汽车整车厂大数据应用方向的研究

赵宏鹏

(一汽丰田汽车有限公司 天津 300457)

1 大数据概况

为了明确本文的讨论的理论基础，首先简要介绍了大数据的概况，包括大数据特征、思维方式和应用前景。

1.1 大数据特征

参考维克·托迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》[1]，大数据有以下 4个特征：数量大(Volume)；种类多(Variety)；价值高(Value)；速度快(Velocity)。由于其英文首字母均为V，所以也称为大数据4V特征，简要介绍如下。

①数量大：当今我们已经进入了数据爆炸的时代，每时每刻都会产生海量数据，数据大部分转瞬即逝，也有很小部分被存储起来用以记录历史、研究规律、预测未来。

②种类多：数据的种类和来源众多，文本、图片、音频、视频等数据种类都对数据处理能力提出了更高的要求。

③价值高：在每天产生的海量数据中，大部分为无价值的数据，只有少部分为高价值的数据，大数据处理中首先要做的就是识别高价值数据、剔除低价值数据。

④速度快：数据的价值会随着时间的流逝而降低，因此，快速地处理数据和运用数据才能够发挥数据的最大价值。

1.2 大数据思维方式

想要充分利用大数据，首先要由传统思维方式转变为大数据思维方式，主要有以下几点。

①数据核心思维：由传统的研发生产销售实体为中心转变为以数据为中心的企业战略。

②全样本思维：由传统的抽样统计法转变为全样本数据分析法。

③相关性思维：由传统的因果关系分析法转变为相关关系分析法。

④整体性思维：由传统的局部精度优先的管理方法转变为整体效率优先的管理方法。

⑤预测性思维：由传统的事后分析的管理方法转变为提前预判的管理方法。

⑥定制化思维：由传统的成本质量导向的生产转变为高度定制化的生产。

1.3 大数据的应用

大数据的应用主要有 4步：①大数据的采集；②大数据的预处理；③大数据的存储；④大数据分析。

2 大数据在汽车行业的应用方向

2.1 汽车行业全生命周期所产生的大数据

从汽车行业的生命周期来看来看，可以分为：①新车设计→②新车试制(生产线建设)→③部品采购→④部品物流→⑤生产制造→⑥车辆物流→⑦车辆销售→⑧售后维保。汽车行业的全生命周期所产生大数据如图1所示。

图1 汽车行业全生命周期所产生的大数据Fig.1 Big data generated in whole life cycle of automotive industry

2.2 整车生产制造大数据应用方向

整车生产制造过程中会产生各类的数据，本文从人、机、料、法、环五大生产要素方面来探讨生产制造大数据的应用方向，如图2所示。

图2 各生产要素中大数据的应用方向Fig.2 Application direction of big data in various production factors

2.2.1 人

①人员招聘和育成：通过对应聘者和在岗员工进行详细建模，招聘匹配企业文化和岗位需求的人员，人员育成时明确能力提升方向、给予定制化的培养方案。

②人岗匹配：把合适的人放到合适的岗位上能最大程度发挥人员的工作潜力，同时能达到给企业带来最大效益的人力管理目标；通过建立人员能力大数据和岗位需求大数据，可以高效地实现动态的人岗匹配，以及人员职业发展和公司收益的双促进。

③薪资激励：对于薪酬政策和激励政策，通过大数据明确不同的激励方式产生的短期效果和长期效果，制定高效合理的薪资激励政策，以固定的支出取得最好的激励效果。

④后勤和健康管理：对人员出勤需求和交通大数据进行分析，以制定最优的班车路线和时间表；根据人员身体状况和工作状况制定最优的餐饮方案，监控健康状况防范意外风险；根据疫情大数据制定疫情应对策略，统计人员出行大数据，消除感染风险。

