专家评论：数字世界中废物的未来

废物。这是我们在制造业中耳熟能详的一个词，也是我们一直在努力应对的挑战。它有许多不同的...

浪费。这是我们在制造业中耳熟能详的一个词，也是我们一直在努力应对的挑战。它有许多不同的形式，不仅来自从未到达付费客户手中的原材料、组件或有缺陷的产品，还来自制造过程的每个阶段所使用的资源——如劳动力、能源、存储、运输和资产，包括工厂和机械——它们被消耗，但对总收入没有贡献。简而言之，浪费是未货币化的投入成本，因此效率、生产力、敏捷性和质量方面的产出都是浪费的代表。

虽然在精益制造的理念下，浪费已经成为一个更加正式的概念，但它是自现代制造业诞生以来就一直存在于整个行业的挑战。 1766 年，当 Matthew Boulton 和他的商业伙伴 John Fothergill 在英国伯明翰开设 Soho Manufactory 时，他们引入了“大规模生产”的概念，彻底改变了当时效率低下的家庭手工业。 1782 年，他们用革命性的新动力——瓦特蒸汽机——取代了水力驱动的金属轧机，于是，“废物战争”开始了。

从那时起，我们不断发明新的工艺、方法、工艺和技术来减少浪费。当瓦特蒸汽机等重大创新出现时，我们的前辈意识到效率和生产力方面的巨大优势，随后是一段持续改进和微调的时期。这进一步最大化了这些创新的好处，并一直持续到下一个重大创新出现，例如电力，其中电动机取代了蒸汽并使电力高度分布，更具成本效益和可靠性。随后，流水线迎来了分工利用的新范式，晶体管催生了工控机控制和自动化。

这些主要里程碑中的每一个都经历了最初的影响，随后是一段持续的改进和改进，由此，连续的改进带来的回报不断递减，直到下一次重大转变发生。在寻找改进制造流程的领域时，大多数组织倾向于首先选择“最容易实现的目标”，然后再寻求更难、更微妙的改进，因为他们不断努力寻找消除浪费的新方法。然而，它们很快就会达到消除浪费源的成本等于或大于实现的收益的地步——唉，收益递减规律。

在这个阶段，进行这些改进变得不经济，因此，效率和生产力的提高开始趋于平稳。我相信这就是今天大多数制造商所处的位置，它有助于部分解释所谓的生产力悖论。尽管对新设备、工艺和技术进行了投资，但生产率增长仍然持平，因为低垂的果实已经收获，企业陷入了每单位投资收益递减的循环。只有在下一次重大转变出现以显着提高性能时，才能打破生产力悖论。

正如历史所表明的那样，这些转变不会在一夜之间发生。在经历了一段时间的炒作之前，他们最初遭到怀疑和嘲笑，随后由于感知到的好处未能实现而幻灭。这种转变通常需要几年甚至几十年的时间，然后通过 IT 分析公司 Gartner 所称的“启蒙斜率”（炒作周期的第四阶段）逐渐显现切实的好处 .数字化、智能工厂、未来工厂、工业 4,0 和工业物联网 (IoT) 都是同一主题的变体，代表着下一个主要周期的根源。尽管关于这些主题的报道已经很多，并将继续报道，但它们都基于对单一基本要素的利用——信息，信息是垃圾战争中的下一个关键武器。

另见：

• Manufacturing Global 3 月版已上线
• 日内瓦车展：不容错过的顶级汽车技术趋势
• 西门子将收购 KACO 新能源以增强其制造能力
• Bray International：通过数字化转型改变阀门制造的思维方式

现有车间技术（如自动化和六西格玛等离线性能改进方法）的效率和生产力回报正在下降，这已经达到了众所周知的玻璃天花板。举个例子，总体设备效率 (OEE) 的衡量标准通常用于评估制造操作的使用效率。 100% 的 OEE 表示完美的生产环境，只有好的产品才能尽快生产，停机时间为零。达到这个水平的 OEE 可以说是不可能的，但是，对广泛研究的一般研究表明，世界级制造商争取 80-85% 左右的 OEE，50-60% 更典型，30-40% 没有罕见。这不仅表明在效率和生产力方面仍有很大的改进空间，还表明我们为提高绩效所做的努力很少会“让步”。相反，制造商依靠大量较小且有时成本高昂的改进来产生真正的影响。

为了突破这个玻璃天花板，我们需要通过开发比现在更高水平的运营敏锐度来利用信息和数据资产。在物理系统中，我们总是会有一定程度的自然可变性和不可预测性，但我们不应该继续以此为借口来制造次优的制造过程。相反，我们需要使用这些信息来了解这些事件发生的时间和地点（实时或近实时），并建立适当的机制来响应和减轻“发生时”的可变性和不可预测性，或者更好的是“在它发生之前”。

这并不容易，并且需要对许多变量进行持续的理解和监控，不仅仅是针对单个测量、过程或产品特性，而是针对整个因果图景。在制造环境中，过程很少是完全隔离的，因为一个过程的性能很可能是由无数其他影响引起的——直接的和环境的。这通常被称为“维度诅咒”——我们拥有的维度越多，我们需要的数据就越多，获得可操作的洞察力就越困难。不幸的是，人类的大脑并不能处理这种复杂程度的复杂性，因为我们很难理解以非常少的维度和非常久坐的速度进行的推理。

幸运的是，一些新兴技术正在融合和成熟，为制造效率和生产力的下一次转变奠定了基础。先进传感器的成本和小型化使各种规模的组织能够从其需求和供应链甚至嵌入产品本身中连续捕获难以置信的大量数据。根据其复杂程度，这可以使用直接嵌入在传感器中的高级算法（称为边缘计算）实现自主计算操作，从而在闭环（机器对机器）中直接与其他传感器和设备一起工作。由于无处不在的通信网络的兴起（当新的 5G 标准成为主流时，这一趋势将再次发生转变），这些传感器能够从世界任何地方高速传输收集到的数据。

这些数据流需要大量的数据存储和计算资源，能够快速过滤、分类和分析信息，以便生成实时洞察力，而大数据和云计算正在快速解耦来自昂贵的本地基础设施的数据和信息的商业价值。最后，从这些数据中得出的分析和见解需要在正确的时间、正确的地点提供有效的行动，几乎可以在任何设备上以高度可视化和直观的形式提供，工作人员可以轻松解释和采取行动之上。基于云的软件即服务 (SaaS) 和富 Web 应用程序 (RWA) 界面的发展正在成为今天的主流

工厂、车间和供应链的数字化将使制造商能够以以前不可能或经济上不可行的方式快速识别和消除浪费，这将开启一个效率和生产力的新时代。一旦摘下垂手可得的果实，我们将继续发展技术和技术，以寻找新的和创新的方法来进一步减少浪费，直到收益递减规律开始发挥作用，我们期待下一个重大转变出现。然而，正如人工智能 (AI) 大师吴恩达 (Andrew Ng) 提醒我们的那样，现在担心这一点就像担心火星上的人口过剩。

InfinityQS - 领先的供应商 统计过程控制（SPC） 为全球制造商提供软件和服务。其解决方案在制造过程中自动收集和分析数据，以实现实时过程改进决策并在缺陷发生之前预防缺陷。 InfinityQS 解决方案由工业统计学家使用经过验证的质量分析和控制方法开发，每年为领先的制造商节省数百万美元。