Consuelo Leona Niemeyer, Nicolina Prass
(ITA 学院有限公司,德国 亚琛 52074)
在目前数字化迅速发展的背景下,工业界正经历着一场重要变革。“工业4.0”这一话题也日益影响到越来越多的中小型企业。 他们必须对此作出反应,以确保企业未来的经济效益和竞争力。然而,数字化转型提出的诸多要求使企业面临许多挑战。这些挑战不仅要求企业要实施不同的软件解决方案,还要应用多种数字技术。随着职业世界的变化,企业对员工也不断提出更高的要求,因为员工具备相应的能力是企业获得成功的关键所在。 因此,企业若要确保在这场变革中取得胜利,提高员工操作数字化流程的能力至关重要。从这一角度而言,采用学习工厂 4.0(如亚琛数字能力中心DCC)的培训或教学方法,可以指引企业在通向工业 4.0的道路上迈出重要的第一步。
本文以亚琛数字能力中心DCC为例,阐述学习工厂 4.0 的教学理念与方法。包括概述工业4.0和学习工厂的内涵,并解析在DCC学习工厂的学习环境与教学方法。
近些年来,“工业4.0”已成为第四次工业革命的代名词。 一种全新的构建和控制产品生命周期的整条价值链的方式应运而生。所有与产品生命周期相关的环节:从创意到产品的形成,再到向消费者的销售和最后的回收,都可与工业 4.0 建立联系。 企业也能够基于此来解决诸如下列渐多出现的问题:客户不断增长的个性化需求、产品需求浮动性越来越大、对产品类型多样化的需求(例如对定制产品的需求)、产品生产要更具灵活性及产品周期要更加缩短等。工业4.0须通过产品、系统和人的互联来实现。 在此,一个十分重要的前提是能够实时获取所有参与方的重要信息,并在以优化价值链为导向下进一步处理这些信息。通过这样的互联得以形成众多跨企业的价值链网络。 这些网络具有自我组织和实时反应动态的特点。此外,对这样的价值链网络可以在不同层面(如可获取性、资源和成本等)进行优化。[1]
在工业4.0的背景下,制造型企业通过向客户提供含附加服务方案的智能机器设备,正越来越发展成为服务的提供者。因此,这也为这些企业创新和优化商业模式创造了机会。[2]不言而喻,工业4.0也给中小型企业带来诸多挑战。 一方面,在传统的竞争市场之外,辨识这些以新的商业模式出现的竞争对手变得越来越重要;另一方面,获取并持续发展科技和提高数字化能力至关重要。[3]
为了能够持续性地(进一步)提高这些能力,聚焦工业4.0的学习工厂在此不失为一种有效的方法。以下将进一步阐述学习工厂的定义、教学理念、目标及不同模式。
学习工厂展示了一种特殊的学习环境,在此可进行基于问题的学习(problembasiertes Lernen)和体验式学习(experimentelles Lernen),而这两种类型的学习正是学习工厂教学理念的重要组成部分。为此,学习工厂尽可能真实地展示工业生产中的相关技术和工艺流程。由于学员在学习工厂可以对生产流程进行直接干预,因此,他们也就可以用互动的方式对工艺流程不断进行优化。[4]
理论培训和实践使学员能够更好地了解各个工艺流程及其功能,并对其识别优化。这一学习过程可以在多个独立站点,以及沿着学习工厂所展示的整条价值链进行。学习工厂的教学理念是尽可能真实地呈现价值链(1)在此价值链是指一项实物产品的生产或者一项服务的提供。下的各个环节。[5]在展示价值链的各个流程阶段时,一方面,学习工厂极力追求高度的真实性,使学员能够清楚地跟踪该流程阶段,增进他们对此的理解;[6]另一方面,教学要让学员能够认识到当前流程的优缺点,并找到优化流程的可能性。这样,各个流程也就可以相对简单并迅速地得到调整和优化。[7]
