企业的问题是很多的，对于上马信息化或数字化系统的期望也是很高的。尤其是很大比例的企业，当在自主决定实施系统建设的时候，一般都是问题比较严重或者已经累积到一定程度了，再或者说，是问题是比较综合的，一般而言，不仅有管理提升上的期望，也有工艺改进上的期望。
但现在实施MES关注比较多的还是管理流程上的打通，比如实现执行进度的管理、比如实现数据的采集，比如实现物流的精益等，重点解决的其实还是信息流与实物流的有序、协调方面的问题。当然这些问题对于一些企业来说也是非常重要的，但MES不能仅仅是做这些事。
对于企业来说，最核心的还是制造技术本身的问题，这是根本，所有的都要为这个服务。从管理角度为制造技术的发挥提供更大的支持，也应该是MES建设的初衷，但不能将这个当成终点。
MES为数据采集、信息流动、流程协调提供了支持，但不能仅仅是采集的数据入库、信息流动顺畅、业务环节协调这些内容，还应该发挥更大的作用，为制造工艺技术的改进和提升提供支持。
因此，这就涉及到MES与工艺的融合话题了。此处特指是MES如何与制造技术本身的改进和提升提供支持的角度。感觉讲的人和思考的人不多，所以这次做一下初步分析，以供探讨和参考。
按照自己观察到的一些案例以及设想场景的角度来进行一下分析，可能不全或有偏颇，算是提供一个思考的切入点吧。
（1）质量数据与工艺的融合
在产品质量数据采集以后，通过SPC可以及时发现异常点或者不好的趋势，这是MES可以实现的。但产品检测出的状态，对该件产品而言，已经是事后状态了。随后，需要追问的是，发现问题了，接下来怎么办？依然靠手工分析来解决？MES还能提供什么样的分析支持呢？
影响产品质量状态的因素有很多，包括设备自身的状态、加工操作的工艺参数、原材料毛坯或上道工序的加工状态等，都可能对本道工序的加工质量产生影响，因此MES不仅仅进行产品质检数据采集，应该同时采集获取设备状态信息、工艺参数信息、毛坯或上道工序信息，通过建立集成的分析模型，对这些数据进行利用，才能在发现问题的基础上，找到问题的原因。这应该是一种融合，如果分析模型能够将工人的经验融合进去，则该环节可以认为具有一定的智能化提升，与智能制造的思路就不谋而合了。
这方面在具体实践当中还有很多细化的扩展之处：
比如，在精细化方面，按照数控程序代码的执行顺序，甚至可以分析每一条指令代码下的设备状态、工艺参数等的变化（程序示波器），借助模型进行智能分析与判断；
比如，不是笼统的设备状态信息，可以对关系到加工质量的刀具进行独立的磨损与断裂监测，借助模型进行智能的换刀决策和智能加工补偿等；
比如，对于复杂产品，建立面向工艺流程的工序精度状态链条，建立智能的误差分析模型，实现基于上一步状态的当前这一步加工工艺参数的自适应调整，保证加工质量。
这些都是面向质量的基于采集数据的建模与分析，也应该是MES持续发力研究、实现和改进的地方，不仅能够有效推动质量数据与工艺的融合，智能化的味道也就出来了。
（2）进度数据与工艺的融合
制造执行进度的监控是MES的标配功能，但是否还有更深的含义可以挖掘呢？笔者在企业开展作业排产研究和实施时，车间管理人员经常说：同样一个活，同样的机床，不同的人来做，时间和精度可能都存在较大的不同。其实这里面反映了工人技能水平的差异，有差异，就说明有好的也有差的。有些企业利用SOP（标准作业操作）机制来进行规范，也是有效果的。
但MES是否也可以在其中做一些事呢？比如通过进度数据的统计分析，从精细化数据的角度，找出彼此的差异，建立与加工工艺参数等数据的关联，分析挖掘干的又快又好的经验知识，应该也是可以逐步改进操作工艺的，哪怕是持续优化SOP呢，MES的价值也会更加深刻了。
（3）设备/单元级状态参数数据与工艺的融合
现在很多MES都提供了产线级数字双胞胎的三维展示模块，通过号称“虚实同步映射”实现了三维产线运行状态的完整展示，但目前更多的是“实->虚”映射，其实“虚->实”的反馈控制味道是比较淡的，相当于所谓的CPS没有实现闭环，你想想是不是这个样子呢。
但从MES与工艺融合的角度，设备/单元级的CPS是能够实现从状态数据采集、分析推理决策、闭环控制执行的完整链条的，其中的分析推理决策环节，就是体现工艺功底和能力的抓手。这就需要基于状态参数建立加工工艺的物理仿真模型（突然间好怀念《工厂物理学》这本书，其中的含义仍然需要深入挖掘），不仅学术界、工业界和软件开发方，都应该大张旗鼓开展研究的。这样才能有效的推动MES与工艺的融合，智能化的味道也应该体现在这个方面。
通过上面的初步分析，可以得出两点基本结论：
（1）MES采集的大量数据，不能仅仅是存档入库，必须结合工艺才能有效的挖掘出其内在的价值，数据如何为工艺提供决策支撑，是企业智能化提升可以参考的结合点、切入点和发力点。
（2）现在MES厂商团队的人员大多偏重于计算机、管理等方面的人才，但随着智能制造的深入进行，工艺人才与知识的缺乏将成为其能否走的更快、走的更远的决定性制约因素。
来源：王爱民，北京理工大学，数字化制造研究所
返回