2.2.2 机

①设备状态管理：通过生产设备实时的数据监控预先发现异常隐患，以及时进行保养和维护，避免生产中的故障停线[2]。

②设备供应商优选：通过设备异常的大数据对设备供应商进行分级评价，选择设备运行稳定、价格合理的供应商。

③设备作业品质管理：对设备作业全过程进行质量管理，预测并规避品质异常的风险，提前进行预防性工作。

④设备生命周期管理：对处于不同生命周期的设备进行区别化、匹配性的管理，以保证设备生命周期内创造最大的价值。

2.2.3 料

①零部件品质管理：短期来看可以及时发现批量零部件品质不良，进而进行问题查找→供应商工艺完善→物流中零部件退回→在制车辆良品更换→售出车辆的追回等补救措施，保证将异常影响减至最低；长期来看可以对供应商和零部件进行有效评价，从而留下高质供应商、淘汰低质供应商，加之持续改进零部件设计和工艺，进而提升整车品质。

②零部件物流管理：通过建立零部件物流全过程大数据，分析物流各个环节存在的浪费，从而提升物流整体效率。

③零部件库存管理：分析各个环节最小安全的库存量，把握不同零部件供给风险，以实现保证零部件稳定供应前提下的最小库存和最小成本。

④自动化物流管理：分析影响物流设备稳定运转的风险并制定对策持续改善，保证自动化物流系统的稳定高效。

2.2.4 法

①生产流程管理：分析生产流程的瓶颈环节，持续消除瓶颈，实现各车间均衡生产，提升工厂整体产能和效率。

②生产过程管理：分析当前工厂存在的问题，发现问题起因，有针对性地制定对策，快速彻底地解决问题。

③工厂在制品管理：分析各个缓存的最小、最安全的库存量，优化库存分布，实现保证生产线稳定运行前提下的最小在制品数量。

④品质管理：一方面，及时发现生产过程中的品质不良，快速补救，减少损失；另一方面，发现隐患，提前预防，改进生产工艺和作业方法，保证标准作业，降低品质不良的风险。

2.2.5 环

①5S管理：发现 5S薄弱环节和风险点，及时改善提升，有针对性地强化管理。

②人因工程：改善作业环境、提升动作效率、减少作业疲劳、避免作业损伤，以提升员工的工作效率和舒适度。

③能源管理：合理调配能源，规划产能，调整生产。

3 大数据在整车厂达产管理方面的应用

主要介绍大数据在整车厂生产效率提升方面的实际应用和未来企划，分为试验方案、完善方案、理想方案3个阶段。

3.1 试验方案

笔者从2017年开始探索大数据技术在整车厂的应用场景，并结合笔者多年生产调度工作的经验，以达产管理(保证生产计划的达成)为切入点进行大数据技术应用方法的试验。

从以往经验来看，由于自动化程度高、加工工艺复杂、设备众多、精度要求高等原因，装焊车间生产异常较多、实际产能不足，一直都是工厂的瓶颈车间，改善需求最大，故选定以装焊车间为试点进行大数据分析，整体试验方案如图3所示。

图3 试验方案图示Fig.3 Diagram of test scheme

3.1.1 数据获取

为了能够获取足够的格式化的数据，首先需要对装焊车间生产日报进行标准化、数据化规范，将产量、效率、异常、交期、品质等情报纳入记录范围，以数据列表的形式标准化记录，并每天通过邮件发给生产管理部门。

此项目得到了工厂长和车体部课长的大力支持，在各位的共同努力担当下，制定了标准化的装焊生产数据记录方法，明确了日报的版面形式，并完成了人员培训，正式实施后初步解决了装焊车间标准化的生产大数据的获取问题。

3.1.2 数据存储分析

生产管理部门对数据进行整理和校正，制作Excel版的生产大数据(模型)，并对这些数据进行统计分析，明确生产目视化的方法，最终做成反映不同生产指标的数据集合，为数据的应用夯实基础。

是夜，虚弱的、奄奄一息的我看见西边林场边的树丛里，飘起缕缕的亮光，那亮光像北极光，它们飘散，星星点点地朝我飘来，在我旁边，那团白光聚集成范峥峥的人形，她幽幽地对我说，带我回家……

