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

工業(yè) 4.0 工廠的目標(biāo)也一樣，就是要提高整體效率。但是實(shí)現(xiàn)目標(biāo)的途徑不一樣。它主要是要在觀察中學(xué)習(xí)，為未來(lái)設(shè)定正確的方向。新事物提供了消除“舊”世界現(xiàn)存邊界和重新定義整體效率的機(jī)會(huì)，無(wú)論我們所說(shuō)的是什么原理、技術(shù)或者方法。作為生產(chǎn)負(fù)責(zé)人要做的是，從新策略中學(xué)習(xí)，有勇氣消除已知的邊界，在這里，新技術(shù)先提供了能夠突破邊界的前提。

Schultis：新的生產(chǎn)系統(tǒng)，比如我們所創(chuàng)造的這個(gè)系統(tǒng)，它的復(fù)雜性對(duì)組織管理方面提出了新的挑戰(zhàn)。我們必須在組織管理方面重建，一方面是為了根據(jù)客戶的需求進(jìn)行適應(yīng)市場(chǎng)的生產(chǎn)，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(jìn)生產(chǎn)系統(tǒng)。

然而，傳統(tǒng)的規(guī)劃與控制系統(tǒng)很快就達(dá)到其極限。為了適應(yīng)這些要求，我們引入了靈活的工作形式，明顯提高了靈活應(yīng)對(duì)不斷變化的目標(biāo)要求的能力。我們的團(tuán)隊(duì)在其站立會(huì)議（Stand-up Meeting）和敏捷會(huì)議（Sprint）中會(huì)使用實(shí)時(shí)數(shù)據(jù)或我們通過(guò)數(shù)據(jù)挖掘（Data Mining）過(guò)程獲取的已處理完畢的信息，用以做決策。而在行動(dòng)方面，我們也只是處于初始階段，每天都在學(xué)習(xí)。

再來(lái)談一下您的關(guān)于“重要認(rèn)識(shí)”的問(wèn)題：我們認(rèn)識(shí)到，我們必須將技術(shù)創(chuàng)新和組織管理創(chuàng)新組合在一起，才能快速、有針對(duì)性地作出反應(yīng)，利用新的增值機(jī)遇。

Schultis：例如，我們?cè)谶^(guò)去的幾個(gè)月，在制造物流中采用了新產(chǎn)品。我們?cè)跇訖C(jī)階段就感受到了高度自動(dòng)化設(shè)備的好處，我們無(wú)需額外為樣機(jī)手工制造一臺(tái)設(shè)備。并且這確實(shí)有用。工廠的靈活性顯而易見(jiàn)。我們?cè)谂可a(chǎn)的同時(shí)制造樣機(jī)。

Schultis：我們的工廠具有模塊化結(jié)構(gòu)。各個(gè)全自動(dòng)和半自動(dòng)的制造模塊都通過(guò)小型自主駕駛小車 (AGC) 彼此相連。與持續(xù)進(jìn)行的批量生產(chǎn)相反，我們?cè)谶@里可以直接進(jìn)行試驗(yàn)或者研發(fā)新產(chǎn)品。如果出現(xiàn)小故障，整個(gè)制造系統(tǒng)不會(huì)立即停止。這體現(xiàn)的是純粹的靈活性。整體上顯著減少了我們?cè)趩?dòng)階段所經(jīng)歷的困擾。我們?cè)谶^(guò)程中的可靠程度明顯提升并且擁有更高的自由度。

Schultis：可以的。我們雖然不是一切都成雙成對(duì)，但我們有可以全自動(dòng)或者手動(dòng)執(zhí)行的工藝過(guò)程。此時(shí)，上游專門(mén)為工廠開(kāi)發(fā)的制造控制系統(tǒng)承擔(dān)物料流的控制任務(wù)。

Schultis：我們?cè)诖似陂g額外做了兩個(gè)產(chǎn)品系列，目前生產(chǎn)過(guò)程中有七個(gè)產(chǎn)品系列，年底還會(huì)增加另外兩個(gè)。在這些產(chǎn)品系列中還會(huì)增加不同的版本。目前我們已做的版本數(shù)量達(dá)到了四位數(shù)。機(jī)器承受這樣的增長(zhǎng)毫無(wú)問(wèn)題。除了安全產(chǎn)品之外，我們目前甚在相同的模塊上生產(chǎn)非安全產(chǎn)品。

