基于大数据的船舶制造业流程再造

黄　音，张逸尘，胡　芬

(中南林业科技大学物流与交通学院,湖南　长沙　410004)

0　引言

船舶制造业是为中国水上交通、海洋资源开发利用及国防基础建设提供技术装备的现代化战略性、综合性支柱产业，是“中国制造2025”的十大重点发展领域之一，是中国“一带一路”战略的重要基础。当前中国已成为世界第一造船大国，造船规模及国际市场份额多年来稳居世界前列，但只是造船大国而非造船强国，究其原因有三：一是由船舶制造业的产品特征所决定的，它是典型的离散制造业，批量相对较小，产品复杂程度高；二是由船舶制造业的行业特征所决定的，其具有技术要求高、投资规模大、周期性强(其发展周期与国际贸易量息息相关)的特点；三是由船舶制造业的国际市场特征所决定的，其竞争呈现明显的两极分化特征，韩国、日本常年占据国际高端船舶市场，技术优势明显，而中国常年处于国际船舶制造产业链的中低端，主要靠常规船舶的成本与规模维持国际市场份额。工业和信息化部装备工业司发布的“《中国制造2025》解读”指出，国际船舶市场开始进入新一轮的大调整周期，高端船舶市场成为新的需求热点，且竞争日趋激烈，产业核心竞争要素发生重要变革，关键要素从硬实力向软实力转变。而中国船舶制造业中低端制造常年产能过剩，高端船舶技术刚刚起步。在遭遇2016年航运业的低谷之后，多家船舶制造企业申请破产重组。究其原因在于船舶制造企业的生产组织体系与生产流程的不协调，高端船舶技术落后，产品无法满足客户专业化的需求。供给侧改革背景下，处于改革前沿的船舶制造业，急需加快企业流程再造及升级转型的进程。借助大数据预测技术，预测产品需求并调整产能，探寻决定船舶制造过程效益的核心要素及技术环节，帮助相关管理人员进行科学决策；通过大数据、云计算等技术进行流程再造，将其复杂的设计生产过程与生产组织体系有条不紊地联系在一起，从而提高生产效率、降低生产成本、缩短工期、优化生产进度，将智能制造运用到船舶研发、设计、生产、制造、维修和物流的各个供应链环节之中[1]。

1　文献回顾

1.1　船舶制造业大数据技术研究

MacGregor J F等运用潜变量模型和大数据技术，对制造企业批量过程的监督、优化与控制进行了分析[2]。Lee S K等运用云聚类技术，对船舶制造企业制造过程中的搬运记录进行大数据分析与挖掘，针对其制造过程中的搬运装卸流程构建了相关模型[3]。Sun J等运用大数据技术对船舶制造企业的CAD数据进行分析挖掘，对其设计制造过程中改良成分的提取方法予以分析建议[4]。孙立针对当前制造业大数据落地难的问题，提出了基于制造业大数据的服务体系，结合智慧云制造的产业链需求，对工业大数据的创新机制给予对策与建议[5]。中国船舶工业系统工程研究院运用云制造技术，以船舶制造大数据为基础，以信息物理系统为技术框架，通过大数据故障预测与健康管理技术和人工智能技术的综合应用，研制了一套岸海一体的智能船舶运行与维护系统[6]。

1.2　船舶制造业流程再造研究

业务流程再造被公认为第二次工业革命以来的一场新的企业管理革命。当前船舶制造企业面临巨大的挑战，船舶制造企业的流程再造和兼并重组势在必行。喻小光等基于当前船舶制造企业生产计划与控制管理落后、生产效率低下的现状，提出面向船舶制造企业的多层次生产计划模型，对船舶制造企业进行生产流程再造[7]。张为峰等从文化整合、人力资源整合、生产经营整合和资产债务整合四个方面，探讨船舶制造企业的流程再造和兼并重组[8]。杨慧力等在总结国外船舶产业链整合经验的基础上，提出中国船舶产业链整合的适用模式，提出以专业化、规模化、特色化为出发点，优化船舶产业分工与协作体系的建议[9]。