3.1.3 数据应用

对于数据的应用，笔者认为最重要的是数据的可视化应用场景的探索，也是大数据分析最终价值的体现，在达产管理中的目标为管理者优化资源配置、解决当前问题、降本增效达产而提供可视化的生产状况数据和未来趋势的预测。为此，笔者初步设想了 3个应用场景。

3.1.3.1 日度生产报告

用于车间主任级别的日度生产报告，主要目标是明确当前的问题、提出快速有效的解决办法和确保各方协调行动，以最终实现生产的稳定运行。需要数据目视化的方面有产量达成情况、生产效率(可动率)、生产异常情况、品质状况等。

表1所示案例为某月 28日装焊车间的生产日报。

表1 装焊车间某日生产日报报表Tab.1 Daily production report of a certain day in welding workshop

①初步分析如下：产量，计划产量 530台，实际产量 485台，未达产；可动率，车间可动率目标为95%，实际为 75%，未达目标；计划生产时间为530min，实际为 610min，额外加班 90min。产量和可动率均和目标有较大的差距，说明车间生产出现了严重的问题，故需要明确问题点。

②详细生产异常分析：当日共发生异常 22次，其中设备异常为主有 20次。设备异常中又以 EC(发动机舱)设备异常最多，共发生 9次，合计 70min。EC设备多发异常为第一工位散热器支架销入不良，共发生 8次，合计 64min。因此，明确当前的问题为EC第一工位散热器支架销入不良多发。

③确定是偶发异常还是连发异常：分析近3日生产异常数据，如图4、表2所示。

图4 生产异常分析图Fig.4 Analysis of abnormal production

表2 近3日设备异常明细表Tab.2 Equipment abnormality list in recent three days

发现 EC第一工位散热器支架销入不良多发的问题在此前 2日就有多发，至当日爆发，说明此异常并非偶发异常，而是连发异常，且有明显异常扩大的倾向。鉴于前期的临时对策效果差，需制定能根本解决此问题的长效对策，即使需要较长的维护修理时间，也需要优先解决此问题。

④制定对策和对策实施：本文讨论的主要为通过生产大数据来发现问题，具体解决问题还需要技术人员根据实际情况进行对策的制定和实施，最终通过调整生产时间进行根本性的设备维护修理，于次日消除了此异常。

3.1.3.2 月度生产报告

用于部课长级别的月度生产报告，主要目标是明确生产瓶颈、调整管理重点、解决重点问题，以最终实现生产的高效运行。需要数据目视化的方面有产量达成情况、生产效率(可动率)变化情况、生产瓶颈、生产异常统计、品质状况统计等。某月装焊车间的生产总结如图5所示。

图5 装焊车间月度生产总结Fig.5 Monthly production summary of welding workshop

①初步分析如下：产量，全月计划产量22715台，实际产量 22840台，顺利达产；可动率，车间可动率目标为95%，实际为平均94%，未达目标。

可动率均值和目标有 1%的差距，说明车间还存在问题，粗略来看是由于 4次长时间停线引起的，具体还需要结合当前工厂状态和近几月生产状态趋势来判断。

②详细生产数据分析：当月生产的大背景是前一季度装焊生产状态不佳，可动率持续低下，需要大量加班来挽回生产。因此，装焊车间开始开展可动率提升专项活动、加强对人员和设备的管理和重点提升设备异常处理速度，以降低设备异常对生产造成的影响。从近 3个月异常停线时间和次数的大数据分析图表来看，可动率方面由前 2个月 92%以下上升至94%，效果非常明显，见图6。

图6 装焊车间近3个月异常分布目视化图表Fig.6 Visual chart of abnormal distribution in welding workshop in recent three months

生产异常处理时间别的统计方面，之前问题严重的车身焊接线和发动机舱线都得到了大幅改善，降低至原来的一半，说明设备异常处理速度大幅提升。生产异常处理次数的统计方面，之前问题严重的车身焊接线和发动机舱线都得到了一定改善，说明设备维护和监控提升，设备异常几率显著降低。

