MES作为智能工厂的核心要素，在功能层面上已经超越传统MES的定义范畴，其功能不仅仅是应用系统固化管理体系、调度有限生产资源，而且作为“大脑”指挥生产设备和物流自动化进行有效协调作业，最终优化整个价值增值链。在系统层面上，许多新技术也应用到MES功能中，以支持智能工厂实现卓越制造。这些新技术帮助企业在制造过程中更加高效利用生产资源、精确指导生产执行和精准预测生产结果。

 

01 自动化数据科学

 

传统的数据挖掘和分析项目中普遍接受的标准流程模型被称为CRSIP-DM：

 

1. 首先由数据分析师理解实际问题和制造过程

2. 然后识别可用的数据和数据清理

3. 最后是模型的生成和验证。

 

尽管这是一个标准的模型，在创建第一个模型之前准备和处理数据的主要费用（约占项目费用的80%）由昂贵的专业数据分析师完成，这导致数据挖掘与分析无法普遍推广。

应用人工智能，现在能够在很大程度上将这一手动的、总是单独的过程自动化。我们把它命名为 "自动化数据科学"。CRSIP-DM过程中描述的步骤，特别是数据准备和处理以及建模仍然必须执行。唯一的区别是，现在由一个软件来执行这一部分。

 

02 基于AI的高级排产

 

对很多工厂而言，计划与排产一直是重中之重。由于生产资源的限制以及不同的排产优化目标，导致排产的可能性非常多，计划员很难从中选出当下最合理的排产方案。例如，在一台注塑机上安排500个工单，即使仅考虑模具的更换，至少有10的1000次方的排产方案。若再考虑换产优化、材料和人的约束，排产变得极其复杂。

 

应用人工智能，有可能在很短的时间内生成一个几乎达到最佳结果的计划，这只是因为人工智能在排产过程中的强化学习能力。

在传统的自动排产中，受限于计算能力，通常采用基于规则的启发式排产。这种方式步步为营，行动是按顺序处理的，只计算处于当前位置时的最佳途径选择，作出的决定是相对比较短视的。所做的决定不会被质疑或收回，并不考虑之前或未来的规划步骤。当排产的约束关联越多，最终结果离最佳途径偏差越大，如图1左。

 

但现在有更强大的计算机可用，这使我们能够突破新的领域。现在使用来自人工智能的方法 — 强化学习进行全局规划。强化学习是指算法在每一轮中都能学到一些关于数据的新东西，从而学会一次又一次做出更好的决定。并非所有的规划方案都被审查，而是只有那些能带来好结果的方案才被积极追求。如图1右侧所示，在开始旅行前检查通往目的地的潜在路线。这可能会导致走弯路，但为了找到通往目的地的最佳路线，这些是必要的。在这里做出的决定是有预见性的。

 

同时，做出的决定可能会在局部产生次优规划，但在整体上却能达到最佳结果。规划决策不是为了实现最佳结果而一步步做出的，而是基于整体上可能产生的最佳影响做出的。

在相同约束条件下（资源和生成任务），基于强化学习的排产后的生成周期比传统启发式排产缩短将近50%的时间，如图1所示。这不仅仅大大缩短交付期，也降低了在制品周转时间。

 

利用强化学习还可以做总体的资源调度。系统只生成不受材料冲突影响或有足够的合格员工的情况下的计划作业。

 

03 生产预测

 

生产数据是企业每天都产生的原始矿石，MES系统对数据进行处理后，形成丰富的、可供管理决策所依据的信息，如遵循VDMA66412-1标准的制造KPI。随着人工智能的应用，利用大数据对生产相关的活动进行预测也得到更多企业的关注。

 

预测性质量是用以前记录的产品数据对达到某种产品质量的概率进行预测。其目的是尽早发现废品，避免进一步加工受影响部件。

 

预测性质量假设，即使所有的工艺参数都在有效的公差范围内，也会发生废品或返工。工艺参数之间复杂的相互关系和相互作用会导致这些缺陷。预测性质量基于这些关联，使工人在生产过程中立即看到目前正在生产的产品是否为废品。

 

预测性质量还可以计算出发生的概率、员工、机器。

 

系统或工人可以迅速决定零件是否可以继续流转，还是报废或返修。潜在的有缺陷的部件可以在早期阶段被拒绝，这可以节省时间并降低成本。预测性质量依赖于一个模型的执行， 该模型是使用机器学习，换句话说就是人工智能。这个模型包含了预测目前正在生产的零件的产品质量的影响因素。

04 无接触作业指导

机器换人已经不是新鲜事物。许多企业在规划与建设智能工厂时，往往选择从自动化作为起步，尤其是需要保证稳定性、高效率和无安全风险的生产环境中。然而，在许多生产环节，操作工人依旧是不可替代的，尤其是在一些连续生产的流水线上。

 

由于所有的生产指令和校验过程在MES系统处理，对于人工工位必须有更好的人机交互解决方案，确保操作工更方便和更高效从系统中获得生产指令和工步向导，并且向系统汇报每步工作结果，以确保预定义的标准作业流程被严格执行，并及时向管理层发布实时生产进度。

 

首先是应用语音控制技术和虚拟现实技术。操作工走到工位旁，口头告知系统他已经来到某工位，系统立即将工作指令投射到工作站或工件上，并列出每一步的具体要求。

 

其次使用智能摄像系统来检测工作指令是否被正确执行，如果没有，则发出警报。正确执行的工作步骤将自动进入下一个指令。

 

操作员专注于手头的工作，不必在系统中进行主动输入。完全通过声音来汇报生产结果，包括产出数量和不良原因等。

 

另一个解决方案是将重要的信息，如机器故障或升级，直接传送到操作员的手腕上 —一个为生产而优化的特殊智能手表。其他需要移动工作的车间人员，如班长或设备工程师也可以利用智能手表进行点检。

 

05 未来已来

基于标准化的生产数据模型，人工智能为在许多领域的快速实施创造了动力。人工智能支持更多以前可望不可及的应用场景，如基于实际产能的动态交期预测、基于质检结果或工艺稳定性的维保预测、基于实际消耗的物料供应预测，换线时间预测等。