1.3　船舶制造业信息化

制造企业的每一次发展变革都是与信息技术的发展紧密联系的。《中国制造2025》强调信息技术与制造技术的融合，即“两化融合”。信息化水平已成为制造企业发展的重要标准，信息化与企业发展的关联度已在实践中被验证。赵福全等指出，基于工业4.0的大背景下，制造企业应研究并努力实现互联技术(包括大数据、云计算等)在制造企业升级转型中的重要意义[10]。杨天正针对船舶工业的产品和技术创新，指出信息应用技术，例如计算机 CAD/CAM 技术的引进、吸收、开发和应用，对缩短设计制造周期、提高产品竞争能力具有积极意义[11]。李宪建基于闽东电机和船舶产业集群的发展现状，提出积极推广信息技术，通过信息集成和资源优化配置，实现物流、信息流和价值流优化的建议[12]。

通过以上文献梳理可知，现有许多文献从不同视角直接或间接探讨了船舶等制造业大数据技术、流程再造与信息化。但存在以下局限：①对大数据在制造业的具体运用，例如如何运用大数据进行流程再造的研究尚少；②多数研究基本上单纯从大数据的促进作用去研究其对流程再造的影响，对其作用机理、流程及具体应用缺乏论述；③对于大数据技术在流程再造过程中的技术难点缺乏分析，也未提出解决渠道与方法；④缺乏对大数据技术在船舶等高端装备制造企业流程再造过程中运用前景的分析。

2　传统船舶制造业生产流程分析

2.1　作业体制

船舶制造是一个极其复杂的工艺过程，工序复杂、工作量大，涉及多种专业技能，且各专业环节在时间和空间上都是相互交叉覆盖和影响的。由于传统船舶制造企业长期缺乏对生产流程的管理，使得船舶制造企业的制造周期明显长于国外先进船舶制造企业。大型船舶制造企业普遍实施壳舾涂一体化作业体制，即按照船体、舾装、涂装三大作业类型组织造船作业(见图1)[1]。整个制造流程涉及大量的实时数据，数以万计的零部件需要加工、装配、安装，而这一过程中又涉及零部件加工和装配的大量图样、计划表、零部件采购单、物料清单、派工单、更改单等图文材资料。数据类型繁多，包括结构化数据、非结构化数据和半结构化数据三种类型，数据结构极其复杂。

图1　船舶制造生产作业流程

2.2　生产模式

船舶制造业属于典型的按订单生产模式，制造企业根据客户即船东的订单需求和交货期来制定船舶制造生产计划，生产过程的半成品和成品均需要经过船东的认可和船级社的审核方可进行加工生产。再加上船舶制造对安全的要求极高，每一个环节都需要进行严格的质量管理，相关的质量检测数据极多，质量监控数据频率高。

2.3　制造周期

相比其他制造行业，船舶制造的周期很长，这就拉长了其管理的数据链周期，使得制造过程中的数据量不断膨胀，其数据本身的价值密度也比较低(数据本身未进行加工处理)。这使得物料需求计划和生产计划的变动频率很高，却在执行过程中缺乏自动衔接的任务数据，这就降低了制造流程的执行效率，使得生产过程中许多变更、异动乃至突发事故无法得到有效的预防和解决。

综上所述，船舶制造业数据具有数据海量、类型繁多、来源广泛、变更频繁、实时性高、价值密度低等特点(见图2)[13]，急需运用大数据技术对其生产进行流程再造，对生产计划和物料需求计划等进行预测和优化，对各个相互交叉覆盖和相互影响的专业生产环节进行合理的优化组合，形成高效准时的精细生产。

图2　船舶制造企业大数据架构

3　基于大数据的船舶制造企业流程再造分析

大数据技术的核心就是大数据预测。运用大数据的预测功能来预测产品需求并调整产能，实现产能与负荷的平衡，调节生产组织与生产流程；消除无效作业时间，探寻决定船舶制造过程效益的核心要素及技术环节，实现船舶制造精益生产。运用大数据的分析功能，基于船舶制造企业制造流程中的各种数据，构建先验知识库，通过知识库中的知识推理模型，将船舶制造领域的知识、经验与技能进行整合，转化为核心技术，促进船舶制造的技术创新。以下将大数据技术细分为流数据处理技术、分布式资源管理技术和数据可视化技术，探索这三种大数据技术对传统船舶制造业的流程再造过程和处理流程。

