如何改变中国机床行业下半生

---

2019 年工博会的一场演讲结束后，晋文静博士在一阵热烈掌声中走下台。不久，她就被一些听众围住，走出会场时，随身携带的名片已所剩无几。

上面印着她头衔：天泽智云首席数据科学家。这家坚持走工业智能技术路线的公司一直与中国传统制造企业合作，帮助他们落地工业智能，探索升级与转型。

 

天泽智云首席数据科学家晋文静博士。 晋文静在演讲中讲述了公司与富士康深圳某工厂合作的无忧机床项目。经过半年多的努力，他们成功证明传感器+系统的方式可以为 CNC（数控机床）提供刀具寿命预测以及主轴的在线监控与预测。

 

接下来的一串数字越发引起台下观众关注：

 

降低了 60% 的意外停机，质量缺陷率从 6‰降至 3‰，节约 16% 的成本。

 

MachineInsightTM 无忧机床系统。

 

最大机床市场告别「前半生」

 

随着中国成为全球制造中心，中国也成为全球最大机床工具的生产国和消费国。 Gardner Research World Machine Tool Survey 数据显示，2017 年，中国大陆地区机床消费金额达到 299.7 亿美元，同比增长 7.5%，占全球机床消费额比重的 36.1%；中国大陆地区机床产值达到 245.2 亿美元，同比增长 5.1%，占全球机床产值比重的 28.1%。

 

由于中国不仅是最大汽车制造国，也是最大机械、3C 电子产品制造国，因此，从机床下游行业来看，汽车行业占比超过 40%、机械行业占比约 20%，3C 电子产品行业占比约 15%。军工行业因其战略意义重大，对于机床的性能、种类和需求量要求极高，占比约 15%。

 

数据来源：Gardner Research。

 

九年前，晋文静前往辛辛那提大学美国智能维护系统中心攻读博士学位，师从李杰教授时，正值中国机床工业黄金十年的高光时刻。沈机集团登顶世界机床行业营收第一。2011 年，中国金属加工机床市场规模达到创纪录的 390.9 亿美元，为历年最高。（根据国家统计局关于中国机床工具行业经济运行情况数据）

 

2012 中国机床行业告别长达十年的黄金周期，整个行业开始下行。行业内的大小机床企业盈利快速下滑至亏损，且至今未能缓过劲来。

 

目前，传统中低端机床市场萎缩已成行业共识，相比于传统机床行业，「失守」的数控高端精密机床市场已进入高速发展时代。 以手机制造为例。当 2012 年库克举起 iPhone 5 的时候，铝合金一体化机身成为当时消费品金属加工的极致。由于强度更高的金属材料处理起来比传统的金属外壳更难，CNC 加工所需要时间更长，其他手机厂商跟进导致市场对 CNC 产能有更大的需求。 随着 5G 时代手机后盖去金属化进程接近尾声，中高端机型后盖材质变成了玻璃、陶瓷，对精密化部件的要求又给上游机床厂商的生产和服务提出更高要求。 这几年，新能源汽车抓住风口，也让汽车零件数控 CNC 加工产业受益不浅。以新能源汽车为代表的车身结构轻量化、高强度需求逐渐成为主流的同时，也倒逼机床走向智能化和高精度化。 事实上，沈阳机床可以在过去十年间卖出近七十万台机床，是因为吃到了中国迅速成长为制造业大国的红利。当时，单靠国外高档数控机床，根本满足不了市场需求，国内劳动力素质也无法与之匹配。再加上劳动力成本较低，国产机床可以通过价格和服务占领中低端市场。

 

但是，现在不行了。某中部城市一位机床制造从业者曾坦言，对于持续低迷的中国机床行业来说，历经数控化的洗礼后，以工业互联网引领机床行业再出发，已经成为一个趋势。 机床产业的利润空间已被大大压缩，中国机床工具工业协会当值理事长龙兴元曾对媒体表示，2017 年中国机床全行业亏损企业占比仍达 33.8%，「如果厂商想实现装备制造业的价值链延伸，服务转型、提供智能化解决方案几乎是一个必然方向。」一位业内人士告诉我们。

 

此前，机床厂商做的是一次性买卖，如今，在产品差异不是特别大的情况下，以机床为载体的增值服务开始成为制胜关键。对于他们来说，像晋文静这样的数据科学家，就像是券商行业中金牌分析师一样的人物。

 

