越来越多的人认识到:智能制造的重点是优化、特别是去全局性的优化。
怎么优化呢。学术界有个办法,就是“建模”。然而,现实中的数据是不完整的、精度是有限的、误差是漂移的。根据模型计算出来的做法,可能还没有实际摸索出来的好。如果按照模型去做,“优化”可能会变成“劣化”。
所以,“模型”往往不能太当真。论文上写的东西,可能会误导企业。
现实中有效的“优化”,前提是知道现在是“不优”的。有的时候,确认“不优”都不容易:每个岗位上的人,都认为自己做的是“优”的。试想:连“不优”都发现不了,哪来的“优化”?
发现“不优”的办法之一,就要树立一个标杆。比如,给出理论上的最优值或者标杆企业的最优值。但是,理论上的最优值可能是无法实现的、标杆企业的最优值可能是不可比的。所以,这样的“最优指标”可能没有操作性、在实施的过程中容易遇到抵触。
我们需要接受这样一种现实:我们不知道最优到底是什么。但是,我们却能知道现实中曾经达到过得“最优”。如果整个生产过程,都能保持历史上的最优,这样的企业一定是非常优秀的。
然而,现实中的“最优”也是不容易得到的:不同场景下的最优是不一样的。比如,轧钢的最大产量与产品和规格有关。而且,影响最优值的“相关因素”有非常多。人们往往搞不清楚现在能够达到的最优是什么。
可喜的是:在大数据时代,这个问题容易解决。数据是生产的实际结果。如果我们能够建立与场景有关的最优模型,就有可能时时刻刻地告诉人们现实可以实现的最优是什么。这样,与最优的差距也就能看出来了。
企业一般有各种KPI指标。很多企业根据这些指标,进行考核。但是,考核是事后的事情。KPI计算出来的时候,损失已经产生了、无可挽回。随着数字化的推进,我们有可能实时地计算这些指标。这样,就可以树立一个标杆,让我们有能力实时地优化生产。
如果一个企业的生产,能够时刻保持历史的最优,并通过PDCA持续改进。这个企业一定是伟大的。PDCA就是用现实的信息进行反馈,是理论与实践的结合。PDCA可以解决理论模型不准确的问题。PDCA是工业界行之有效的管理思路。在智能化的时代,这个逻辑可以用计算机来实现,让PDCA的效果倍增。
在何老看来,推进这个方面的工作,就是工业思维与IT思维的结合。我感觉,对许多企业来说,通过推进PDCA企业的数字化转型就会变得非常容易:我相信“量变到质变”的力量。
工业互联网平台,要帮助企业解决这个问题、为其提供工具和手段。
来源:微信号 蝈蝈创新随笔
作者:郭朝晖
该作品已获作者授权,未经许可,禁止任何个人及第三方转载。
楼主最近还看过