避免生产事故的灰盒数据模型：日产公司与联合航空事故案例分析

2023-07-02 理论教育版权反馈

【摘要】：举一个日产公司的例子。为了避免这样的情况发生，就必须提高生产效率，从2010年开始，日产公司引入了一套机器人的健康预测分析模型，本质上就是灰盒数据模型。在联合航空232号航班事故中，美国人调查发现，因为起飞前的例行检查，忽视了发动机风扇盘的裂缝问题，导致风扇盘断裂，以致引擎爆炸。

工业大数据如何在制造业中发挥作用呢？

首先我们来看传统制造系统的五大要素：材料、装备、工艺、测量和维护，实际上过去的三次工业革命，都是围绕着这五个要素进行的技术升级。

而今天到了第四次工业革命，最关键的智能化升级就是在传统的制造业五大要素上增加了第六个关键要素——建模。

这里的建模就是把工业大数据，即工业制造相关的所有数据、知识和经验，都通过智能算法形成一个系统模型，从而实现对整个工业系统的把控和统筹。

为什么制造业需要工业大数据模型发挥作用呢？因为我们发现，在以往的制造过程中，我们只关心已经发生的问题，比如产品缺陷、加工失效、设备损坏和系统故障等。因为这些问题在工业生产上是可见、可测量的，往往比较容易避免和解决。

然而，随着制造业的不断发展，我们已经越来越注重工业生产中的不确定性问题，比如设备的性能下降、健康衰退、零部件磨损，还有运行风险升高等，这些问题很难通过测量被量化，短期内也不会造成严重后果，但它们往往是工业生产中不可控的风险。

为了避免这些风险，就需要工业大数据的系统模型。那么，具体如何实现呢？

首先，可以利用工业大数据建立白盒数据模型，避免可见问题的发生。

工业制造是围绕固定的工业机理来配置的，比如固定的设计工序、产品结构和工艺参数等，这些机理都环环相扣。而传统制造的诊断式维护，就是当机器出现故障时，主动停机维修。这种停机不但会造成上游机器的物料堵塞，还会造成下游机器的物料供给不足，大大影响了整个系统的生产效率。

针对这样的情况，可以通过研究大量工业机理问题与解决方法，打造出白盒数据模型。它最大的价值就在于，可以在不影响其他工序的情况下，主动将某一个环节的机器停机调整，从而实现整个制造系统的预防式维护，避免造成不必要的损失。

事实证明，白盒数据模型带来的预防式维护，可以更有效地延长机器寿命，并且降低运营成本。

其次，能在白盒数据模型的基础上利用工业大数据，进一步打造灰盒数据模型，对不确定性问题进行预测分析，实现生产系统的自省功能。

白盒数据模型基于工业机理，但工业机理在实际运行中，会出现大量的不确定性，比如内部设备损耗、参数波动和生产环境影响等。我们通过工业大数据，挖掘这些隐性的问题、知识和经验并建模，就形成了灰盒数据模型。

举一个日产公司的例子。公司在生产线上投入了大量工业机器人，虽然很高效，但会因故障而引发停机事件。为了避免这样的情况发生，就必须提高生产效率，从2010年开始，日产公司引入了一套机器人的健康预测分析模型，本质上就是灰盒数据模型。

我们知道工业机器人最复杂的部位就是机械臂的运转，也最难进行监控管理。日产公司通过集群建模的方法，收集分析机械臂所有的运作数据，形成一个“虚拟监控中心”。这个监控中心一旦发现有机械臂行为与原有集群模型产生差异时，就会自动生成健康报告，传递到生产系统及时调整。

这套模型引入后，日产大多数机器人的隐性故障都能至少提前两三周被系统发现。

最后也是最关键的环节，我们可以利用工业大数据设计黑盒数据模型，实现逆向反馈，从根源上优化工业系统。

与前面两种模型不同的是，黑盒数据模型既不是从问题出发，也不是通过数据进行分析，而是从结果逆向反推问题的原因，并将最终的解决方案嵌入模型，投入制造系统进行优化与再创新。

比如我们调查航空事故的原因，逆向反推提升航空工业制造水平。在联合航空232号航班事故中，美国人调查发现，因为起飞前的例行检查，忽视了发动机风扇盘的裂缝问题，导致风扇盘断裂，以致引擎爆炸。但通过反向层层深挖数据，美国人最终得出结论，其根本原因是制造过程的缺陷，风扇盘中钛合金部分的杂质过多，纯度不够，从而引发风扇盘裂纹增大。

这个由大数据分析出来的最终结果，被打造为黑盒数据模型，在之后的飞机发动机制造系统中发挥了作用，提高钛合金锻造的熔炼温度与次数，以确保相关部件的品质，从根本上解决问题。

避免生产事故的灰盒数据模型：日产公司与联合航空事故案例分析

相关推荐