---

2019 年工博會的一場演講結束后，晉文靜博士在一陣熱烈掌聲中走下臺。不久，她就被一些聽眾圍住，走出會場時，隨身攜帶的名片已所剩無幾。

上面印著她頭銜：天澤智云首席數據科學家。這家堅持走工業智能技術路線的公司一直與中國傳統制造企業合作，幫助他們落地工業智能，探索升級與轉型。

 

天澤智云首席數據科學家晉文靜博士。 晉文靜在演講中講述了公司與富士康深圳某工廠合作的無憂機床項目。經過半年多的努力，他們成功證明傳感器+系統的方式可以為 CNC（數控機床）提供刀具壽命預測以及主軸的在線監控與預測。

 

接下來的一串數字越發引起臺下觀眾關注：

 

降低了 60% 的意外停機，質量缺陷率從 6‰降至 3‰，節約 16% 的成本。

 

MachineInsightTM 無憂機床系統。

 

最大機床市場告別「前半生」

 

隨著中國成為全球制造中心，中國也成為全球最大機床工具的生產國和消費國。 Gardner Research World Machine Tool Survey 數據顯示，2017 年，中國大陸地區機床消費金額達到 299.7 億美元，同比增長 7.5%，占全球機床消費額比重的 36.1%；中國大陸地區機床產值達到 245.2 億美元，同比增長 5.1%，占全球機床產值比重的 28.1%。

 

由于中國不僅是最大汽車制造國，也是最大機械、3C 電子產品制造國，因此，從機床下游行業來看，汽車行業占比超過 40%、機械行業占比約 20%，3C 電子產品行業占比約 15%。軍工行業因其戰略意義重大，對于機床的性能、種類和需求量要求極高，占比約 15%。

 

數據來源：Gardner Research。

 

九年前，晉文靜前往辛辛那提大學美國智能維護系統中心攻讀博士學位，師從李杰教授時，正值中國機床工業黃金十年的高光時刻。沈機集團登頂世界機床行業營收第一。2011 年，中國金屬加工機床市場規模達到創紀錄的 390.9 億美元，為歷年最高。（根據國家統計局關于中國機床工具行業經濟運行情況數據）

 

2012 中國機床行業告別長達十年的黃金周期，整個行業開始下行。行業內的大小機床企業盈利快速下滑至虧損，且至今未能緩過勁來。

 

目前，傳統中低端機床市場萎縮已成行業共識，相比于傳統機床行業，「失守」的數控高端精密機床市場已進入高速發展時代。 以手機制造為例。當 2012 年庫克舉起 iPhone 5 的時候，鋁合金一體化機身成為當時消費品金屬加工的極致。由于強度更高的金屬材料處理起來比傳統的金屬外殼更難，CNC 加工所需要時間更長，其他手機廠商跟進導致市場對 CNC 產能有更大的需求。 隨著 5G 時代手機后蓋去金屬化進程接近尾聲，中高端機型后蓋材質變成了玻璃、陶瓷，對精密化部件的要求又給上游機床廠商的生產和服務提出更高要求。 這幾年，新能源汽車抓住風口，也讓汽車零件數控 CNC 加工產業受益不淺。以新能源汽車為代表的車身結構輕量化、高強度需求逐漸成為主流的同時，也倒逼機床走向智能化和高精度化。 事實上，沈陽機床可以在過去十年間賣出近七十萬臺機床，是因為吃到了中國迅速成長為制造業大國的紅利。當時，單靠國外高檔數控機床，根本滿足不了市場需求，國內勞動力素質也無法與之匹配。再加上勞動力成本較低，國產機床可以通過價格和服務占領中低端市場。

 

但是，現在不行了。某中部城市一位機床制造從業者曾坦言，對于持續低迷的中國機床行業來說，歷經數控化的洗禮后，以工業互聯網引領機床行業再出發，已經成為一個趨勢。 機床產業的利潤空間已被大大壓縮，中國機床工具工業協會當值理事長龍興元曾對媒體表示，2017 年中國機床全行業虧損企業占比仍達 33.8%，「如果廠商想實現裝備制造業的價值鏈延伸，服務轉型、提供智能化解決方案幾乎是一個必然方向。」一位業內人士告訴我們。

 

此前，機床廠商做的是一次性買賣，如今，在產品差異不是特別大的情況下，以機床為載體的增值服務開始成為制勝關鍵。對于他們來說，像晉文靜這樣的數據科學家，就像是券商行業中金牌分析師一樣的人物。

 

范式轉換：從可見到不可見

 