不同的教学方法对塑造学习工厂的学习环境产生不尽相同的影响。然而,无论哪一种教学方法,都应使学员能够在自主行动、经验积累和如何对现有流程进行干预方面获取相关的知识和能力。[8]能力的形成通常须经过四个阶段:观察当前的流程(现状分析)、构建理论知识、运用理论知识并对其在实际中进行应用、对发生的变化以及取得的效果进行评价。[9]
根据以上学习工厂的定义和对其教学理念的概述,可以相对容易地推导出学习工厂的教学目标。
学习工厂的教学目标是通过适当的培训内容和教学方法来培养学员的额外能力,使他们在已具备能力的基础上得到更具持续性的发展。总体而言,学员要学习如何主动处理未知的、复杂的任务和情形,以及如何制定合适的解决方案。教学重点始终是培养学员自主行动的能力和对专业知识的应用。
进一步而言,通过在学习工厂的培训,进一步提高学员更好地理解和评价实践中各个工艺流程的能力,能够发现问题,并找出解决问题的方法。 只有掌握了寻找解决问题的不同方法,才能够制定出其解决方案。在学习工厂环境中的实践学习和行动有助于培养学员的自主行动能力和在实践中独立应用知识的能力。学习工厂的教学能够取得成功的关键在于:一方面,学员可以把学到的知识和能力转化到真实的生产过程中;另一方面,学员可以把自己的知识传授给其他员工,从而实现企业内部的知识转移。
学习工厂的教学目标除以上描述的普遍特征外,还要根据不同的影响因素,做出进一步定义,如主题、应用领域、目标群体等。因此,在分析不同的学习工厂模式时,各个模式的教学目标是构成该模式特征的关键要素。
为了加深对学习工厂模式多样性的理解,研究构成学习工厂的各项关键要素是十分必要的。这些关键要素可以分为运作模式、教学目的/目标、结构、产品、教学方法和流程这六个方面。[6]
通过总结上述各项关键要素的特征,可对该学习工厂的模式进行详细描述,鲜明地体现出学习工厂可能拥有的多样化模式。也就是说,只要各项关键要素中的某个特征发生了变化,学习工厂的定位就不一样,从而使其(运作/效果)模式也有所改变。亚琛数字能力中心DCC的学习工厂模式是一个很好的示例。通过图1的描述,可以对六项关键要素的相关特征做出进一步的介绍。
图1 亚琛数字能力中心DCC的关键元素 (根据Abel)
为了对学习工厂的模式进行描述,建议使用创意工具(Kreativitätstools)。例如,茨维基(Frity Zwicky)的“形态分析表法”(morphologischer Kasten)。该方法的基本原则是把一个系统划分为不同的要素和特征。在其帮助下,可以清晰地、结构化地表述各项标准,并能识别潜在的不同模式。
Abele等人已经把形态分析表法用于对学习工厂的研究。 在此,除了以上提到的六个要素外,他们还引入了第七项要素用来定义和描述相关的数量特征。接下来,对在形态分析表中提到的特征会再次通过不同的单项元素进行明确定义和细化,从而形成由关键元素、特征和单项元素构成的三个相互关联的层面,并基于此对学习工厂的模式做更清晰的描述。
亚琛数字能力中心DCC便以这样的模式作为其发展的基础。具体而言,DCC依据Abele等人提出的形态分析表,在其上做了适合DCC的调整:
图2模式的确定为亚琛数字能力中心DCC的后续发展奠定了基石。文章在第4部分将简要介绍DCC的创立与结构,详细描述其作为学习工厂为学员创造的学习环境,并阐明其教学目标、目标群体及教学方法。
图2 亚琛数字能力中心DCC的形态分析表
亚琛数字能力中心DCC由 ITA 学院有限公司和麦肯锡公司于 2017 年合作创立。自成立以来,一个由多家领先的企业,以及初创科技企业组成的网络,一直支持着该中心的构建和进一步发展。
数字能力中心DCC为制造业进行数字化转型建立了一个学习型、示范型和科研型的工厂。[9]这意味着,该中心可以让学员沿着一个非常真实的生产链获取数字化转型的交互体验。在流程链的每个环节都开发并实施了最先进的数字化解决方案。 此外,通过让学员直接参与数字能力中心学习环境中的制造流程、获取生产参数、以及通过数字化转型对流程进行优化的机会或可能性,使基于问题的学习(problembasiertes Lernen)和行动导向型的学习(handlungsorientiertes Lernen)成为可能。
