本。目前我們已做的版本數量達到了四位數。機器承受這樣的增長毫無問題。除了安全產品之外，我們目前甚至在相同的模塊上生產非安全產品。

Q7: 您在開頭談到了數據挖掘。您能否跟我們分享一下您所獲得的認識？

Schultis：我們將生產環境中的數據分為三個主要類別。在智能制造這個類別中，我們上升到過程層次，以改善質量，提升 OEE（整體設備效率）等。這是一個重點議題。

第二個議題是預見性維護。在這方面，我們使用數字信號，以盡可能高效地實施維護工作。例如，我們并不始終采用固定的維護周期，在需要維護的時候，傳感器和執行器會發出信號。

第三個類別涉及的是能源管理。我們了解到，整個車間在一年中消耗的能源是什么情況。未來，這種透明度將幫助我們盡可能高效節能和可持續地進行生產，因為我們可以在更有利的時候進行生產活動。

Q8: 你們是否已經有能力分析數據得出結論？工業 4.0 意義上的？

Schultis：這個問題我必須嚴謹地用“是又不是”來回答。是的，我們已經有能力分析數據得出初步結論。是的，我們對此做得越多，潛力空間就越大。

一個小例子：我們現在用數字方式監控生產模塊中的壓縮空氣。這在以前是沒有的。以前，如果壓力下降至低于 5 bar，只有生產出了問題，我們才會知道壓力下降。現在，我們采用數字方式進行監控，設有警告極限。如果超過或低于這些極限，我們就會通過 BPM（博世性能管理器）激活一張支持票證。另外一個例子就是氣缸的移動速度。一般來說，從中可以識別出磨損現象。未來，這些數據將有助于我們采集各種致動器/傳感器的維護警告極限。目標是，在故障/失效情況發生之前就將其識別出來。

Q9: 是否存在您不借助數據就無法發現的情況？未來工廠應該如何發展？

Schultis：我們在一個模塊中碰到過這種情況，我們在該模塊中用我們的 SICK 傳感器 FTMg 監控壓縮空氣。傳感器本身通過一個網關 (TDC-E) 與云端相連。我們將 BPM 托管在該云內，幫助我們對數據進行可視化處理。我們可借此識別壓縮空氣供應的波動并采取相應的措施。若故障未被發現，就可能導致換向閥故障。我們可以提前對其進行更換，避免停機。

Deep Learning 在未來的工廠中是否也能發揮作用？這是肯定的。Deep Learning 是一種能夠以多種方式幫我們變得更好的技術。我們正在開發一個解決方案，有了它我們就能在質量檢驗中使用神經網絡技術。具體來說，這將是一個可內嵌的焊點自動光學檢查 (AOI) 解決方案。您看，我們每天都在學習新知識和測試新技術。

未來工廠，必須始于當下，否則未來將永遠只是未來。我們今天可以利用機會，借助數據產生增加值，從而盡可能高效地進行生產。

SICK不只是談論工業4.0

我們實施工業4.0

我們將與您攜手

在工業4.0的道路上一起探索前行！