范式转换：从可见到不可见

 

从国外经验来看，近几十年来，得益于硬件（各种传感器、GPU 等）成本降低、无线连接、数据分析等技术的不断进步，预测性维护已经成为智能制造最为重要的落地应用之一。 李杰从事智能制造和工业大数据产学研工作已经几十年，不仅是该领域的权威，目前也是富士康工业人工智能总顾问和天泽智云首席顾问。对于预测性维护，他在《从大数据到智能制造》当中进一步解释道，制造系统中的问题也有「可见」和「不可见」之分，我们对待这些问题的方式以前大多是在问题发生后去解决，而未来能够在问题发生前去避免才是竞争力的核心。 生产系统中存在的「不可见」问题包括设备性能的衰退、精度的缺失、易耗件的磨损和资源的浪费等，可见的问题往往是这些不可见因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。通过大数据对「不可见」问题获得深刻的洞察，是实现无忧制造环境的基础，也是智能制造的本质。 事实上，机床制造厂商已经在尝试相关落地应用。日本 MAZAK 公司的 Smooth Technology(流畅技术) 体现了智能机床的最新发展，可以通过开放的系统结构设计，借助智能手机、平板电脑等外部终端对设备的运转状况进行监控。

 

FANUC 公司开发了智能自适应控制、智能负载表、智能主轴加减速、智能热控制等智能机床控制技术。Heidenhain 公司的 TNC640 数控系统具有高速轮廓铣削、动态监测、动态高精等智能化功能。

 

李杰（Jay Lee）,2016，《从大数据到智能制造》。

 

在晋文静看来，中国制造业有着最全场景，大量的机床产生大量数据，把握住了这些数据，就等于握住解决问题的源头。新技术可以帮助拥有大量机床的中国制造企业预知设备加工状态，从而减少意外宕机、提高产品良率、降低刀具成本。但问题在于，中国机床行业单靠自身力量实现智能化转型，极为乏力，这也是在为曾经的历史支付代价。

 

早期的机床行业基于专业分工思路，诞生了当时的「十八罗汉」（十八家机床厂），一家只能做一种机床。当时，全行业有八综合性研究院所，形成「七所一院」的综合性专业技术研发机构，也是解决机床厂共性技术问题重要支撑。另外，还有三十七个专业研究所与企业设计部门，形成机床工具行业的科研开发体系的第二道护城墙。

 

然而，1999 年一刀切的院所转制，国家计委二百多个院所随之下放，最后导致机床企业一旦遇到工艺问题，无处可去。当这些企业销售额不涨、利润不涨，想办法创新降本增效时，却变得失措无依。

 

这也是为什么目前从供给侧来看，机床工具行业自动化产品市场一直保持增长态势的原因。除了技术交流和新产品推广，市场第三方供应商也非常愿意将先进的数字化解决方案导入到机床工具企业，帮助他们进行智能化升级改造。除了上游机床厂商，这些市场第三方服务对象也包括下游的加工制造企业。

 

2018 年底，富士康基于无忧机床系统搭建的精密工具智能制造工厂成功入选全球「灯塔工厂」，成为代表新一轮工业革命转折点的工厂之一。

 

三十五岁肖敏（化名）正是该制造商某模具车间课长。十八岁那年，他进入这家位于深圳的大型制造商，成为一名模具厂工人。

 

肖敏有些骄傲地告诉我，如今，他们已经将模具加工的几个基本工序流程打通，其所在车间基本实现全程自动化。物流、上下料实现自动化后，他们却发现，最为担忧的是机加工中那些看不见的东西。比如，刀具和轴承的失效。

 

在铣削加工过程中，刀具磨耗程度是影响模具成品质量的关键因素，据相关统计，由于刀具失效引起数控机床停机的时间总数占故障停机时间的 20%-30%。

 

然而十几年来，这些老师傅们并没有一套行之有效的办法，准确预测刀具和轴主轴状态。

 

我们主要是靠听来判断刀具状态，肖敏举例说，加工中机床振动很大，发出「嗡嗡」的声音时，可以确定刀具达到了急剧磨损状态，需要更换刀具。也有类似冒无规则火星这样肉眼可见的异常。有时，他们甚至会用手触摸机器，通过温度感受异常。

 

但是，经验再丰富也对付不了层出不穷的各种加工状态。「不同加工要求，切削遇到拐角、位置不一样，力也不一样，对刀的磨损也不一样，仅凭经验和人为判断，很难抓到每一把刀的真实状态。」肖敏说。

