效率和质量的一个主要杠杆是一个全面覆盖整个工厂的优化过程。深入并成功理解不同流程步骤之间的相互依赖关系的一个先决条件是数据采集和数据阐释。本文提出了一个基于知识的工具箱,称为“全流程优化”,它由两个主要部分组成:新的、智能化TPQC IT系统和全流程技术诀窍(TPKH)软件包。
将这两部分结合在一起的原因是对于高性能大规模数据处理而言,将数据转换为知识绝不是一件容易的任务,包括利用当今和未来的计算机架构的并行性进行数据挖掘。此外,这些数据可能涉及许多不同形式的不确定性。
1 数字基因——人类大脑:专家在全流程优化中的作用
经验丰富的专家是冶金行业内成功钢铁制造商的关键因素。如今,这些专家已经能够强调、讨论和解释那些对竞争力和成功至关重要的最复杂的相互联系。未来,需要额外的限定条件来将人类知识转化为可计算的算法和公式。将知识转化为有用的、永久可用的、数字化技术诀窍的人类专业技能,是实现下一代智能数字化系统的基础。对于此类IT系统的实施以及为了解决特定问题,行业专家的额外支持有助于快速接受和获得回报。
专家服务和IT解决方案必须紧密配合PDCA(Plan-Do-Check-Act,计划—执行—检查—行动)循环。虽然TPO会产生更大的外部循环或更高级的优化过程的影响,但它缓解了IT解决方案中的数据访问,结合人类专业知识,实现面向目标和高效的工作。当然,可以有几个优化循环同时或顺序运行。
根据质量管理标准,异常过程或质量偏差或者报警将会触发所谓的根本原因分析。按照传统的方法,专家团队将收集信息,并使用5W或Ishikawa图等方法,以结构化的方式结合他们的专业知识。这些非常有用,但非常耗时。
由于TPQC规则编辑器中映射了全面的数据和数字化程序,现代方法使得系统可以自动分析具体情况并提供相关信息。结果是一个快速、高质量和高度计算机化的根本原因分析,并额外提出甚至激活基于模型的纠正或补偿措施,以抵消偏差。
2 实施基于技术诀窍的数字化系统的关键因素
在实施基于技术诀窍的数字化系统时,不仅应考虑到技术问题,还应考虑文化和人为因素。数字化可能造成干扰和不稳定,特别是在工艺专家、质量工程师和技术人员之间,他们在生产团队、社会文化环境中的角色可能会发生变化。
首先,数字化系统将大幅提高透明度,人员、团队、班组等之间的竞争将更加明显。自动持续更新的实时KPIs、统计过程控制(SPCs)和其他形式的压缩信息可以提高一个人的压力水平,如果这些信息仅作为一个人的性能指标。这可能会导致不使用新系统的情况,或者由于人员会放大新系统中哪怕是很小的缺陷而不被接受。如果出现这种情况,或者会出现到何种程度,主要取决于企业文化的质量以及个人对创新的态度。在数字化系统对企业成功的贡献方面,支持的数字化工厂管理模式起着至关重要的作用。
其次,在某些情况下,智能系统的实施可能会在轧钢专家中产生一种冷漠或不愿意的态度,他们害怕向计算机化的系统提供其专业知识,因为他们认为这可能会降低他们在团队中的地位。相反,这些系统对个人来说是一种充实,因为数字化系统可以帮助专家获取更多信息,并提供更好的机会来提高做出正确决策的可能性。因此,专家的作用是透明地依赖可靠的数据、方法和数学算法,其分析和决策会高度准确。
3全流程质量控制
在系统内,每个独立加工产品都有丰富的信息谱系,使得检索产品每个部分的每一步生产过程数据成为可能。系统允许所有用户以极小的时间单位跟踪质量问题,并通过审查所有相关生产工序的工艺数据来进行分析,这是快速解决故障和追责管理的关键。嵌入自动化和IT环境中的TPQC系统,可以覆盖整个生产链。
TPQC系统的基本功能是利用定义的质量检验关,通过监控整个生产过程中所有与质量相关的工艺参数,确保所需要的产品性能,提高质量水平。除了从不同生产工序采集到的纯工艺数据之外,谱系信息还将该数据在所有相关工序中互相关联,即谱系信息持续跟踪延伸率、头部/尾部变化、上下表面互换变化以及切割和焊接操作等可能在生产链上不同工序之间发生的变化。
4 质量控制系统功能
质量检查是通过使用生产数据的特定规则系统进行的,结果将根据质量问题的种类和在工厂的位置分别显示给操作员和质量工程师。TPQC通过规则编辑器提供灵活的质量检测方法,为将来的适应和扩展铺平了道路,而不必对系统源代码的任何部分进行修改。图1显示了这个工艺/质量检测的原理。绿色的交通信号灯表示(针对一个生产工序)所有的值都在设定范围内。黄灯表示有小问题,需要进一步检查。红灯表示更严重的问题,绝大多数情况下需要更加复杂的补救措施和最终决策计划。至于哪些应该定义为小问题,哪些定义为大问题,必须根据工艺经验进行开发,并且最终定义为专家规则,再次给出技术诀窍数字化的示例。