论文部分内容阅读
[摘 要]在当前信息化快速发展的背景下，国内高端制造企业开始逐步探索从“制造”到“智造”的转型，在企业管理、科研生产、产品质量等方面大量运用了信息化手段，综合梳理现有的业务数据，构建综合型的科研生产数字化系统实现降本增效。文章以某制造企业为例整合SAP ERP系统、TC PDM系统、MES系统、质量管理系统等业务数据，通过数据驱动方式，整体提升企业的财务水平和管理能力。初步探讨和分析了在制造企业信息化中的应用，为后续企业推进信息化建设，实现高效运转提供参考。
[关键词]制造业;数据驱动;降本增效
[DOI]10.13939/j.cnki.zgsc.2021.27.067
1 引言
当前各高端制造型企业处于转型升级的关键时期，正在众多新领域进行筹划布局，管理模式和产业发展都将发生深刻变革，充分发挥企业现有数据资源，优化企业科研生产调度管理平台的建设与实施，在核心数据管理、业务运营精细化管控方面发挥着重要作用，是未来支撑企业经营、业务发展的重要基石和主要抓手，为企业科研生产中提质增效管理提供了有力支撑。
在经济转型过程中，在重视“制造”的同时，更需要重视“智造”，即使在现有技术水平和产品结构上，也需要控制、影响并拉紧整个供应链系统，优化资源在每个环节的配置，从而获得高价值，而不是分散、孤立地对待每个环节。当前及未来几年，制造型企业科研生产任务将长期面临任务多、协调量大、各类资源冲突等突出问题，对科研生产基础管理特别是对于任务的指挥调度提出了更高要求。[1]科研生产调度管理采用传统低效的会议模式已不能适应当前的任务要求，迫切需要借助信息化平台提升改进指挥调度的管理模式，提升科研生产管控效率和效果，实时掌握任务进展，获取任务真实情况，明确分析任务数据，发现任务短板，制定可行措施，统筹资源，加强科研生产全业务链条的精细化管理，实现科学计划、精准调度、快速响应。[2]
在此背景下，企业利用现有的信息化基础，优化科研生产调度模式，建设数字化的科研生产调度系统势在必行，更好的提高决策质量、增强信息传递的及时性、加强生产项目和实验课题的生产过程管控、提升各链条协同作业能力。
2 科研生产数字化调度系统研究
科研生产数字化调度系统，是借鉴当今互联网时代的“服务化、中台战略”等最新信息化建设理念，按照数据中台建设四字要诀“汇管用评”，面向“智能中控、技术状态管理、项目进度监控、经费执行预警、全面质量管理”等前台多样化业务场景。通过大数据、云计算、移动互联网等新一代IT手段，从后台的SAP ERP系统、TC PDM系统、MES系统、TDM系统、多项目管理系统、质量管理系统、主数据管理系统等专业系统当中，自动采集获取科研生产全过程关键信息数据，提供采集交换、资产管理、建模存储、分析计算与预测预警、可视化展现等核心能力，打通从数据资源到数据服务的全链路，[3]完成从后端专业稳定海量数据资源到前端友好易用可视化服务的流畅转化，更好地支撑不同层次领导、不同部门对于科研生产业务全过程的智能指挥调度、业务优化与管理创新需求。[4]
3 面向全流程的科研生产数字化调度系统设计
3.1 总体架构
围绕从项目立项、产品设计、产品计划与生产、采购与库存管理到产品交付的整个科研生产业务运行全过程，基于多项目、质量、主数据管理、TC、MES、TDM、SAP ERP等业务操作型系统，以产品BOM为驱动，通过SAP、TC、MES、财务共享等系统集成，将原先分散孤立的各类设计、工艺、生产、管理、成本等数据实现统一结构化管理，并在此基础上实现业财一体化。
基于科研生产业务运行链条、数据流转关系以及当前信息系统建设现状，科研生产业务运行全过程实现可视化、穿透式管控、智能化调度，赋能业务创新、助力管理优化。
3.2 数据架构