因此，可以说本月管理强化的效果显著，装焊车间生产效率呈现持续好转的趋势，虽然还未能达成可动率 95%的目标，但从趋势来说是向好的，说明当前的管理改善方向和方法正确，可以沿此方向继续改进。事实也证明了这个推断，2个月后装焊车间成功达成了 95%的可动率目标，并将之后的挑战目标提升至97%，持续提升了生产效率。

3.1.3.3 年度生产报告

用于总经理和工厂长级别的年度生产报告，主要目标是明确工厂整体长期的瓶颈和产销匹配情况、拟定未来资源配置的方向和明确未来重点实施事项。需要数据目视化的方面有全工厂的产能情况、生产效率(可动率)情况、生产成本、瓶颈工程、品质状况、人员状况等。

年度生产报告应该是基于全工厂的生产大数据制作的，同时要有多年的数据积累才能达成较好效果，但当前还未能有全面的大数据获取途径，暂时无法给出有突破性的分析案例，未来会在新工厂建设的过程中建立大数据采集和分析机制，以实现基于大数据的全工厂生产管理的应用。

3.1.4 方案问题点

对于此生产大数据应用的探索，实施过程中发现了以下问题点。

①数据量不足：当前方案只针对装焊车间，而生产流程中涂装和总装的生产数据、车辆品质信息、零部件物流信息、人员信息、能源信息等都未能采集，生产大数据的数据量不足，不足以支撑全面的大数据分析。

②数据精度不足：当前方案在实施过程中由于异常记录基准力度不足和记录人员标准化实施不足，约20%的数据为异常数据，需要大量的工数修正或剔除此部分数据，统计难度显著增大。非标数据多造成精度不足，各子线管理者仍有息事宁人的心态，利用工序间缓冲在库，隐瞒异常的发生，不愿暴露问题，对数据的精度造成了影响。

③信息时效性差：当前方案基于现行的日报管理制度，生产情报传递周期为一个班值，情报获取可能存在12h的延迟，难以实现及时的情报记录和展开，进行异常处理时无法基于生产数据库中的情报，只能通过人员间的即时通信来获取情报，情报不统一的现象时有发生。

④数据存储工具差：当前方案基于 Excel作为数据保存工具，数据存储和检索效率低，无法满足大数据的存储需求。

⑤报告制作效率低：当前方案的月度报告和年度报告均使用 Excel制作，图表目视化效果较差，无固定模板，制作难度大、工数大。

3.2 完善方案

针对试验方案中存在的问题，在新工厂生产管理体系中将弥补这些不足，规划基于现有能力、基本不需额外花费的生产大数据应用规划。企划的方案如图7所示，重点改善方向有以下5方面。

图7 完善方案图示Fig.7 Diagram of improvement scheme

3.2.1 全工厂的生产大数据

建设全工厂的生产状况信息、车辆品质信息、零部件物流信息、人员信息、能源信息的大数据，以支撑全面的大数据分析的需要。

3.2.2 数据精度提升

构建生产设备数据库，将所有记录标准化、菜单化，加强人员标准化培训，以大幅减少数据记录异常的发生和提升数据精度。

3.2.3 时报管理机制

建立时报管理机制，在共享文件夹中创建生产记录程序，每小时进行生产状况的记录，将生产情报传递周期由12h降低至1h，同时充分利用ALC-G4系统(新一代丰田车辆生产管理系统)，并结合TEAMS、腾讯会议等网络会议系统，做到小识别反应速度的生产调整会议体制。

