汽车行业数字化转型后有哪些变化（三）？

欢迎大家来到IT世界,在知识的湖畔探索吧!

传统车企的生产与制造，可以看到很多数字化转型的思维和工具下的效率提升成果。同时，也体现了中台为基础的全局合作的价值效率。

事实上，智能制造并不仅仅是一个技术体系或文化，更重要的是背后对“智能”的理解、解决问题的逻辑和重新定义制造的思维。本质上，智能的基础是数字化。传统车企制造的数字化升级，也是效率提升的关键发展规划。

传统制造系统的核心5要素，即材料、设备、工艺、测量和维护，过去的工业革命都是围绕着这5个要素来进行技术升级。然而，无论是设备的精度和自动化水平提升，还是使用统计科学进行数字化管理，这些活动依然是围绕着人的经验开展的，人依然是驾驭着这5个要素的核心。而智能制造系统区别于传统制造系统最重要的要素就是“建模”，并且正是通过这第六个要素来驱动其他五个要素，从而解决或是避免制造系统的问题。建模的基础是数据积累和业务分析的结合，在反复验证和优化的过程中实现成熟的模型建立。

因此，智能制造系统运行的逻辑是：

发现问题 — 模型（或在人的帮助下）分析问题 — 模型调整5个要素 — 解决问题 — 模型积累经验，或分析问题根源 — 模型调整5个要素 — 避免问题。

基于对智能制造的深入理解和不断的实践，基于全维度丰富的行业数据业务经验和先进算法，开发面向不同场景落地化应用，为传统车企实现以工业大数据为核心驱动的降本增效。

实例：一套针对水容器车身清洗的智能节能系统，和一个涂装车间喷漆的前处理工位，作为智能制造模型探索的试点。白车身进入喷漆工序之前，需要浸泡在前处理工序的多个恒温的水槽中进行脱脂、清洗、磷化等一系列处理，这些巨型的水槽需要一直消耗天然气来加热，使得水槽的温度保持恒温。如果前道工序发生停线，能否计算最佳的水槽加热启停时间，节省能源消耗，是要解决的关键问题。

通过构建目标模型，求得了水容器的最佳启停时间。针对这个能源优化问题，进行了精算：根据停线1.5小时计算，采用最佳启停时间可节省的能耗是1000元；如果按照每个月停线30次，单个水槽每月的节约成本是3万元。按照一般清洗的三个工位计算，一年将节省108万元。

根据实践经验，能源优化分析可以从以下三个部分由易到难进行开展：

第一，商业场景的模拟。

从工厂角度看各车间情况，在生产线正常运作的工程中，一旦车身车间出现设备故障，生产线则会停机。传统的前处理工位启停模式为多个工位同时启停，现在，基于“智能工厂”的发展方向，车企利用车间内无所不在的传感器、电子标签、监控器的数据，通过成熟先进的数据分析工具挖掘数据价值。油漆和车身确认实际停机预判时间后，可根据预测分析，通过能耗比对，更专业地为工程师提供最佳启停方案。

欢迎大家来到IT世界,在知识的湖畔探索吧!

第二，业务模式转换为数学建模。

为了达到优化目标，即能耗最低，试验基于影响各个耗能的因素分别构建了耗能公式，计算恒温模式和停机后重启模式下的耗能。

恒温模式：属于表面散热。考虑到烤漆车间环境影响因素比较稳定，恒温耗能与时间基本成线性关系，能耗见下图绿色部分。

启停模式：着眼于停机管理，在能源监测的基础上，以数学理论分析启停最优时间，此计算可转化为优化问题，能耗见下图绿色部分。

第三，根据建模搭建系统。

根据过点信息统计分析与工程师预估，将数据录入，实时计算能耗消耗情况与建议机器开启情况。

（案例来源数策科技）

为了解决这个问题，除了使用先进的模型工具外，更重要的是结合了工业场景和应用原理的领域知识，因为数据分析师们不单单要对智能算法非常了解，还要深耕工业生产系统，统筹利用各种数据资源。是将业务和数据技术等数字化途径结合的典型案例，这样的经验将会帮助更多其他类似的痛点，最终还是提升每一个局部的效率，形成整体的效率优化。随着传统整车制造企业生产过程自动化程度的不断提高，生产线上各种自动化设备监控、记录着大量的原始生产工艺数据。这些与生产过程密切相关的业务数据亟待被利用和挖掘。

