德國技術官眼中的工業4.0、物聯網和大數據

最新 07-18

克林貝格集團(Klingelnberg Group)的歷史可以追溯到1863年，現在已傳承到家族第七代。1993年，克林貝格收購奧利康（Oerlikon Geartec AG）；1997年，成功攻克螺旋傘齒輪乾式切削技術；2008年，投入運營全球最先進的大型錐齒輪生產設備；2012年，收購霍夫勒(H?fler Maschinenbau GmbH)的核心業務。

如今，克林貝格已成為全球領先的錐齒輪、圓柱齒輪、齒輪測量、定製化高精度齒輪零部件的研發和製造公司。克林貝格的領先地位來源於精益求精的產品和服務質量，絕對的可靠性和嚴格的交貨期。

Hartmuth Müller博士自1990年以來就在技術創新部門工作，現為這家德國隱形冠軍的首席技術官。

Connected Industry：

Müller博士，工業4.0被視為是當前國際工業領域內最大的技術趨勢，然而各行各業對這個理念都各有高見。那麼您覺得這當中，工業4.0的共同點是什麼呢？

Hartmuth Müller：

我們集團認為工業4.0是一種必然的趨勢，整個工業領域都聚焦於此，但是針對不同行業他們都帶有千差萬別的理解。因此描述這一趨勢的關鍵詞也都不盡相同。對於我們來說，工業4.0的核心思想是賽博物理系統（CPS）。

您認為，「工業4.0」這一概念真的貼切嗎？真的是未來的一種趨勢嗎？

工業4.0被公認為第四次工業革命。目前我看到的僅僅是一些革新性的東西，這種革新利用一些技術手段逐漸地把數字世界和現實世界想融合。

我們再談談賽博物理系統，KLINGELNBERG基於該系統的首要任務是什麼？

我們是一家專門從事機床生產與精密測量技術的公司，這其中齒輪承載著最重要的機械性能。通過我們的設備，客戶可以製造車輛與工業用途的齒輪。這些齒輪可以是正齒輪或錐齒輪。它對質量要求非常高，從設計過程到齒輪成品，成本很高。

通過我們的方法，用戶可以得到所要生產零部件的數字雙胞胎，其中包括了幾何形狀的數字圖像。在此基礎上，我們可以調整產品數字化模型與實際的生產過程，從而建立起工序質量控制環。而它所基於的概念就是賽博物理生產系統（CPPS）。

那麼CPPS是如何改變客戶的整個過程呢？

Hartmuth Müller：我們所屬的領域是零部件的切削加工。傳統的流程始於基於CAD數字建模的設計環節。生產中CAD模型僅用於生成指定工具下的機械運動模型，這會執行於準備工作中的CAM過程與NC編程。生產基礎則是用於加工機器的NC數據、給定的公差以及CAD模型所生成的圖紙。至於生產過程中不斷出現的誤差的校正，校正方面，需要由專業的NC編程員或者新的NC數據來解決，以彌補產生的誤差。

對於齒輪，我們與客戶的理解有所不同：我們將設計過程與持續的生產模擬相結合。因此我們不再僅僅聚焦於CAD模型，而是生產一個齒輪的整個工作細則上。基於我們開發的CPPS，數字雙胞胎不僅包括了幾何圖像，還存在工具與組件之間的幾何形狀與運動描述的生產步驟，即所謂的運動學。所以CAD-CAM過程完全不需要了，因為NC齒輪加工數據在生成過程中就已經同時生成這個過程了。

所以您認為工業4.0可以更好的優化流程。但是目前，也有一些技術，可以更顛覆式地優化過程，比如3D列印技術，您怎麼看待？

在CPP系統幾乎保存了許多所需的數據，這些數據在將來肯定是要用於進程優化的。

對於3D列印，在很多應用場景中它確實非常的適用。尤其是在快速成型，或者是通過切削加工不可能實現的，具有複雜內部結構的系列產品生產。

但只要你能夠進行切削加工的產品，並能數量達到一定的級別，3D列印就不再是一個好的選擇。規模經濟不能用3D列印來實現。

再回到CPPS，我們進一步探討：您覺得物聯網扮演著怎樣的角色？

物聯網（IOT）是指更高層次對象交互連接的網路，在流程上具有超越潛力。舉例來說，我們不僅可以實現機器監控，還能實時監控與規劃所有其他資源。

在機床養護領域中，預防性維護是確切有效的方法。在這種情況下，基於統計信息，我們能夠檢測出各個部件的磨損情況。這樣一來，我們就可以去更換磨損嚴重的組件，但是往往這樣的零部件還沒到使用壽命。

隨著物聯網的發展，人們可以從預防性維護向預測性維護邁出一大步。通過預測性維護，機床部件的磨損狀態會由感測器檢測並記錄在數字系統中。既然現在已經知道磨損狀態，我們就能在部件真正快達到壽命時才及時更換。所以，通過物聯網人們可以更有效地使用資源，這樣一來也更具成本效益。

您提到，在工業4.0中會生成很多數據。您如何看待大數據的發展？

是的，它產生了大量的數據，但是往往人們數據丟失速度也很快。因此，我是「小數據分析」的支持者，即支持相對可控的數據集處理。首先，大數據聽起來是很多數據的感覺，但僅憑數據斷言則是愚蠢的。它需要聰明的頭腦，將數據與已有知識相結合，並從中受益。

如今我們已經在使用機器數據，以確定異常情況的因果。關聯模式的查找有益於因果關係的確定，即經營者或環境因素導致了某些異常。

我們能完成數據分析，得益於人工智慧，我們與人工智慧相距甚遠。學術環境當然很重要，但對機床的現實理解仍然不夠成熟。（來源：Connected Industry）