科研生产数字化调度系统严格遵循国际权威组织DAMA国际数据管理协会所制定的《数据管理知识体系指南》以及相关国际标准，CCSA TC601 中国国家大数据技术标准推进委员会编撰制定的《数据资产管理实践白皮书》以及相关国家标准，业内最佳实践《数据仓库维度建模权威指南》等专业方法论，围绕科研生产业务运行全过程，根据数据来源及其用途，构建“垂直数据池，公共数据池，萃取数据池，应用数据池”。
3.3 功能架构
3.3.1 项目管理驾驶舱
项目管理驾驶舱是从项目进度、经费、质量、风险等多个视角切入，针对科研生产业务运行全过程，为高层领导提供“横向到边、纵向到底”的全局管控、指挥调度的有力抓手。
3.3.2 数据分析计算
集成SAS、SPC、Matlab、Hue、Zeppelin等数据分析挖掘工具。
支持批量离线计算（如MapReduce）、内存计算（如Spark、Ignite）、在线流式计算（如Storm、Spark Streaming、S4）等。
支持人工智能技术的应用，支持机器学习与深度学习算法模型的训练工具（如Mahout、Spark MLib、Caffe）。
支持可视化交互式数据开发界面，支持RDS、Hadoop、Greenplum、Spark、Flink等计算引擎，支持SQL计算、Python脚本计算等，支持多种任务调度模式，将数据开发与管理过程流程化、标准化，降低数据开发复杂度，提高开发效率。
3.3.3 数据建模存储
提供“集中管理、一致性哈希、增强型一致性哈希、CRUSH算法”等多样化方式的元数据管理方式;提供“多副本管理、EC编码、数据一致性模型、数据访问本地优先、RDMA传输、节点数量变化导致的数据迁移再平衡”等高级功能。
支持对结构化数据进行分布式存储，支持通过Web方式提供快速、标准的SQL查询能力，并提供简化的数据备份、恢復、扩展升级等日常管理功能。关系型数据库相对于业务部门自建数据库具有低成本、高效率、高可靠、灵活易用等优点，可以帮助企业解决费时费力的数据库管理任务，使各业务部门有更多的时间聚焦到自己核心业务上来。 对于半结构化数据进行分布式存储，表格存储服务是构建云操作系统之上的分布式NoSQL数据存储服务，通过数据分片和负载均衡技术，实现数据规模与访问并发上的无缝扩展，提供海量结构化数据的存储和实时访问。底层采用分布式文件系统，无硬件支持情况下可提供自动分布式冗余存储以保证数据可靠性。表格存储的表无固定格式要求，每行的列数及不同行同名列的类型可以不相同，支持多种数据类型，如Integer、Boolean、Double、String和Binary。
3.3.4 数据采集交换
科研生产数字化调度系统，通过系统集成接口功能完成各个相关系统源数据的历史全量数据与增量数据的采集获取。
3.3.5 数据资产管理
对采集的数据进行统一管理，主要包括数据目录管理、元数据管理、数据质量管理、数据安全管理、数据服务管理、数据评估稽查等管理手段，实现数据资产的持续优化及管理。
梳理不同项目类型的业务链条、涉及信息系统以及相关数据资源，形成科研生产数字化调度系统建设的整体蓝图。[5]
梳理厂级、处级、车间级不同层级的科研生产数字化指挥调度需求，并完成面向不同层级领导的管理驾驶舱/可视化看板功能设计，以终为始，驱动智慧工厂科研生产指挥调度所需数据资源的“汇聚、应用、评价”。
以重点项目执行情况的综合看板设计与建设作为重点，选择某一批生产项目的“进度类指标”的可视化展现与智能化预警功能作为突破重点，率先实现“横向到边”，即通过多维度数据的统计分析，展示科研生产项目全生命周期的完整履历。通过一系列量化指标使高层管理人员能准确地了解经营情况，有效把握和调整战略发展方向，清晰直观地实现跨部门、跨流程、跨业务的资源协调整合，实时、高效、直观进行整体管理。[6]