数字能力中心DCC提供多种多样的服务,包括在学习工厂shopfloor的基础上举办不同形式的工作坊和研讨会,展开工业4.0潜力分析以及工业生产中的研发项目等。数字能力中心DCC希望能够通过这些教学和服务为生产企业及其经理人、专业人士与员工提供帮助,支持他们进行数字化转型。 在此,这些服务面向所有行业、地区和不同规模的企业[9]。
3.2.1 纺织产业链与工业 4.0的结合 在数字能力中心DCC的示范工厂里,数字化与纺织业相互交融,形成了一个智能纺织腕带的整个生产链。流程环节包括从接入订单到产品开发、产品制造直至到与之相关的产品服务。腕带的生产过程分为五个部分:纺织准备(整经)、织物/条带生产、精加工(热固定和印花)、成型(切割和缝纫)和质量控制。生产/仓库物流以及产品包装/货物发货被纳入到生产性服务的环节中。
DCC在各个流程环节都设置了不同的数字化解决方案,用以展示工业 4.0 在生产中的潜力。 以下将阐述该中心在产品生产和生产性服务领域对数字技术的一些应用。
3.2.2数字技术的应用 在数字能力中心DCC的示范工厂,除了在生产过程中应用数字技术外,产出的产品 ( 纺织腕带 ) 本身也是工业 4.0 的一部分。 成品腕带内含一个RFID芯片,用于人机通信(Mensch-Maschine-Kommunikation)。通过这一应用,可以操作诸多功能。例如,通过存储在 RFID 芯片上的数据,员工就可以登录机器设备,随后,员工的身份识别、对工作台的个性化调整等都自动进行。 也就是说,员工登录到机器设备或工作站后,助理系统就会根据该员工的信息自动调节工作台,使之适合其高度,并发布针对个人的工作指示。此外,分配给该员工的工作任务和使用权限也都可以从芯片读出并预备好供其使用。
图3 应用 RFID 技术的智能腕带,用于个性化的工作站登录
在智能腕带的生产过程中,使用了很多数字化解决方案,例如:状态监控、数字助理系统、机器学习(人工智能)、采集流程用时、增强现实(agumented reality)、绩效管理等。
图4 亚琛数字能力中心DCC对数字技术的应用
生产中的状态监控旨在为各个流程提供全面信息,从而可以使次品量最多可减少 80%,机器故障率最多可降低 50%。 借助在机器设备上的内部和外部传感器,生成实时数据,这些数据可以直接从智能手机或平板电脑上读取。一旦实际值偏离目标值,员工就会收到警报或信号。这样,人们便能对紧急的问题更快地做出反应。
很多情形下,可以通过机器设备的可编程逻辑控制器 (PLC) 生成基于实时的数据。如果无法直接访问 PLC 的数据,则可以将外部传感器连接到机器设备上,以记录所需的数据。 数字能力中心DCC的整个过程就展示了这样一个实例。所有机器设备(来自 PLC 和外部传感器)生成的数据都被统一收集在一个中间件(Middleware)里,接下来使用一个物联网 (IoT) 平台,用以呈现在生产中产生的所有生产数据和机器设备数据,以及机器间的连接情况。
在纺织准备的过程中,大量的纺线要绕在经轴上。线轴从沙架上被抽出来,平行排列并很精准地卷绕在经轴上。状态监控收集绕线过程中所有必要的数据,以确保质量。在此使用不同的传感器,用于生成有关纱线弹性、表面结构(例如是否有结头)、振动、磨损、湿度、温度和光强度的数据。收集的数据是制定流程优化决策的基础,并能够在发生问题时更快地进行干预。