3.1　基于大数据的分段负荷平衡

产能与负荷的平衡是船舶制造业生产的关键问题之一。当前中国许多船舶制造企业产能与负荷严重不平衡，有的产能过剩，有的负荷过多，生产组织体系与生产流程的不协调，严重影响船舶制造企业的生产加工。通过大数据技术对船舶制造企业产能的度量与测算，使得船舶制造企业可以根据客户需求，结合自身生产能力，准确制定生产计划，确保企业制造资源的有效组织与执行。在生产过程中,依据度量与测算的结果，及时发现产品自身生产过程中生产计划的延误及问题生产环节，并及时予以纠正，避免问题扩散,确保企业能够根据客户要求完成订单[14]。基于大数据的分段负荷平衡主要使用大数据技术中的流数据处理技术。流数据处理技术适用于实时监控一些大量、快速、连续到达的数据流，例如产能与负荷的实时变化参数、机械设备运行状态的实时监控数据等。

基于大数据的分段负荷平衡首先将船舶制造供应链分为小组立、大组立、分段舾装、分段涂装四个工艺过程，其中大组立是分段工艺的核心工序，其施工周期最长，工序也最为复杂，其他工艺过程都是围绕大组立工艺来进行。产能可以分为固定产能和可调整产能两种类型。将核心工序——大组立确定为固定产能，尽可能地在生产计划制定之前予以确定。对于其他工序在生产过程中可以予以适当调整。然后，运用流数据处理技术分析影响产能和负荷的要素，产能与负荷的基本参数，机械设备的运行状态，以及各工艺过程之间的相互关系，对船舶制造供应链不同工艺过程的产能与负荷进行测算，尤其是对大组立这一核心工序，在生产计划制定之前进行分析与预测，确定其产能与负荷。接着，围绕大组立工艺，对船舶制造过程的其他工艺过程的能力计划进行跟踪分析，依据产能与负荷的测算，执行分段生产计划，建立生产计划模型和设备异常监控模型，分析每个工艺过程的计划完工情况。最后，依据生产计划模型和设备异常监控模型计算结果，及时调整能力计划(包括粗能力计划和细能力计划)及生产计划。

流数据处理技术在基于大数据的分段负荷平衡中的运用，最大的难点是不同船舶制造企业的具体情况不同，产能与负荷度量与测算的具体参数、计算过程和方法不尽相同。对于同一类型的数据，重复测算得出的结论往往不能较好地解决不同的具体问题。相反，传统统计学方法虽然在数据量和动态性方面有所限制，但基于其完善的数据采集体系、分析模型、针对性的分析视角，传统统计学方法在大数据框架下往往能解决许多具体的实际问题。这就需要将以传统统计学为基础的统计分析算法与以机器学习为基础的数据挖掘算法相结合，并从具体的产能与负荷出发，根据实际需求，在基本的算法和分析技术基础上，通过定制分析模型，实现业务驱动的综合分析。

3.2　基于大数据的精益船舶制造模式

船舶制造过程生产的零部件种类繁多，需要组织的生产资源较多，零部件的来源(包括自制、外协和采购)分散。生产过程中任何零部件不能按期按质按量完成，都有可能造成生产延误。再加上生产计划的制定受到生产过程中多种因素的影响，包括市场需求的不确定、设备的突发故障与维修、天气变化等，这就造成了船舶制造企业生产组织体系与生产流程的不协调。而精益船舶制造模式主要是通过消除船舶制造过程中的无效时间内的作业过程，即不增值部分，优化制造流程，尽可能减少无效作业时间(例如生产过剩、次品、过度加工等)，来减少资源浪费、提高资源利用率，对有效时间内的作业进行合理优化，形成均衡连续的精益生产模式。实施精益船舶制造模式是在现有生产模式基础上重新进行优化组合，其核心是准时化，即在数量、质量、时间、位置等方面进行准确把握。