在实现“横向到边”的基础上，进一步实现“纵向到底”，即通过多层次数据的挖掘下钻，展示“生产管理”关键阶段的执行细节，追溯问题根因，支撑中基层管理人员及时跟踪、管控与调整生产进度，发现生产过程中的潜在问题和风险，提高调度质量，提升沟通效率，实现智能化、数字化的科研生产指挥调度。
4 未来研究方向展望
数据驱动环境下的智慧企业，将数据作为新的生产要素，紧密结合CPS、物联网、大数据等技术应用的发展，深度融入并驱动企业在产品研发、生产制造、经营管控、战略决策等业务活动过程，实现整体业务过程的循环自适应迭代，从而使企业的管理进入数据驱动的自动巡航状态，以持续推进企业实现自動化生产、数据化运营、网络化协同和智能化业务运作，提升企业产品质量和管理能力，助力企业的快速发展。
5 结论
文章结合制造型企业的信息化建设现状，分析科研生产信息系统数据资产情况，结合高层领导面临大量信息化系统的数据孤岛现状，研究科研生产数字化调度系统的优化，实现企业设计、工艺、生产、管理等全过程的降本增效。通过对数据的有效关联、管理、利用，提供科研生产全业务链条的数据服务，为后续科研生产提供精细化的管理，提高调度质量，提升沟通效率，实现智能化、数字化的科研生产指挥调度。
参考文献：
[1]王宇凡.基于产品生命周期的制造业全质量管理系统研究[J].制造业自动化， 2011（7）：1-4.
[2]马简.浅析大数据在航空制造业供应链质量管理的应用与研究[J].中国市场， 2017（31）：157-158.
[3]王欣.浅谈钢铁企业成本管控——实现降本增效的有效路径[J].冶金管理， 2020（10）：38-41.
[4]陈珊珊.以ERP系统为着力点——深入推进企业业务财务一体化[J].网络安全技术与应用， 2020（3）：96-97.
[5]王璟.我国大型钢铁企业营销业务链管理研究[J].经贸实践， 2017（9）：145.
[6]徐燕.浅论智能制造助力企业提质增效[J].洁净煤技术， 2019（S1）：140-143.
[作者简介]彭新玲（1988—），女，汉族，山东德州人，本科，北京京航计算通讯研究所副主管，工程师，研究方向：智慧企业信息化研究与应用。
[关键词]制造业;数据驱动;降本增效
[DOI]10.13939/j.cnki.zgsc.2021.27.067
1 引言
当前各高端制造型企业处于转型升级的关键时期，正在众多新领域进行筹划布局，管理模式和产业发展都将发生深刻变革，充分发挥企业现有数据资源，优化企业科研生产调度管理平台的建设与实施，在核心数据管理、业务运营精细化管控方面发挥着重要作用，是未来支撑企业经营、业务发展的重要基石和主要抓手，为企业科研生产中提质增效管理提供了有力支撑。
在经济转型过程中，在重视“制造”的同时，更需要重视“智造”，即使在现有技术水平和产品结构上，也需要控制、影响并拉紧整个供应链系统，优化资源在每个环节的配置，从而获得高价值，而不是分散、孤立地对待每个环节。当前及未来几年，制造型企业科研生产任务将长期面临任务多、协调量大、各类资源冲突等突出问题，对科研生产基础管理特别是对于任务的指挥调度提出了更高要求。[1]科研生产调度管理采用传统低效的会议模式已不能适应当前的任务要求，迫切需要借助信息化平台提升改进指挥调度的管理模式，提升科研生产管控效率和效果，实时掌握任务进展，获取任务真实情况，明确分析任务数据，发现任务短板，制定可行措施，统筹资源，加强科研生产全业务链条的精细化管理，实现科学计划、精准调度、快速响应。[2]
在此背景下，企业利用现有的信息化基础，优化科研生产调度模式，建设数字化的科研生产调度系统势在必行，更好的提高决策质量、增强信息传递的及时性、加强生产项目和实验课题的生产过程管控、提升各链条协同作业能力。
2 科研生产数字化调度系统研究
