基于“大数据”的样车试制准备工作评价模型

摘 要：以大数据为基础，构建起包含实体需求计划、物料清单准备等13项量化指标的样车试制准备工作评价模型;结合整车架构标准，使用数据统计归纳法对子系统试验零件需求做了标准化、模块化定制，解决了计算机自动创建试验零件清单的企业课题;使用动态模拟法对物流仓储均衡问题做了预测、分析和方案优化。经实测比较：提高了样车子系统试验清单正确度20%，节约物料成本3%以上，人工工时减少3000小时每年，均衡了仓储计划，降低空置率20%，减少面积5000平米以上。

关键词：大数据;样车试制;标准化;模块化

1 概述

按照十三五规划纲要，中国汽车行业规划了一幅汽车智能制造战略的全景图，这就是依靠数字化、感知与互联技术，智能分析与预测技术，实现整车制造工程开发及制造运营系统不断优化完善，为客户提供创新的汽车产品和服务。对于样车试制而言，基于大数据分析应用的数字化智能开发技能将是未来主流发展方向。

2 对大数据在汽车行业生态链作用的理解与认识

大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产[1]。

大数据具有5V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。

汽车大数据可以简单概括为在汽车设计研制试验生产销售中获得的用于设计、决策、流程优化的海量信息资产，是一个企业长期积累和未来发展的的重要战略竞争手段。

3 目前国内外大数据&智能制造在汽车行业的发展现状

随着互联网与工业融合创新的发展，智能制造时代的到来和工业4.0的发展，促进我国工业由传统的制造业不断向数字化和智能化方向发展。随着工业4.0概念的引入，工业产业进入了新一轮的全球性革命，新型工业体系最核心的就是互联网、大数据与工业的融合发展，工业大数据是工业4.0最核心的支撑之一，工业大数据的应用将带来工业生产与管理环节的极大的升级和优化，其价值已经得到了全球的认可。

近年来，随着全球工业化改革的发展，全球工业大数据的规模不断增加。至2017年全球工业大数据的市场规模为201亿美元，当年全球大数据市场规模为394亿元，工业大数据占全球大数据总规模超过50%，可见工业大数据已经成为全球大数据行业发展的主要的领域。未来，在以德国为代表的工业4.0深化发展及其他国家智能制造的发展，预计2020年全球工业大数据的市场规模为480亿美元，占大数据总规模的比重约为60%。

智能制造发展，中国工业大数据空间较大。从全球工业大数据的发展现状反观我国工业的发展现状，目前工业领域对工业大数据的价值利用及其有限，但是近年来，智能制造、工业4.0发展概念对互联网和智能化的引入对推动我国工业大数据的发展具有积极的促进作用[2]。

在汽车行业十三五规划中基于大数据的数字化技术已经成为汽车设计、制造、销售、售后的全生命周期分析最主要工具，尤其在产品设计，工艺工装设备开发，样车试制，样车试验，生产制造运营，销售和售后等等环节起到了无可替代的作用。建设数字化环境，打造数字化能力成为整个汽车行业生态链的基础。

4 样车试制准备工作的评价模型

4.1 研究目标背景

样车试制是汽車研发制造的重要一环，欧美汽车企业英文全一般称 Pre-Production-Operation（以下简称PPO），指在工厂大批量生前所有物理造车活动的总称[3]。为试验提供实体车辆。样车试制车间PPO承担着五大核心业务：

4.1.1 按时交付符合试验要求的试验实体Delivery on time

4.1.2 设计验证Design Verification

4.1.3 工艺验证Process Verification

4.1.4 第一次的整车生产启动IV First Launch

4.1.5 先行先试Early & Pilot Implementation，

见图1

本文主要首先介绍样车试制准备工作评价模型，其次介绍如何以数字为基础，分析、预测及优化评价模型，从而实现试制准备状态跟踪控制、评估、为降低成本缩短试制时间，推进工业（大）数据在样车试制准备阶段的应用与标准建立，实现智能分析和决策的初步应用。关于试制制造阶段和试验阶段的内容暂不作为课题研究。