Schultis：我們將生產(chǎn)環(huán)境中的數(shù)據(jù)分為三個(gè)主要類別。在智能制造這個(gè)類別中，我們上升到過(guò)程層次，以改善質(zhì)量，提升 OEE（整體設(shè)備效率）等。這是一個(gè)重點(diǎn)議題。

第二個(gè)議題是預(yù)見(jiàn)性維護(hù)。在這方面，我們使用數(shù)字信號(hào)，以盡可能高效地實(shí)施維護(hù)工作。例如，我們并不始終采用固定的維護(hù)周期，在需要維護(hù)的時(shí)候，傳感器和執(zhí)行器會(huì)發(fā)出信號(hào)。

第三個(gè)類別涉及的是能源管理。我們了解到，整個(gè)車間在一年中消耗的能源是什么情況。未來(lái)，這種透明度將幫助我們盡可能高效節(jié)能和可持續(xù)地進(jìn)行生產(chǎn)，因?yàn)槲覀兛梢栽诟欣臅r(shí)候進(jìn)行生產(chǎn)活動(dòng)。

Schultis：這個(gè)問(wèn)題我必須嚴(yán)謹(jǐn)?shù)赜?ldquo;是又不是”來(lái)回答。是的，我們已經(jīng)有能力分析數(shù)據(jù)得出初步結(jié)論。是的，我們對(duì)此做得越多，潛力空間就越大。

一個(gè)小例子：我們現(xiàn)在用數(shù)字方式監(jiān)控生產(chǎn)模塊中的壓縮空氣。這在以前是沒(méi)有的。以前，如果壓力下降低于 5 bar，只有生產(chǎn)出了問(wèn)題，我們才會(huì)知道壓力下降?，F(xiàn)在，我們采用數(shù)字方式進(jìn)行監(jiān)控，設(shè)有警告極限。如果超過(guò)或低于這些極限，我們就會(huì)通過(guò) BPM（博世性能管理器）激活一張支持票證。另外一個(gè)例子就是氣缸的移動(dòng)速度。一般來(lái)說(shuō)，從中可以識(shí)別出磨損現(xiàn)象。未來(lái)，這些數(shù)據(jù)將有助于我們采集各種致動(dòng)器/傳感器的維護(hù)警告極限。目標(biāo)是，在故障/失效情況發(fā)生之前就將其識(shí)別出來(lái)。

Schultis：我們?cè)谝粋€(gè)模塊中碰到過(guò)這種情況，我們?cè)谠撃K中用我們的 SICK 傳感器 FTMg 監(jiān)控壓縮空氣。傳感器本身通過(guò)一個(gè)網(wǎng)關(guān) (TDC-E) 與云端相連。我們將 BPM 托管在該云內(nèi)，幫助我們對(duì)數(shù)據(jù)進(jìn)行可視化處理。我們可借此識(shí)別壓縮空氣供應(yīng)的波動(dòng)并采取相應(yīng)的措施。若故障未被發(fā)現(xiàn)，就可能導(dǎo)致?lián)Q向閥故障。我們可以提前對(duì)其進(jìn)行更換，避免停機(jī)。 

Deep Learning 在未來(lái)的工廠中是否也能發(fā)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(shù)。我們正在開(kāi)發(fā)一個(gè)解決方案，有了它我們就能在質(zhì)量檢驗(yàn)中使用神經(jīng)網(wǎng)絡(luò)技術(shù)。具體來(lái)說(shuō)，這將是一個(gè)可內(nèi)嵌的焊點(diǎn)自動(dòng)光學(xué)檢查 (AOI) 解決方案。您看，我們每天都在學(xué)習(xí)新知識(shí)和測(cè)試新技術(shù)。

未來(lái)工廠，必須始于當(dāng)下，否則未來(lái)將永遠(yuǎn)只是未來(lái)。我們今天可以利用機(jī)會(huì)，借助數(shù)據(jù)產(chǎn)生增加值，從而盡可能高效地進(jìn)行生產(chǎn)。