科研生产数字化调度系统，是借鉴当今互联网时代的“服务化、中台战略”等最新信息化建设理念，按照数据中台建设四字要诀“汇管用评”，面向“智能中控、技术状态管理、项目进度监控、经费执行预警、全面质量管理”等前台多样化业务场景。通过大数据、云计算、移动互联网等新一代IT手段，从后台的SAP ERP系统、TC PDM系统、MES系统、TDM系统、多项目管理系统、质量管理系统、主数据管理系统等专业系统当中，自动采集获取科研生产全过程关键信息数据，提供采集交换、资产管理、建模存储、分析计算与预测预警、可视化展现等核心能力，打通从数据资源到数据服务的全链路，[3]完成从后端专业稳定海量数据资源到前端友好易用可视化服务的流畅转化，更好地支撑不同层次领导、不同部门对于科研生产业务全过程的智能指挥调度、业务优化与管理创新需求。[4]
3 面向全流程的科研生产数字化调度系统设计
3.1 总体架构
围绕从项目立项、产品设计、产品计划与生产、采购与库存管理到产品交付的整个科研生产业务运行全过程，基于多项目、质量、主数据管理、TC、MES、TDM、SAP ERP等业务操作型系统，以产品BOM为驱动，通过SAP、TC、MES、财务共享等系统集成，将原先分散孤立的各类设计、工艺、生产、管理、成本等数据实现统一结构化管理，并在此基础上实现业财一体化。
基于科研生产业务运行链条、数据流转关系以及当前信息系统建设现状，科研生产业务运行全过程实现可视化、穿透式管控、智能化调度，赋能业务创新、助力管理优化。
3.2 数据架构
科研生产数字化调度系统严格遵循国际权威组织DAMA国际数据管理协会所制定的《数据管理知识体系指南》以及相关国际标准，CCSA TC601 中国国家大数据技术标准推进委员会编撰制定的《数据资产管理实践白皮书》以及相关国家标准，业内最佳实践《数据仓库维度建模权威指南》等专业方法论，围绕科研生产业务运行全过程，根据数据来源及其用途，构建“垂直数据池，公共数据池，萃取数据池，应用数据池”。
3.3 功能架构
3.3.1 项目管理驾驶舱
项目管理驾驶舱是从项目进度、经费、质量、风险等多个视角切入，针对科研生产业务运行全过程，为高层领导提供“横向到边、纵向到底”的全局管控、指挥调度的有力抓手。
3.3.2 数据分析计算
集成SAS、SPC、Matlab、Hue、Zeppelin等数据分析挖掘工具。
支持批量离线计算（如MapReduce）、内存计算（如Spark、Ignite）、在线流式计算（如Storm、Spark Streaming、S4）等。
支持人工智能技术的应用，支持机器学习与深度学习算法模型的训练工具（如Mahout、Spark MLib、Caffe）。
支持可视化交互式数据开发界面，支持RDS、Hadoop、Greenplum、Spark、Flink等计算引擎，支持SQL计算、Python脚本计算等，支持多种任务调度模式，将数据开发与管理过程流程化、标准化，降低数据开发复杂度，提高开发效率。
3.3.3 数据建模存储
提供“集中管理、一致性哈希、增强型一致性哈希、CRUSH算法”等多样化方式的元数据管理方式;提供“多副本管理、EC编码、数据一致性模型、数据访问本地优先、RDMA传输、节点数量变化导致的数据迁移再平衡”等高级功能。
支持对结构化数据进行分布式存储，支持通过Web方式提供快速、标准的SQL查询能力，并提供简化的数据备份、恢復、扩展升级等日常管理功能。关系型数据库相对于业务部门自建数据库具有低成本、高效率、高可靠、灵活易用等优点，可以帮助企业解决费时费力的数据库管理任务，使各业务部门有更多的时间聚焦到自己核心业务上来。 对于半结构化数据进行分布式存储，表格存储服务是构建云操作系统之上的分布式NoSQL数据存储服务，通过数据分片和负载均衡技术，实现数据规模与访问并发上的无缝扩展，提供海量结构化数据的存储和实时访问。底层采用分布式文件系统，无硬件支持情况下可提供自动分布式冗余存储以保证数据可靠性。表格存储的表无固定格式要求，每行的列数及不同行同名列的类型可以不相同，支持多种数据类型，如Integer、Boolean、Double、String和Binary。