4.2 评价模型建立和需要解决的关键问题

关键问题一：为试制准备工作建立数字化、可评价的标准;

关键问题二：通过数字化评价指标和数据库建立，优化各项准备工作。

4.3 模型架构，见图2

1.22.23.2

4.4 样车试制准备工作的评价指标要求

4.4.1 Properties / ADV Plan Review实体需求和分析开发与验证计划

1.2.12.2.13.2.14.2.1定义：样车试验实体需求计划Pre-Production Properties Requirements简称PPPR;分析开发与验证计划Analysis Development & Validation简称ADV。

指标或内容：整车Vehicle、子系统分总成Buck和零部件Kits需求符合项目要求。

大数据要求：实体需求、交付状态、交付时间的标准化，建立数据库，见图3。

4.4.2 PPO Build Schedule 样车试制计划

定义：样车试制计划，包括车身、油漆、总装、电器刷新、质量检查等活动。

指标或内容：各项时间节点（如：物料到达MRD、开始试制SOB、首车完成FIVC/FNCTC、试制完成EOB），车辆技术参数，车辆编号，VIN 号，动力总成和交付时间等内容。

大数据要求：工时标准化，见图4。

4.4.3 预算和使用计划

定义：试制阶段发生的相关费用和每月预计发生支出

指标或内容：确保费用使用计划性/可控性/经济性。包含：差旅、人工/设备工时、物料费用、车身工装夹具软模、总装工装、物流仓储、运输，进口关税等;

大数据要求：运用大数据指定样件价格倍数系数和费用计算公式，确保试制费用的有效和成本控制下降。

4.4.4 Quality Control Plan 造车质量控制计划

定义：试制过程中对特定质量要求的抽检和过程控制。质量计划根据车型配置进行抽检，占用试制的时间，隶属于试制计划。

指标或内容：白车身测量、车身评审、车身称重、白车身气密性试验、雨淋试验（无内饰）、整车气密性试验、外饰间隙及平整度测量、内饰间隙及平整度测量、全球客户评审和管路评估等。

大数据要求：抽检项目标准化，工时标准化，见图5。

4.4.5 BOM Issue Review  物料清单准备问题

定义：因为开发阶段存在的设计方案、工艺方案的不确定性、信息不完整性和许多条件限制，导致的BOM的偏差，试制前需关闭。

指标或内容：零件缺失或多余，对手件断点不一致，扭矩错误、配置不正确、工艺缺失，单车数量不正确等。

4.4.6 Electrical： A-Frame/Bench Status readiness（LAB CHECK） 电器刷新

定义：电子相关零件的交付计划满足试制计划要求，台架试验通过或虽然存在问题，但能辨识出根本原因，有解决方案并满足试制计划要求试制。

指标或内容：电子相关零件、电子回路、整车电器功能图的提前检查验证，确保问题在试制前关闭。

4.4.7 Bench / Software / Calibrations readiness电子刷新软件和标定文件准备状态

定义：电子刷新软件和标定文件准备状态。

指标或内容：所有软件和标定软件在工程台架上验证过状态同试制状态一致，见图6。

4.4.8 GA/BIW Process Information/PAD Product Assembly Document.工藝准备

定义：车身焊接和总装装配工艺文件准备活动。

指标或内容：车身有焊点涂胶信息、焊接顺序、焊接设备和焊接螺母螺柱等;总装有装配顺序、装配工具、扭矩、涂胶、加液排气等。

大数据要求：焊接参数、扭矩、焊接设备、装配工具等标准化、柔性化。

4.4.9 Fixture Status 工装/夹具准备状态

定义：车身焊接和总装装配工装/夹具准备活动。

指标或内容：车身：焊接夹具、检具、焊枪、激光焊机及程序、其他焊接设备;

油漆：符合车型要求和油漆线通过性的车身雪橇;