從國外經驗來看，近幾十年來，得益于硬件（各種傳感器、GPU 等）成本降低、無線連接、數據分析等技術的不斷進步，預測性維護已經成為智能制造最為重要的落地應用之一。 李杰從事智能制造和工業大數據產學研工作已經幾十年，不僅是該領域的權威，目前也是富士康工業人工智能總顧問和天澤智云首席顧問。對于預測性維護，他在《從大數據到智能制造》當中進一步解釋道，制造系統中的問題也有「可見」和「不可見」之分，我們對待這些問題的方式以前大多是在問題發生后去解決，而未來能夠在問題發生前去避免才是競爭力的核心。 生產系統中存在的「不可見」問題包括設備性能的衰退、精度的缺失、易耗件的磨損和資源的浪費等，可見的問題往往是這些不可見因素積累到一定程度所引起的，比如設備的衰退最終導致停機、精度的缺失最終導致質量偏差等。通過大數據對「不可見」問題獲得深刻的洞察，是實現無憂制造環境的基礎，也是智能制造的本質。 事實上，機床制造廠商已經在嘗試相關落地應用。日本 MAZAK 公司的 Smooth Technology(流暢技術) 體現了智能機床的最新發展，可以通過開放的系統結構設計，借助智能手機、平板電腦等外部終端對設備的運轉狀況進行監控。

 

FANUC 公司開發了智能自適應控制、智能負載表、智能主軸加減速、智能熱控制等智能機床控制技術。Heidenhain 公司的 TNC640 數控系統具有高速輪廓銑削、動態監測、動態高精等智能化功能。

 

李杰（Jay Lee）,2016，《從大數據到智能制造》。

 

在晉文靜看來，中國制造業有著最全場景，大量的機床產生大量數據，把握住了這些數據，就等于握住解決問題的源頭。新技術可以幫助擁有大量機床的中國制造企業預知設備加工狀態，從而減少意外宕機、提高產品良率、降低刀具成本。但問題在于，中國機床行業單靠自身力量實現智能化轉型，極為乏力，這也是在為曾經的歷史支付代價。

 

早期的機床行業基于專業分工思路，誕生了當時的「十八羅漢」（十八家機床廠），一家只能做一種機床。當時，全行業有八綜合性研究院所，形成「七所一院」的綜合性專業技術研發機構，也是解決機床廠共性技術問題重要支撐。另外，還有三十七個專業研究所與企業設計部門，形成機床工具行業的科研開發體系的第二道護城墻。

 

然而，1999 年一刀切的院所轉制，國家計委二百多個院所隨之下放，最后導致機床企業一旦遇到工藝問題，無處可去。當這些企業銷售額不漲、利潤不漲，想辦法創新降本增效時，卻變得失措無依。

 

這也是為什么目前從供給側來看，機床工具行業自動化產品市場一直保持增長態勢的原因。除了技術交流和新產品推廣，市場第三方供應商也非常愿意將先進的數字化解決方案導入到機床工具企業，幫助他們進行智能化升級改造。除了上游機床廠商，這些市場第三方服務對象也包括下游的加工制造企業。

 

2018 年底，富士康基于無憂機床系統搭建的精密工具智能制造工廠成功入選全球「燈塔工廠」，成為代表新一輪工業革命轉折點的工廠之一。

 

三十五歲肖敏（化名）正是該制造商某模具車間課長。十八歲那年，他進入這家位于深圳的大型制造商，成為一名模具廠工人。

 

肖敏有些驕傲地告訴我，如今，他們已經將模具加工的幾個基本工序流程打通，其所在車間基本實現全程自動化。物流、上下料實現自動化后，他們卻發現，最為擔憂的是機加工中那些看不見的東西。比如，刀具和軸承的失效。

 

在銑削加工過程中，刀具磨耗程度是影響模具成品質量的關鍵因素，據相關統計，由于刀具失效引起數控機床停機的時間總數占故障停機時間的 20%-30%。

 

然而十幾年來，這些老師傅們并沒有一套行之有效的辦法，準確預測刀具和軸主軸狀態。

 

我們主要是靠聽來判斷刀具狀態，肖敏舉例說，加工中機床振動很大，發出「嗡嗡」的聲音時，可以確定刀具達到了急劇磨損狀態，需要更換刀具。也有類似冒無規則火星這樣肉眼可見的異常。有時，他們甚至會用手觸摸機器，通過溫度感受異常。

 

但是，經驗再豐富也對付不了層出不窮的各種加工狀態。「不同加工要求，切削遇到拐角、位置不一樣，力也不一樣，對刀的磨損也不一樣，僅憑經驗和人為判斷，很難抓到每一把刀的真實狀態。」肖敏說。