船舶制造企业产品数据管理系统(PDM系统)、企业资源计划系统(ERP系统)、制造企业生产过程执行系统(MES系统)在船舶制造企业的应用，带来了船舶制造企业的数字化和自动化，提升了船舶制造企业的效率，但其对资源的优化范围较为局限。而大数据技术中的分布式资源管理技术在度量与测算方面显示出了强大的张力。各种分布式资源管理技术的采用，使得PDM、ERP等系统中的海量数据能够有效地管理和扩充计算、存储能力。外部数据通过分布式资源管理技术，进行行/列数据存储、分布式文件存储和分析任务调度，并通过分布式计算引擎和其他大数据分析引擎对数据进行分析，最后应用于产品设计、设备运维、供应链优化等领域(见图3)。基于大数据的精益船舶制造模式通过PDM、ERP、MES等系统与分布式资源管理技术的融合，制定准确的生产计划，对各工艺过程的子任务进行更为有效调度，从而实现船舶制造企业的精益生产。

为确保船舶制造生产计划的制定与实施，首先需要将船舶制造企业PDM系统、ERP系统、订单系统、物料清单(BOM)、MES系统与各种船舶制造大数据，包括工艺数据、物料信息、库存信息、设备信息、生产计划、生产制造数据、质量检测数据等的接入、转换与分析，通过分布式资源管理技术，将船舶制造企业大数据分析管理平台与现代船舶制造企业相关系统，包括决策系统、供应链管理系统、产品诊断系统等相融合，并进行有效管理和计算，如图3所示。

基于大数据的精益船舶制造模式主要通过两种方式对船舶生产流程进行调控：一是对关键制造工艺的优化。在基于大数据的分段负荷平衡中，已确立了大组立这一工艺过程的核心地位，而这一工艺过程在制造过程中的参数多源、多种、多样且彼此相互影响。通过流数据处理技术和分布式资源管理技术的融合，对该制造工艺的影响要素进行分析，以构建其工艺流程优化预测模型，找到该工艺过程的最优制造方案和资源配置，一旦发现其工艺参数偏移到区间外，或者资源配置超过某一阈值，便及时报警，让船舶制造企业可以及时找出问题，并进行调整，使整个船舶制造计划按进度完成。二是对生产进度的调节控制。进度完成一般存在三种情况——提前、按时、落后。依据船舶制造企业历史大数据的对比分析，判定后续工作量完工概率与计划相比的偏差值，根据不同情况采取不同级别的应对方式。通过对关键制造工艺与生产进度的优化控制，可以进一步预测设备故障，在设备出现故障征兆时进行提前预警，以及预测配件需求，通过设备运行状况研究船舶与设备、设备与配件消耗之间的关联。

图3　船舶制造企业大数据平台与其他系统的融合

分布式资源管理技术在基于大数据的精益船舶制造模式的运用中，最大的难点是PDM、ERP、MES等系统数据与工艺、生产制造、质量检测等多源、异构数据的融合。船舶制造企业大数据复杂多变，针对这些复杂的数据，船舶制造企业需要综合运用从数据采集、数据统一描述、数据预处理到可靠性存储的一整套数据融合核心技术。针对船舶制造企业大数据多元、异构、关系复杂的特性，需采用基于统一元数据的异构数据进行统一描述，通过元数据描述船舶制造企业海量多源的数据，实现异构大数据的统一描述与管理。这样可以大大提高管理和利用数据的效率，让船舶制造企业数据更为具体化、规范化。

