|
在接触到的大量的不同状态的企业里，几乎都面临一个实际的问题：工厂如何去系统性规划智能制造的相关工作。 在自动化和信息化两个方向上所涉及的硬件基础和系统开发工作，对于大部分工厂都是开创性的，技术团队在具体的工作上会存在一定的知识储备和实战经验的不足。因此确认清楚需求，并做出最佳决策，就尤为重要。 通常我们在为一家工厂做整体智能制造规划时，先要问清楚三个问题： 1. 这家工厂的痛点是什么？ 2. 这家工厂需要通过智能制造解决什么样的问题？ 3. 这家工厂的目标是什么？ 这三个问题如果回答不清楚，整个智能制造规划的底层逻辑就不稳固，做出来的规划蓝图会有所差异，具体的执行和落地阶段也有可能因为没解决真正的问题而不能体现原本的价值。  我们遇到过一些这样的案例，分享给大家：企业里把能上的运营管理类软件ERP、WMS、MES等全上了，在核心数据处理上改善很大，但就是改善不了运营，也没有太大的获得感和成就感，然后不得已，只能再从数字治理的角度去思考数据的意义和改善策略。 这些案例的问题几乎都是同一个根本原因：企业在系统开发阶段，没有真正确认底层需求，没有深度思考和讨论清楚这些系统所要解决的痛点和最终实现的目标。 例如，一个MES系统的上线，除了“数字化”这个本身表象特征外，还在思考清楚内在价值。通常MES可以解决的制造过程的痛点和目标有以下几点： 1. 生产流程较长，半成品复杂的工艺过程，在制品的状态和处理进度不清晰、不受控。 2. 核心产品、核心零件的批次追溯及生产过程追溯不彻底，面临严重质量问题时无法确认批次。过程追溯我们也会称之为“过程BOM”追溯，即生产过程中人、机、料、法、环、测六个方面的关键数据追溯。 3. 无法实现系统间的数字协同，无法实现数字运营。 4. 数字化运营及数字看板等，提升客户整体现场的状态。 以上这些痛点如果想不清楚，开发出来的MES，通常都会有一些缺失。  从MES案例再上升到整体的“智能制造”规划，思考清楚这三个问题就更重要。 在我们接触的工厂案例里，系统性规划智能制造通常要解决三级问题： 1. 基础性问题。比如自动化就是要解决人工费用越来越贵，成本越来越高的的痛点；数字化系统就是要解决人工处理数据不系统，产品追溯不彻底的痛点。 2. 管理性问题。比如靠自动化仓储解决仓储管理问题，靠数字化系统解决物料数据管理问题，靠数字化运营真正能通过跟踪时时指标指导运营策略。 3. 高阶化问题。例如就是感觉自己的工厂没有国际化工厂的高品质感觉，现在的数字化感觉不明显等等。 在成本节约、减人增效、数据处理、运营提升、高标准现场及标杆工厂建立等纵深上，思考清楚上面这三级痛点之后，再真正的确认需求，并绘制出“智能制造蓝图”，清晰的把需求表达出来，这样做的智能制造策划才接地气，才能体现真正的价值。  如果目标是筹建“智能制造高阶标杆工厂”，一般我们推荐从六个维度来绘制智能制造蓝图，分别是：精益化、自动化、数字化、标准化、可视化、高阶化。 精益化涵盖精益布局规划、精益物流规划两大方面，结合物流仿真技术，确保布局合理，物流运 输距离最短，生产加工周期时间短。 自动化涵盖自动化生产制造、自动化仓储物流、自动化检测试验三个大的方面。 数字化就是我们一直提到的信息化系统，分为运营管理类、业务开发类、关系管理类。 标准化涵盖在自动化和数字化基础之上的现场标准化和结合数字化看板的工厂目视化。 可视化在基础目视化标识与看板外，涵盖园区、车间、产线、仓储等全区域视觉治理，结合品牌视 觉方向指导，展厅走廊等参观设计，数字化屏幕等UI设计，线上线下多维度一体美学展现。 高阶化是个宽泛的概念，从高阶的数字化功能区，到VR/AR在工厂中的应用，到数字化孪生应用等范畴，代表对新技术的探索和应用。这些我们在后文讨论。 将六个维度的工作再拆分到执行任务，并明确各个任务间的关联，基本一张蓝图就画好了。 经过大量的案例对比和总结，我们发现整体智能制造规划的很成功的企业，有以下几点共性特点： 1. 对工厂的痛点分析深刻，对要面临的“真问题”总结彻底。 2. 靠一张智能制造大蓝图，明确了清晰的需求，及实施路径。 3. 顶层部署、分步实施、不断校正、协同开发。 当然，看了这篇文章不足以让你立马学会。 这只是一个观点的分享，可以让大家在制造业工作中少走些弯路，也愿知识观点的传递能为中国制造业贡献一点力量。 这也只是标杆精益智能标杆工厂规划部的一点知识储备。 标杆精益前后十五年，走遍全国，接触数千名优秀工程师，邀约数十名顶尖的规划工程师，组建国内顶尖知识储备的智能工厂规划事业部。 他们大都世界五百强工厂出身，扎根制造业十余年，积累了多家全球五百强一流标杆工厂的建设和运营经验 , 拥有全球制造视野 , 熟悉北美、欧洲、日本、中国等先进工厂的特点。累计为国内 100+ 家工厂提供了智能工厂解决方案，助力客户从传统制造向智能制造的转型，实现了工厂的降本提效及品牌效益的提升。 |
|
|