实例：汽车质量出保大数据分析：

高效完备的质量监控体系，对车企而言是必不可少的，而售后质量的反馈作为质量监控体系里最重要的一环，其结果将直接影响终端顾客的产品满意度，从而影响产品的市场销售。汽车是典型的机械产品，与电子产品不同，质量故障更多体现在可靠性与耐久性方面。以往汽车企业对售后质量问题的关注集中在质保期内，随着国家相关法规对产品全生命周期的要求，以及消费者口碑对长期质量表现的重视，汽车企业逐步开始对质保期外的质量问题开始关注与研究起来。

保外质量问题分析的必要性主要体现在三个方面：

1、国家法规日益严格，召回法规逐步覆盖整车零部件全生命周期；

2、保外车辆的数量剧增。目前保外用户数量已逐渐超越保内用户，未来将远超保内用户，风险车辆多涉及耐久、可靠性问题，问题形态复杂；

3、消费者对产品的质量要求持续提高，保外问题同样受到舆论关注，车企在遭遇重大质量问题时所需付出的代价剧增。

对售后车辆的可靠性、耐久性进行有效地分析，有助于更好地监控、分析保外质量问题，同时对高风险保外质量问题进行预警。对于车辆早期的质量问题，车企通常有完善的索赔分析流程和高质量的索赔数据作为支撑，能通过科学的分析方法快速识别问题，提前高预警风险问题。但对于车辆出保后的中长期质量问题及耐久性问题常常缺乏完整的数据支持，基本上是通过人工对个案进行分析，效率低且成本高。

因此，对保修期外维修数据的探索研究也必不可少。数字化转型后的解决方案是：通过建立大数据分析体系来监控和预警高风险的保外质量问题，同时打通保内保外质量分析，从整个产品生命周期来全面反映产品售后质量的总体情况，以数据科学助力业务团队将产品在质量领域达到先进水平。

根据保外大数据分析的实践，出保数据分析可以从以下三个部分由易到难进行开展：

1、各层级质量指标体系计算与搭建

对于保外车辆数据分析一个重要的特点也是难点，就是数据的分布相对较稀疏，不完备，但是还是与某些关键质量KPI有很强的相关性。通过数据分析显示，随着车辆里程数的升高，部分零件失效率与行驶里程数的相关性会越来越高。以某车型2010模型年为例，TOP50共400个零件中，有279个具有明显拐点，其中34%使用里程IPTV（Incident Per Thousand Vehicles，千车故障率）是可以提前发现拐点的。

引入里程IPTV为主体来搭建保外质量指标体系，不仅可以客观评价保外质量，还可以为延保定价策略提供数据支持，优化和降低延保费率，提升延保销售。

2、安全件异常值识别

国家相关法规新的规定中，汽车企业要对汽车安全相关的质量问题要终身负责，如果发生问题较为普遍或严重，甚至要求车企对相关批次车辆大规模召回。这将会产生极大的质量成本，影响经济效益与产品口碑。因此，对安全件进行大数据分析，建立有效预警模型将会非常有价值。

一组测量数据中，我们通常将偏离平均值较大的数据则称为“异常值”。格拉布斯（Grubbs）准则作为一个滤除测量数据异常值的统计学方法，可以以较少的试验样本得出较精确的异常数据。通过将各个安全件最近连续12个制造月的FPTV值作为一组数据，滚动计算最新制造月的值是否异常，从而判断该安全件是否表现异常。这样就可以帮助业务人员快速准确地发现重要问题，提升保外工作效率。

3、零件寿命预测

汽车关键零部件的寿命将直接影响整车的寿命。然而，相关的零部件寿命数据很难通过三包数据或售后数据获得，若要追踪汽车整个生命周期的失效数据，相关成本又会非常高。因此，借助相关的样本数据预测模型，利用有限的数据对零部件的寿命进行预测。

由于不同组别的零件失效时间分布不一致，所以对某一个特定寿命预测模型进行预测很难达到较高的准确率。通过不断的数据探索与数据挖掘实践，智能制造专家发现Weibull分布、Lognormal模型、Log-logistic模型、Gamma分布这四种统计模型能分别对一些组别的零件失效数据进行有效的预测，并且几乎能覆盖所有零件的寿命预测分析。

为提高预测的准确性，分别使用这四个模型对每个组别的零件进行预测分析，然后通过非线性回归拟合模型与收敛测度值比较选取四个模型中的最优模型作为该组别的零件寿命预测的推荐模型。这样不仅可以以较少的试验样本得出较精确的失效分析，还可以包容不同零件的多种寿命分布形式。零件寿命的预测可以为相关重点零件实验标准的制定和新产品的开发提供数据支持，也可以提早识别高风险零件，降低大规模召回成本。