3.3　基于大数据知识推理模型的技术创新

当前，中国知网(CNKI)已率先构建了船舶制造业创新发展知识总库，将船舶制造领域的知识、技能、经验以及行业资讯进行综合整理，构建了船舶制造领域的先验知识库。国内其他相关先验知识库也正在筹建中。近年来，随着云计算和大数据时代的到来，数据可视化技术能够对数据仓库中的数据进行抽取、归纳和组合，并通过不同的展现方式提供给用户，以发现数据之间的关联与规律。运用大数据技术中的数据可视化技术，可以从先验知识库的海量数据中提取具备关联的数据进行数据存储，通过数据挖掘、统计分析，依据有效规则实现数据的智能分类与分析推理，构建基于大数据的知识推理模型，依据推理控制策略，包括正向推理、逆向推理、双向推理、非精确推理、基于语义的推理、基于案例的推理，利用先验知识库内形式化的知识进行搜索、匹配、分析和推理，运用自动推理程序和推理机挖掘海量数据中潜在的规律与联系，在一定的控制策略下，根据问题需求及知识先验库中的知识执行对问题进行求解，而后通过大数据可视化的开发工具予以呈现，以发掘其中新的知识与技能，从而实现技术创新。图4所示为基于大数据知识推理模型的技术创新框架图。

图4　基于大数据知识推理模型的技术创新框架

数据可视化技术在基于大数据知识推理模型的技术创新中，最大的难点是如何实时地将知识和技能传输给船舶制造企业，以实现船舶制造企业的技术创新。船舶制造企业所产生、采集和处理的数据量庞大、繁多、广泛、实时性高。为了更准确地将新的知识与技能传输给船舶制造企业，真正实现技术创新，需要将数据可视化技术和虚拟现实技术有机融入船舶制造企业的实时监控系统。系统通过界面展现，以船舶制造企业生产车间的仿真场景为基础，对其各个工段、工艺流程、生产作业过程以及重要设备的形态进行可视化还原，各作业流转状态可以在生产车间视图中直接显示。从而实现多视图的整合，以发掘不同维度的数据关联与规律，使所有数据视图实现交互联动，使企业技术人员、管理人员可以从多个不同角度去分析数据，实现所有数据的联动，进而发现新的知识与技能，促进船舶制造企业技术创新的产生。

4　运用前景分析

(1)大数据与小数据整合运用于船舶制造企业流程再造。流数据处理技术在基于大数据的分段负荷平衡的运用中，我们发现同一类型的数据，重复测算的结论具有一定的趋同性，往往不能很好地解决现实中的具体问题。而小数据，即传统的统计学方法和模型，虽然它们对资源的优化范围是局部的，且无法处理船舶制造过程中海量、多源、实时的数据，更难以满足预测分析未来发展的趋势，但在大数据框架下，却往往能解决许多具体的实际问题。大数据与小数据的整合运用，实质上是以传统统计学为基础的统计分析算法与以机器学习为基础的大数据算法的融合，大数据和小数据的整合运用在船舶制造企业流程再造中发挥着举足轻重的作用，也非常符合当前中国船舶制造等高端装备制造企业生产工艺流程新旧交替的现实。

(2)预测型制造在船舶制造企业流程再造中的运用。基于流数据处理技术的机械设备运行状态预测、设备异常监控模型，基于分布式资源管理技术的生产进度和订单交货期预测，设备故障预警，都属于基于大数据的预测型制造。预测型制造的显著特征就是透明化，透明化就是复杂制造系统中的不可见因素，从而使船舶制造企业的技术和管理人员得以在充分掌握信息后再做出生产管理决策。而这种透明化事实上是在阐述、统计、量化船舶制造过程中的种种不确定因素，使生产组织能够客观地估计自身的能力，并基于此预测生产进度和订单交货期。

(3)业务驱动模型在船舶制造企业流程再造中的运用。在基于大数据的分段负荷平衡的运用中，船舶制造企业需要从具体的产能与负荷出发，依据实际，在基本的算法和分析技术基础上，通过定制分析模型，实现业务驱动的分析。船舶制造业属于典型的按订单生产模式。每一个客户的订单都不尽相同，产能与负荷的计算过程也存在差异。通过业务驱动模式，可以针对不同客户的需求，进行船舶的生产制造，保证在大数据条件下，在客户可以接受的时间内，发现有价值的关联规则，从而对一系列的业务，例如产能与负荷平衡测算、机械设备运行状态等，进行分析、挖掘、预测。分析路线图如图5所示。