总装：总装夹具和装配工具。

大数据要求：建立工装设备和工具数据库，提高标准化、柔性化和使用率。

4.4.10 Fidelity Status & Retrofit Plan 返修计划

定义：特殊情况下，由于工程设计变更导致零件开发进度不能满足试制试验计划。为确保进度，在不影响前期试验的情况下，采用零时替代件（如海外进口件和软模件）试制。车辆交付后或试验前，由工程进行返修更换成正式零件满足试验要求的计划。

4.4.11 PPQP Status 试制零件质量控制文件签署

定义：Pre-Production Part Quality Process生产前零件质量控制流程，关键零件的尺寸、功能、材料符合设计要求，由工程批准合格。

4.4.12 Material Status  物料状态

定义：样车试制前的物料率到达状态，最重要指标之一。

指标或内容：物料到达率

大数据要求：紧固件数据库、油液数据库、JIT 数据库。

4.4.13 PPO Readiness 现场准备

定义：人员、场地准备情况。

指标或内容：工艺文件准备、技师培训、物流准备和电子看板等。

大数据要求：Lesson Learn数据库

小结：以上指标构成了样车试制准备工作评价模型，项目管理层在开阀会上评审这些指标。若按时完成计10分;若未按时完成，但有后续计划并且不影响造成计划，作为有条件满足计6分;若无法满足影响计划，计0分。项目总体状态Q为所有指标分值汇总Σ=Deliver1+Deliver 2+，……，+ Deliver i; i—评价指标个数，目前为13，如果任意一项Deliver i=0，试制不满足开阀条件，计划调整延后直到满足;如果任意项Deliver i>0，试制满足开阀条件，按计划开始。项目总体状态Q的分值体现了项目准备情况的优良程度，通过数据分析和项目间横向对比可以得出哪些需要改进，并指导后续项目PDCA 优化，见图7。

5 大数据分析在模型中的应用

5.1 基于大数据的Buck需求标准化模块化定制

在整个样车试制准备工作评价模型和样车五大核心业务中，物料准备工作是所有工作的前提基础。根据本文4.1章所阐述，实体需求来源于工程，以PPPR 的形式发布。

5.1.1 实体需求分为三类：整车VEH、子系统BUCK、零部件KIT;

5.1.1.1 整车需求：含耐久性试验、冬季试验等，约68种;

5.1.1.2 子系统需求：含门开关试验、门板振动异响实验、内凸等台架试验约40种左右;

5.1.1.3 零部件需求：含A-FRAMING电子台架 ，MCM尺寸匹配散件。

其中子系统BUCK定义：样车车间组装的用于工程台架试验的非完整整车的、局部子系统的试验交付物。Buck按用途大致有 40多种 ，覆盖试验认证、整车、工程支持等主要业务部门需求。

5.1.2 BUCK问题表现：

5.1.2.1 命名标准和零件挑选标准缺失;

5.1.2.2 零件挑选缺乏指导书，相同试验不同项目所挑选的零件有差异，逻辑关联性不强，个人经验依赖过多;

5.1.2.3 业内采用看数模勾选工作量大，效率低下，不便推广，不容易形成标准化作业模式。如北美、韩国试制工厂。

5.1.3 影响后果：

5.1.3.1 清单输出存在少、漏、错&多选的普遍情况;

5.1.3.2 影响物料准备、装配正确、导致浪费;

5.1.3.3 交付不及时性、不正确性，增加大量的检查和二次返修工时;

5.1.3.4 影响试验进度，对整个项目系统开发造成潜在风险。

5.1.4 解决方案

我们提出运用大数据分析手段，结合工程整车VPPS结构对BUCK零件做标准化模块化定制解决方案。具体步骤：

5.1.4.1 BUCK需求标准化：整合40种基本试验需求并标准化;

5.1.4.2 数据采集：2008～2019 年; 91个项目;4200个BUCK;839000条零件记录;

5.1.4.3 结合整车结构VPPS树，参数字段VPPS/UPS/FNA提取，BUCK标准化模块化定制，建立数据库，见图8。

5.1.4.4 程序开发：C+、Java、EXECL宏。实现单车BOM，BUCK零件自动挑选，清单输出，错误提示等功能。

5.1.4.5 验证实施

5.1.4.5.1 随机选取某一项目/车型单车BOM 完成特定实验用途BUCK 清单生成;