3.3.4 数据采集交换
科研生产数字化调度系统，通过系统集成接口功能完成各个相关系统源数据的历史全量数据与增量数据的采集获取。
3.3.5 数据资产管理
对采集的数据进行统一管理，主要包括数据目录管理、元数据管理、数据质量管理、数据安全管理、数据服务管理、数据评估稽查等管理手段，实现数据资产的持续优化及管理。
梳理不同项目类型的业务链条、涉及信息系统以及相关数据资源，形成科研生产数字化调度系统建设的整体蓝图。[5]
梳理厂级、处级、车间级不同层级的科研生产数字化指挥调度需求，并完成面向不同层级领导的管理驾驶舱/可视化看板功能设计，以终为始，驱动智慧工厂科研生产指挥调度所需数据资源的“汇聚、应用、评价”。
以重点项目执行情况的综合看板设计与建设作为重点，选择某一批生产项目的“进度类指标”的可视化展现与智能化预警功能作为突破重点，率先实现“横向到边”，即通过多维度数据的统计分析，展示科研生产项目全生命周期的完整履历。通过一系列量化指标使高层管理人员能准确地了解经营情况，有效把握和调整战略发展方向，清晰直观地实现跨部门、跨流程、跨业务的资源协调整合，实时、高效、直观进行整体管理。[6]
在实现“横向到边”的基础上，进一步实现“纵向到底”，即通过多层次数据的挖掘下钻，展示“生产管理”关键阶段的执行细节，追溯问题根因，支撑中基层管理人员及时跟踪、管控与调整生产进度，发现生产过程中的潜在问题和风险，提高调度质量，提升沟通效率，实现智能化、数字化的科研生产指挥调度。
4 未来研究方向展望
数据驱动环境下的智慧企业，将数据作为新的生产要素，紧密结合CPS、物联网、大数据等技术应用的发展，深度融入并驱动企业在产品研发、生产制造、经营管控、战略决策等业务活动过程，实现整体业务过程的循环自适应迭代，从而使企业的管理进入数据驱动的自动巡航状态，以持续推进企业实现自動化生产、数据化运营、网络化协同和智能化业务运作，提升企业产品质量和管理能力，助力企业的快速发展。
5 结论
文章结合制造型企业的信息化建设现状，分析科研生产信息系统数据资产情况，结合高层领导面临大量信息化系统的数据孤岛现状，研究科研生产数字化调度系统的优化，实现企业设计、工艺、生产、管理等全过程的降本增效。通过对数据的有效关联、管理、利用，提供科研生产全业务链条的数据服务，为后续科研生产提供精细化的管理，提高调度质量，提升沟通效率，实现智能化、数字化的科研生产指挥调度。
参考文献：
[1]王宇凡.基于产品生命周期的制造业全质量管理系统研究[J].制造业自动化， 2011（7）：1-4.
[2]马简.浅析大数据在航空制造业供应链质量管理的应用与研究[J].中国市场， 2017（31）：157-158.
[3]王欣.浅谈钢铁企业成本管控——实现降本增效的有效路径[J].冶金管理， 2020（10）：38-41.
[4]陈珊珊.以ERP系统为着力点——深入推进企业业务财务一体化[J].网络安全技术与应用， 2020（3）：96-97.
[5]王璟.我国大型钢铁企业营销业务链管理研究[J].经贸实践， 2017（9）：145.
[6]徐燕.浅论智能制造助力企业提质增效[J].洁净煤技术， 2019（S1）：140-143.
[作者简介]彭新玲（1988—），女，汉族，山东德州人，本科，北京京航计算通讯研究所副主管，工程师，研究方向：智慧企业信息化研究与应用。