图5　业务驱动的分析路线

(4)推动制造元数据集成体系结构在船舶制造企业流程再造中的运用。分布式资源管理技术在基于大数据的精益船舶制造模式的运用中，我们发现船舶制造企业需要运用元数据实现异构大数据的统一描述与管理。现代化生产中，船舶制造企业中各种工具软件和应用程序日益复杂，相互依存度逐年增加，例如PDM、ERP、MES等软件系统与大数据技术常用的编程语言，例如Jave、R等程序越来越高的集成需求。船舶制造超长的管理数据链周期，使得制造过程中的数据量不断膨胀，也导致整个船舶制造企业的元数据与日俱增。为了实现大数据的深度分析与挖掘，船舶制造企业需要实现整个企业的元数据集成，针对整个企业构建统一完整的元数据管理系统，提供对元数据的采集、管理、维护，以追踪整个信息链各组件之间的数据流动，真正实现不同形态、类型数据在船舶制造企业的全局共享，这也是船舶制造企业实施生产流程再造的关键步骤之一。

(5)多种智能技术与大数据融合运用于船舶制造企业流程再造。数据可视化技术和虚拟现实技术有机融入船舶制造企业的实时监控系统，从而实现多视图的整合，使所有数据视图实现交互联动，进而发现新的知识与技能，促进船舶制造企业技术创新的产生。因此，可以预见物联网技术、智能传感技术、制造资源标识技术、无线射频识别技术等其他智能技术，与大数据技术相融合，运用于船舶制造企业流程再造也将具有广阔的发展前景。

5　结论

综上所述，船舶制造企业需在现有数据基础上设计大数据采集与分析结构，在累计数据的过程中逐步尝试生产流程的数据化[15]，推进其生产制造过程的流程再造。最终，通过大数据驱动的决策逐步替代企业层级决策，从而提高生产运行效率，促进船舶制造企业生产流程的优化，提高船舶制造企业的国际竞争力，进而推进船舶制造企业“两化融合”的进程。

参考文献：

[1]张洁，秦威，鲍劲松.制造业大数据[M].上海：上海科学技术出版社,2016:294.

[2]MACGREGOR J F,BRUWER M J,MILETIC I,et al.Latent variable models and big data in the process industries[J].IFAC papers online,2015,48(8):520-524.

[3]LEE S K,KIM B,HUH M,et al.Mining transportation logs for understanding the after-assembly block manufacturing process in the shipbuilding industry[J].Expert systems with applications,2013,40(1):83-95.

[4]SUN J,HIEKATA K,YAMATO H,et al.Efficient point cloud data processing in shipbuilding:reformative component extraction method and registration method[J].Journal of computational design & engineering,2014,1(3):202-212.

[5]孙立.工业大数据对智慧云制造的推动与创新[J].科技管理研究,2016,36(13):156-158.

[6]国家工业信息安全发展研究中心.大数据优秀产品、服务和应用解决方案案例集(2016)[M].北京:电子工业出版社，2017:200.

[7]喻小光,战德臣,聂兰顺.面向船舶制造企业的多层次生产计划模型与系统[J].黑龙江大学自然科学学报,2009,26(6):770-774.

[8]张为峰,苏智.中国船舶制造业企业兼并重组研究[J].学术交流,2013(1):102-106.

[9]杨慧力,王凯华.中国船舶产业链整合模式选择[J].中国科技论坛,2015(8):71-77.

[10]赵福全,刘宗巍.工业4.0浪潮下中国制造业转型策略研究[J].中国科技论坛,2016(1):58-62.

[11]杨天正.我国船舶工业的产品创新[J].科技导报,1999,17(11):41-44.

[12]李宪建.产业集群与民营经济发展实证研究——以闽东电机、船舶产业为例[J].中国科技论坛,2007(2):56-61.

[13]姚雪梅,李少波,璩晶磊,等.制造大数据相关技术架构分析[J].电子技术应用,2016,42(11):10-13.

[14]董鹏,蔡中为,杜振华,等.制造业产能分析系统研究[J].北京交通大学学报(社会科学版),2013,12(3):52-59.

[15]吕本富，刘颖.飞轮效应：数据驱动的企业[M].北京：电子工业出版社，2015:59.