总体而言，质量出保分析，可以在整车、零部件级别上实现失效指标算法，并形成配套的报表体系。它通过整体预警机制，及早地发现潜在的质量问题，提早采取行动，从根本入手推动问题在设计、采购、制造等环节的识别和改进，从而提升整体质量管理能力；通过数据积累和知识积累，提升解决质量问题的能力，有效地控制质量成本。让质量问题在市场与客户中的影响能够降到最低，将潜在的质量问题消除在“摇篮”当中。这一点，在目前严峻的市场环境中成为重要。

智能算法驱动汽车企业C2M制造模式

随着社会的快速发展，大众的消费需求越来越趋向于个性化。这种消费趋势对于汽车制造企业来说是机遇也是挑战。汽车生产制造端的复杂程度极高，要适应大规模个性化定制的工业4.0时代转型，车厂需要在产品体系、营销模式、产销联动、交付体验上进行技术赋能，才能满足“产品交期节奏快、生产周期短、批量少品种多”的个性需求，初步落地C2M的崭新经营模式。

具体来说，首先，在产品配置方面，车厂提供对C端在线配车功能， 使客户能够自由选择车系配置。在产品体系上，车厂从原先的工程定义车型销售配置转变为由客户选择配置，由后台工程规则来验证。

进一步，在营销模式上，车厂在线上同时提供透明交期功能，在客户下定单的那一刻，后台实时计算所定车辆的准确交付时间，通过交期可视化大幅提升客户体验。为了让客户及时获得准确的交期信息，需要增加后台预测模块，在客户选择配置后，快速分析物料、产能、运能等限制条件，结合生产计划及发运计划，为客户提供一个准确的交期范围。紧接着，在产销联动层面，车厂需结合交期计算与排产规划，找到客户需求与生产计划的平衡点。对于这一点，可以增加智能排产模块，基于运筹学算法制定最优的生产计划。

简而言之，在C2M模式下，从客户体验的角度，客户需要实现从购车到交付全程透明化的可控体验。因此，系统能够支持在订单全周期实时在线连接客户与车厂，随时调用后台C2M算法引擎能实时计算，使得客户随时感受到交付可控的安全感。在这些创新功能之中，最为核心，也是实现难度最大的就是生产规划排程的后台预测与优化C2M算法引擎。

目前车厂主流以MRP排程逻辑为主的排产排程系统在生产规划时，并未将企业的资源限制与企业目标纳入考虑，使得规划结果无法达到最佳化，甚至说不可行。而要实现C2M模式，系统必须应用先进的规划技术与方法，在进行生产规划时能够同时考虑到企业限制和目标，从而得出最优的生产计划。

车厂的生产计划制定面临多重限制，这些限制条件综合在一起，形成了一个庞大复杂的多维空间。如果要在C2M制造模式中实现个性制造与规模成本的完美平衡，就要求在这个复杂多维空间求得最优解实现均衡的生产计划。从算法角度，就是将多维空间求最优解转化为数学问题来解决。通过对限制条件的分类可将其转化为一个运筹学算法问题，即在一组约束条件下寻求某一目标函数的最大（小）值。经过在两家C2M先锋探索车厂的系统落地，车厂C2M多维空间规划优化问题是属于可求出最优解的求解问题。

要得到客户体验的完美提升，能够得到优化求解是不够的，还需要从客户体验的角度设计一些配套计算步骤。比如，客户选择配置后，系统需要提供交付日期范围给客户，这就需要C2M算法引擎在有限的时间内根据所选配置，进行排期计算，得到最早下线时间和最晚下线时间，再加入出厂发运参数再次运算，这时客户就能在选车界面上获得交付日期的范围，客户在这个范围内选择了交付日期后，C2M算法引擎还要做一次最优解可解性验证，确定插单是否成功。实现这个内核后，就能获得生产、发运各个具体环节的时间节点，接下来只要确保生产、发运过程的各个环节按时完成就可以了。这块相对比较容易，开发内部生产的过程监控系统，通过可视化的进度监控与延误报警系统，就能够让从操作员到管理层的相关干系人参与到进度把控的过程中，齐心协力实现车辆的准时交付。

不难预见，准确、快速、高效地将智能算法引擎融合到C2M模式中，才能支持有效提升生产制造及供应链对市场需求波动的响应能力，缩短响应周期，降低库存，从根本上实现”以客户为中心“的个性化生产方式。