在DDC的示范工厂里,除了对各个流程环节进行状态监控以外,还采用不同形式的数字助理系统。其优势主要体现在可以减少生产准备时间(至75%)和对员工的培训时间(至50%)。通过使用这样的系统,经验不足的员工在操作机器设备和执行生产流程中可以获得必要的支持。在学习工厂,用于操作织带机的数字助理系统可向员工提供调试和设置织机参数的工作指南。员工登录到机器设备上后,便可获取适合自身岗位能力水平的工作指南。若在生产过程中遇到问题,例如纱线断裂,员工可以根据指南的一步步引导或通过现实(augmented reality)助理独立解决。如果员工无法独立解决,则可以检索到高一级能力水平的员工的联系方式,从而取得真人帮助。
在加工阶段(对织带的热固定、涂层和印花),DCC展示人工智能的多种形式。通过机器学习,机器设备能够在热固定和涂层过程中自动调节自身设置,并优化工艺参数,在保证质量的前提下调节能耗。在随后的数字化印花过程中,按照客户需求对腕带进行个性化的定制生产。腕带的外观(如颜色、外观设计、图片、文字、大小等)通过应用程序设定,并将印花任务交给数字打印机。为了能够把每一个生产出的腕带与相应的订单对号入座,订单数据都存储在 QR 码中,该 QR 码也印在腕带上。由此,借助相机便可对印花质量进行检验。通过人工智能的应用,可以检测到重叠、空隙、扭曲和花色变形等外观缺陷的问题。根据质量检验结果,每一个腕带在剪切后被决定是否进入后续的加工流程。成功通过印花检验的腕带则由自动导航车(AGV) 转运到缝纫站点。AGV 上配备了各种传感器和摄像系统,因此可以及早检测到障碍物,并自主调整行驶路线。
腕带缝纫应用了多种数字技术。在员工登录时,助理系统对工作台可进行个性化调整,例如高度、能力水平、语言等,以便更好地适应员工的个人需要。一方面,可以提高工艺质量;另一方面,使工作台更符合人体工程学的要求,提高工作安全性。此外,在该站点,针对每一个缝纫环节都会测量流程用时。使用数字化解决方案能够使生产率提高 25%,同时可将流程用时的偏差降低 80%。扫描了 QR 码后,员工便开始工作,同时开始测量缝纫流程的用时。 员工通过视频得到逐步指导,从而完成任务。完成了一个工作环节后,工作站会自动识别,并自动播放后续的工作指南,员工不需要手动确认。此外,在此使用的传感器与视觉信号联网,会直接显示执行不正确的操作或者错误的组件选择。 这样,员工就可以直接在操作过程中更正,从而减少报废产品率,确保产品的质量。
图5 亚琛数字能力中心DCC配备数字助理系统的自适应缝纫站
在生产性服务领域,上文已介绍了在不同工艺流程的各个站点间,借助自动导航车实现工厂里的内部生产物流。在物流领域,DCC在其示范物料仓库里还应用了另外一种数字技术,即Google眼镜,目的是借助增强现实技术来提高流程质量。 在此可以实现高达 25% 的生产率增长。应用该技术的优势具体如下:物流员工在Google 眼镜上看到数字化的任务单,他们可装货架或操作物料车。 同时,这也提高了工作的安全性和工作效率,因为手动检验和确认任务单的环节就省掉了。为了进一步优化流程,DCC在物料仓库里的箱子上都配备了RFID标签。物流员工带着一个集成 RFID 读卡器的腕带,当箱子从货架上被取出时,该卡会自动识别这个箱子。 如果员工拿错了箱子,声学反馈会提醒员工,使其有机会立即更正。这样,物流中出现的错误率可降低至 60%。
在学习工厂中,还展示了如何生成和存储这些在整个数字化生产中,沿着生产链所产生的数据。这些数据接下来可以在绩效管理系统中以清晰的结构供人使用。例如,绩效管理系统提供有关工艺流程、机器设备和员工生产率的信息。一方面,图形处理的方式让人能够更快地了解所有工艺流程。另一方面,这也使流程分析和流程优化成为可能。
图6 借助数字化绩效管理创建结构清晰的生产情况总览图
随着拥有“最先进技术”的示范和学习工厂4.0的建立,DCC得以为工业企业的数字化转型提供有力支持。在整个生产链中对数字技术的大量应用和采用数字化解决方案为不同的目标群体开辟了新的视角。以下将介绍哪些是DCC的目标群体、DCC 的教学目标,以及采用什么样的教学方法来实现这一目标。