3.2.4 专业数据管理工具

运用专业的数据管理工具加强数据存储和检索效率，以满足未来大数据的存储和检索需求。

3.2.5 模板化报告

为了应对小识别反应速度的生产调整会议体制，需针对不同场景制定固定的多种数据目视化模板，以便快速且直观地将当前的生产状态传递给管理者和快速做出决策。

此方案需要得到工厂长及各级部课长的支持才能完整实现，也需要得到系统管理部门和其他辅助部门的配合才能有最好的效果。

3.3 理想方案

生产大数据管理体系的理想状态如图8所示[3]。

图8 理想方案图示Fig.8 Diagram of ideal scheme

主要需要进行以下几个方面的建设。

3.3.1 信息获取

在现有设备的基础上追加大量的数字化监测设备，如视频采集设备、温湿度传感器、震动传感器等，从而对设备状态进行更全面的监控，及时预判设备异常；数据记录和传递为系统间自动传递，消除人工作业的时效和精度问题。

3.3.2 数据存储分析

运用云存储技术将数据存至云端，保证数据存储的安全性；运用云计算技术大幅提升数据的处理能力和精度，实现快速、全面、深入地处理数据，同时可以对未来的生产能力、异常隐患等做出可靠的预测。

3.3.3 数据应用

创建数字孪生工厂，将工厂的物理状况实时展现在目视化设备中，同时可实现移动端的访问和即时联协会议，协助管理者快速做出决策；创建决策辅助系统，对于不同的应用场景创建相应的数字化报告，全面直观地展现给管理者，同时可展示不同方案和预计推演结果，辅助管理者高效决策。

因为理想方案涉及到物联网技术、云技术、模拟仿真技术等前沿技术的应用，相关软硬件的构建就需要数以亿计的花费，同时行业内相关技术的应用还处于摸索阶段，少见成熟方案，所以强行推进风险很大，收益难以预测。

4 大数据应用的重点事项

对于大数据应用，笔者认为有以下5点事项需要重点关注。

4.1 高层决策是条件

推进生产大数据的应用需要公司管理层对当今大数据应用的意义有共识，明确大数据的建设是和设计、制造、销售同样重要的业务，会对未来企业的发展创造巨大的价值；同时需要基层管理者能够认同这个发展方向，以形成至上而下的合力，顺利推进相关项目。

4.2 共同努力是基础

生产大数据的应用仅靠管理者高层的推进是远远不够的，更需要公司各部门各个细分领域的业务骨干共同推进。针对作业中的痛点，将之前的业务经验和大数据技术结合起来，创造出新的价值；要发掘大数据人才，建立合理的激励制度，调动全体员工探索大数据应用的积极性，以避免未来大数据应用的落地困难问题，实现公司发展与员工发展的双赢。

4.3 长期效益是目标

大数据的应用前提是数据量的积累，很可能难以在短期内快速获得效果，加之先期数据采集、存储等基础硬件的投入和应用场景及方法的试错成本，短期内可能投资回报率很差。但随着持续的推进，数据量越来越大，应用场景越来越多，应用方法越来越成熟高效，长久看将带来丰厚的回报，因此管理层应有短期投入长期产出的心理预期。

4.4 外部团队是参考

在大数据领域，华为、腾讯、阿里巴巴等互联网公司在软硬件层面都有很好的基础，也有了针对制造企业的整体解决方案。但笔者认为外部团队只能作为建设的指导和辅助，在实际推进大数据应用建设时仍要通盘考虑本公司的现有系统、设备、人员和管理流程，以精通本公司现状的精英团队为主，整合现有资源，有效地推进大数据应用的实施效率。

4.5 循序渐进是关键

在大数据的建设过程中，先要做到公司内现有数字资源的整合，明确现行条件下的推进方向，并通过诸如生产大数据的应用、品质大数据的应用等当前公司优势领域的试点摸索出适合公司的一整套推进流程，再考虑追加投资和向各部门进行推广，循序渐进地推进数字化建设。

5 结 语

本文简要介绍了大数据的基础概念及其在汽车行业的应用方向，并以两个实例介绍了初步应用方法、未来的改善方向和理想状态，最后说明了笔者对大数据应用的重点推进事项的理解。总体来说，大数据技术在汽车整车厂还属于应用场景的探索阶段，只是在较低的维度产生了一些阶段性成果，因此，还需要大家今后共同努力，以获取更多的数据、研究更好的方法、创造更大的价值。