5.1.4.5.2 现场制造检验，迭代修正;

5.1.4.5.3 重复多个项目后，修正后推广使用，见图9。

5.1.4.6 后期维护。VPPS 结构定期会升级更新，基础数据库应保持一致。同时收集现场发现的新问题PDCA改进。

5.1.4.7 多个项目试制装配验证后，课题达到预期效益：

5.1.4.7.1 实现标准化、自动化、可以复制;

5.1.4.7.2 提升BUCK BOM正确性20% ，清单变更数量平均减少30项;

5.1.4.7.3 降低物料成本浪费3%，每年约30万人民币;

5.1.4.7.4 缩短工时6人周/项目，平均每年3000小时;

5.1.4.7.5 降低BUCK 交付物延误和错漏风险;

5.1.4.7.6 建立起大数据库。

5.2 数据分析物料仓储计划，提高仓库利用率

大数据分析、预测方法同样可以运用于样车试制的仓储物流方案。本人2009发表于《工业工程与管理》核心期刊中的《项目中的仓储优化方案》曾做专门研究[4]。研究方法：采集数据、建立起样车试制物料仓储管理的数学模型，分析各个参数变量的变化趋势，运用运用动态模拟法（Dynamic simulation）求解得出最优实施方案，完成课题目标。

5.2.1 模型要点：

5.2.1.1 在各种约束条件下仓储总体方案必须最大限度地满足所有项目样车物料周转运行;

5.2.1.2 模型地最优计算，能使库容面积和零件批次保有量，尽可能小。

5.2.2 步骤如下：

5.2.2.1 运用动态模拟法（Dynamic simulation），提前采集预测期内所有项目的样车需求数据，在同一个物流储运标准下按颗粒度不同需要绘制趋势图，从而模拟不同时间库容情况来预测库容。根据趋势图规划物流仓储计划，物流仓储量（PLAN）必须大于等于综合项目计划需求总量（ΣPPPR）同保险余量（T）之和。ΣPPPR= PPPR1 +PPPR2 +，……，+PPPRi;i—全年项目个数。

5.2.2.2 寻取峰值，协调各项目在人力、机器设备、物料、场地资源参数变量的分配均衡，在满足用户需求的前提下调整资源参数和时间轴的分布，削峰填谷制定合理计划， 见图10。

5.2.3 小结：

所有的这一切都应体现成本管理的价值理念，以降低浪费为核心，控制预算成本。所用工具就是基于大数据下的动态模拟法（Dynamic simulation）运算。约束条件是需求计划、时间、空间、人员设备等。

6 结语

跨入21世纪大数据、智能制造、互联网技术日新月异，人类正处于又一次科学技术革命的零界点，我们的生活生产也必将开始一个全新时代。

工業化信息化相结合的工业2.0国家战略为各行业发展指明了方向，汽车制造行业在这迅猛浪潮中面临着巨大的变革、机遇和挑战。

本文提出的基于大数据处理的样车试制准备工作评价模型只是站在自身行业部门，对智能制造和大数据运用的一次探索实践。其发展运用是一个动态优化的过程，有赖于在今后工作和项目实践中的不断改进。

接下来应重点围绕以下两点开展工作：

6.1 对项目工作做开放式调研，依托企业智造创新发展方向，优化模型，使之能够适用于更多业务环节需求。

6.2 围绕数字化技术，建立起有效的大数据库，通过提高积累分析筛选应用能力，实现“智能化工厂”的目标。

参考文献：

[1][英]维克托·迈尔-舍恩伯格（VIKTOT MAYER-SCHONBERGER）著 周涛 译 .《大数据时代》[M].浙江人民出版社，2012.

[2]《国家智能制造标准体系建设指南》，工业和信息化部、国家标准化管理委员会，2015.

[3]DON SMITH.  Global Vehicle Development Process 5.1 [OL]. 17Dec.10th. http：//vdp.gm.com/gvdp

[4]张浩亮.项目中的仓储优化方案[J].《工业工程与管理》，2009，14（期）58～59.