数字化的未来发展将对职场和生产过程产生重大影响。自动化的不断推进让很多员工感觉在工作中越来越受到威胁。[10]为此,DCC的教学目标是使企业及其员工为迎接新的职业世界做好准备、协助企业发展新的职业群体、发起并陪伴企业的数字化转型过程。
虽然DCC的学习工厂展示的是纺织生产,但其目标群体并不局限于纺织行业的企业。学习工厂提出的数字化解决方案和示例在经过调整后同样可以转移到其他行业运用。为了向企业持续性地阐明数字化转型的内容,并帮助他们实施数字化方案,DCC的服务面向不同地区、不同行业、不同规模的企业。在此背景下,数字能力中心DCC首先在学习工厂 4.0 开发了一系列常规和个性化的工作坊、研讨会及培训项目。在此类课程上,学员主要学习如何应对职业世界发生的变化、了解数字化解决方案的潜力,以及数字化转型和向工业 4.0 的发展会带来哪些改变。在此基础上,DCC接下来通过4.0潜力分析和开发项目为企业的数字化转型提供个性化支持。在工作坊进行潜力分析和开发项目的过程中,企业会提出各种各样的问题。例如,数字化转型如何取得成功?哪些数字化技术的应用适合自己的企业,并且是否具有可持续性?将会面临哪些挑战?数字化战略的内涵是什么?如何成功实施数字化战略?
为了帮助企业找到这些问题的解决方案,DCC在教学中着重使企业顺沿六个关键阶段/要素来解决问题。这六个关键阶段或要素是信息、分析与诊断、设计、实施、评估和扩展。
图7 亚琛数字化能力中心DCC用于数字化转型的教学方法
首先,对关键要素“信息”的教学主要基于在学习工厂 4.0 设立的实践工作坊。 通过对生产过程做简单、灵活的调整,使其从精益状态(传统的、非数字化)转型为未来状态(数字化),从而让学员生动地了解数字化转型的含义。此外,学员与数字能力中心DCC的培训导师一起做实践练习,以此培养学员的数字化能力,并让他们了解技术参数、先决条件和经济效益等方面的情况。
其次,就其他一些关键元素的教学体现于4.0潜力分析和开发项目中。4.0潜力分析(企业与DCC合作)的目标是制定一项含目标和路线图的数字化转型战略。 这一任务涉及的是“设计阶段”的教学。另外,企业数字化的维度也在当中需要得到更进一步的界定:是否应将整个生产过程,还是某一生产领域/生产线,或者只是对一台机器设备作为原型进行数字化转型?对工业 4.0 应当在购买新机器设备时做以考虑,还是通过改造公司现有的机器设备来引入工业4.0?
接下来涉及“实施阶段”的教学,其中的任务包括如何选择合适的技术和系统,以及开发原型等。在这一阶段,要把数字技术和传感器引入到生产中。完成此阶段后,就可以启动一个审查流程,并继续后面的阶段,即在生产中的测试或评估阶段,以及优化引入的数字解决方案。 在这些阶段都得到了成功后,还可以对数字化解决方案进行扩展,例如把一台机器设备原型扩展到整个生产线或者整个生产过程,亦或扩展到企业的其他生产点。
借助这样多阶段的教学方法,数字能力中心DCC得以为企业在他们向工业 4.0转型的过程中提供最佳支持。从在学习工厂较为容易进行的知识传授和能力培养入手,通过潜力分析和试点项目把数字化转型积极引入企业。这种教学支持始终以和企业积极合作为背景。
迄今为止,亚琛数字能力中心(截至2019年年中)共接待了3 245名访客,进行了14个开发项目,受到了广泛好评。工业界对数字化转型这一主题的兴趣日益浓厚。 然而,很多企业,特别是中小型企业,仍还处于这一进程的初始阶段。 他们十分需要像DCC这样的合作伙伴,为他们在能力培养和实施试点项目方面给予伴随性的支持。 自 2017 年成立以来,DCC已不断证明了“学习工厂 4.0”教学理念的成功性。数字化能力的持续性培养和企业的积极支持是数字化转型成功的关键。