 

「有时断刀了，机器会继续跑，你都不知道。」

 

为了尽可能避免这些情况发生，这些对加工精度要求很高的工厂大都采取更为保守的措施。比如，在刀具运行到预先设定好的时间或距离后，立刻更换，往往这些刀具寿命仅用到 80% 甚至更少。这又会带来生产成本的升高。

 

这就是我们这个行业的痛点，一家东莞 3C 制造商坦言，且不说再丰富的经验积累也赶不上机器更新换代的速度，再则，现在的年轻人都不愿进到制造行业，老师傅们也有退休的那一天，将来制造产线的从业者越来越少，有经验的老师傅就更少。

 

无忧机床的落地

 

既然通过工业大数据，能使原本不可见的设备衰退、质量风险、资源浪费等问题变得可见，并加以避免，天泽智云决定选择这样一个项目作为工业智能在制造和机床行业的突破点，带出一套可快速复制化的产品，帮助行业实现无忧生产环境。 晋文静当年求学的美国智能维护系统中心（IMS）正处在智能制造最前沿。19 年间，中心与全球 100 多个企业合作工业智能与工业大数据研发与应用，大量的一线工业项目实践机会，也让她积累甚丰，特别是机加工。

 

「我从读博就一直专注在机床和刀具，要找一个切点深耕下去，因为这个领域实在是太深了。」晋文静说。

 

无忧机床的模型建构从源头开始。天泽智云定义的「源头」是业务痛点，而非数据。工业智能落地，不界定清楚具体问题，数据无从搜集。

 

「设备故障诊断与寿命预测的难点不在于选什么样的模型」晋文静强调道，「而在于场景化分析，对工业场景的理解，对数据的准备，找到最恰当的特征，能够正确反应机理性能的特征，才是关键。」为此，天泽智云还自行研发 GenProTM 建模平台，用于规范数据和建模流程，并提供行业模板来提升数据分析和建模的效率。

 

GenProTM 建模平台。

 

先决定采集哪些数据。答案往往不是显而易见，需要比较深的行业 know-how。

 

构建一个刀具剩余寿命预测模型，除了振动数据还要采集机床产生的数据，比如主轴负载、伺服电机电流、主轴转速、进给率等。因为，振动传感器所采集到的振动并非仅仅来源于刀具磨损，加工状态（或者叫「工况」）的变化也会干扰采集到的振幅，所以，预测模型还需要其他数据来更精准地辨别磨损状态、预测刀具的剩余使用寿命。

 

缺失或错误的数据可能会扭曲结果，掩盖故障。

 

布置传感器的最佳数量和位置也必须决定好。放得太少，预测就会不够准确；太多又是冗余。

 

数据的采集频率也很关键。如果频率太低，会漏掉在高频振动范围的故障信息；频率过高，会导致数据传输瓶颈，使得工厂网络不堪重负。

 

边缘计算的性能要求更高。机器需要具有脊椎反射式的能力，就像人类面临某种异常或危险，身体做出条件反射一样。

 

EdgeProTM，一款支持快速实现工业数据采集和边缘计算的工业物联网与边缘智能系统。

 

比如，采集到的振动信号，有些需要就地取用，以便实时识别工况。在发生撞击事故、断刀等突发性重大故障时，以 ms 级反向反馈给机床及控制。通常，这个反应速度相当于云上进行同等监控反馈的百倍至千倍以上。

 

数据安全需要得到保障。将涉及到生产工艺、订单信息、设备运行等数据，在生产现场进行计算，生成降维后的、加密的特征信息，再输入到云端支撑应用运算，从机端直接杜绝敏感数据的泄露。

 

建模要求跨学科知识和技术融合。晋文静特别强调了这一过程中，机理（先验领域知识）和数据的深度融合，这也是目前工业中最常用的方法。

 

比如，机床的主轴轴承监测。轴承的振动分析已经被学者研究得非常透彻，给定轴承的物理参数，有明确的理论指出，不同的失效阶段在哪些频段上会出现什么样的响应。

 

建模的时候，可以直接内嵌这个机理模型，辅助特征选择和健康状态的判断。较之泛泛地去做特征提取选择建模，这种做法可以获得更高的准确性和鲁棒性。 最终，团队不仅收获了一连串让客户满意的 R