 

「有時斷刀了，機器會繼續跑，你都不知道。」

 

為了盡可能避免這些情況發生，這些對加工精度要求很高的工廠大都采取更為保守的措施。比如，在刀具運行到預先設定好的時間或距離后，立刻更換，往往這些刀具壽命僅用到 80% 甚至更少。這又會帶來生產成本的升高。

 

這就是我們這個行業的痛點，一家東莞 3C 制造商坦言，且不說再豐富的經驗積累也趕不上機器更新換代的速度，再則，現在的年輕人都不愿進到制造行業，老師傅們也有退休的那一天，將來制造產線的從業者越來越少，有經驗的老師傅就更少。

 

無憂機床的落地

 

既然通過工業大數據，能使原本不可見的設備衰退、質量風險、資源浪費等問題變得可見，并加以避免，天澤智云決定選擇這樣一個項目作為工業智能在制造和機床行業的突破點，帶出一套可快速復制化的產品，幫助行業實現無憂生產環境。 晉文靜當年求學的美國智能維護系統中心（IMS）正處在智能制造最前沿。19 年間，中心與全球 100 多個企業合作工業智能與工業大數據研發與應用，大量的一線工業項目實踐機會，也讓她積累甚豐，特別是機加工。

 

「我從讀博就一直專注在機床和刀具，要找一個切點深耕下去，因為這個領域實在是太深了。」晉文靜說。

 

無憂機床的模型建構從源頭開始。天澤智云定義的「源頭」是業務痛點，而非數據。工業智能落地，不界定清楚具體問題，數據無從搜集。

 

「設備故障診斷與壽命預測的難點不在于選什么樣的模型」晉文靜強調道，「而在于場景化分析，對工業場景的理解，對數據的準備，找到最恰當的特征，能夠正確反應機理性能的特征，才是關鍵。」為此，天澤智云還自行研發 GenProTM 建模平臺，用于規范數據和建模流程，并提供行業模板來提升數據分析和建模的效率。

 

GenProTM 建模平臺。

 

先決定采集哪些數據。答案往往不是顯而易見，需要比較深的行業 know-how。

 

構建一個刀具剩余壽命預測模型，除了振動數據還要采集機床產生的數據，比如主軸負載、伺服電機電流、主軸轉速、進給率等。因為，振動傳感器所采集到的振動并非僅僅來源于刀具磨損，加工狀態（或者叫「工況」）的變化也會干擾采集到的振幅，所以，預測模型還需要其他數據來更精準地辨別磨損狀態、預測刀具的剩余使用壽命。

 

缺失或錯誤的數據可能會扭曲結果，掩蓋故障。

 

布置傳感器的最佳數量和位置也必須決定好。放得太少，預測就會不夠準確；太多又是冗余。

 

數據的采集頻率也很關鍵。如果頻率太低，會漏掉在高頻振動范圍的故障信息；頻率過高，會導致數據傳輸瓶頸，使得工廠網絡不堪重負。

 

邊緣計算的性能要求更高。機器需要具有脊椎反射式的能力，就像人類面臨某種異常或危險，身體做出條件反射一樣。

 

EdgeProTM，一款支持快速實現工業數據采集和邊緣計算的工業物聯網與邊緣智能系統。

 

比如，采集到的振動信號，有些需要就地取用，以便實時識別工況。在發生撞擊事故、斷刀等突發性重大故障時，以 ms 級反向反饋給機床及控制。通常，這個反應速度相當于云上進行同等監控反饋的百倍至千倍以上。

 

數據安全需要得到保障。將涉及到生產工藝、訂單信息、設備運行等數據，在生產現場進行計算，生成降維后的、加密的特征信息，再輸入到云端支撐應用運算，從機端直接杜絕敏感數據的泄露。

 

建模要求跨學科知識和技術融合。晉文靜特別強調了這一過程中，機理（先驗領域知識）和數據的深度融合，這也是目前工業中最常用的方法。

 

比如，機床的主軸軸承監測。軸承的振動分析已經被學者研究得非常透徹，給定軸承的物理參數，有明確的理論指出，不同的失效階段在哪些頻段上會出現什么樣的響應。

 

建模的時候，可以直接內嵌這個機理模型，輔助特征選擇和健康狀態的判斷。較之泛泛地去做特征提取選擇建模，這種做法可以獲得更高的準確性和魯棒性。 最終，團隊不僅收獲了一連串讓客戶滿意的 R