近年来，发展智能工厂成为全球制造业的显学，随着人力短缺、工资上涨、产品交期越来越短、市场需求变动大等问题出现，制造业正面临新一波转型挑战，如何在控制生产成本的同时，还能提高生产力与效率，则是转型的主要目的，也因此，从德国、美国到中国台湾各个制造大国，无不积极推动工业4.0，希望能协助制造业者解决经营困境、提升竞争力，而大数据分析与优化(Manufacturing Analytic & Optimization; MAO)则成为发展工业4.0的基础。

　　制造业大数据分析五大应用

　　深耕制造业多年的IBM，在大数据分析上提供的不只是产品，还有结合产业知识与丰富经验的顾问服务，帮助制造业者做出正确有效率的大数据分析。

　　IBM商业分析部资深业务刘君彦指出，目前市面上有很多大数据分析的解决方案，但大多只能做到资料视觉化，也就是以图表呈现分析结果，而IBM MAO可以根据制造业所面临的问题，决定要做哪一种分析，例如预测或模拟，甚至整合财务或产销端资讯，找出解决问题的方法，这在智能制造过程中是非常重要的事，因为企业往往拥有大数据，却不知道该如何分析。

　　IBM全球企业咨询服务事业群资深顾问李艺锋进一步指出，目前，高科技制造业者面临到的问题主要有三种，第一、未预期的物料问题或设备故障直接冲击产能，以致耗损大量成本;第二、因制程稳定性问题造成产品良率下降，不但影响获利更影响客户满意度;第三、制程世代转换越来越快，如何加快量产速度，成为获利的关键因素。因此，IBM根据制造业所面临到的问题与产品生命周期，归纳出制造业大数据分析五大应用模式;

　　第一、物料品质监控。原物料品质不稳定其实有迹可循，然而传统SPC监控要等到发生问题时才会做出警示，此时不仅己经影响产品品质，更不容易找出原因，而MAO则是主动分析趋势变化，发现潜在问题即早做出预警，以便能及早解决(如：更换物料)维持产品品质。

　　第二、设备异常监控与预测。传统SPC监控虽然也涵盖设备参数，但有时设备仍然会发生问题，工程师也不知道设备发生问题该怎么处理最有效，MAO运用设备感测资料及维修日志，找出发生设备异常的模式，监控并预测未来故障机率，好让工程师可以即时执行最适决策。

　　第三、零件生命周期预测。零件或耗材有其生命周期，制造业者多半根据供应商建议进行定期更换，却忽略了生产及环境条件对耗损速度的影响，导致以下两种情况经常发生，一是在太早更换零件，造成不必要的开销，二是太晚更换零件，导致品质受影响。MAO根据生产及设备状态资料、零件资讯，精准预测零件生命周期，在需要更换的最佳时机提出建议，帮助制造业者达到品质成本双赢。

　　第四、制程监控提前警报。制造业的制程参数相当多且彼此会互相影响，若是因为制程参数偏移而影响产品品质，工程师只能单一站点逐步追查，相当耗费时间，而MAO的做法是建立产品品质预测模型，找到最佳的制程黄金区间，一旦发现制程参数偏移到区间外，便即时发出警报，让工程师可以即时进行调整或其他决策。

　　第五、良率保固分析。对制造业者来说，产品良率过低或是出售后于保固期间内发生问题，不仅会增加成本，更直接影响企业形象与客户满意度。因此MAO结合生产设备、产品良率及维修保固相关资料，建立预测模型，以预测良率并降低保固成本。

　　Honda改善电动车电池寿命

　　目前，IBM MAO在全球制造业的应用相当普及，汽车业便是其一。像日本汽车业者Honda便应用在电动车电池上，因为电动车不像汽车或油电混合车一样，可以使用汽油做为动力来源，其唯一的动力就是电池，所以Honda希望进一步了解电池在什么情况下，绩效表现最好、使用寿命最长。

　　透过IBM MAO解决方案，让Honda可以搜集并分析车辆在行驶中的一些资讯，如：道路状况、车主的开车行为、开车时的环境状态等，这些资讯一方面可以帮助业者预测电池目前的寿命还剩下多长，以便即时提醒车主做更换，一方面也可以提供给研发部门，做为未来设计电池的参考。

　　BMW降低80%零件报废率

　　德国汽车业者BMW则是应用大数据分析，在短短12周时间内降低80%的零件报废率。一台汽车需要的零件有很多种，其中一个是与引擎结合的引擎上盖，过往，BMW要等到最终引擎组装阶段，将引擎上盖组装完成后才知道这个零件能否使用，如果不能使用就只好将整个引擎报废。

　　而导入IBM MAO解决方案后，在引擎生产线上就可以做即时的监测与分析，倘若品管没有问题则直接进到最后的组装程序，但若零件品质不好且无法修补则直接报废，或者零件品质不好但能经过其他方式修补，则于修补后再度进行品管测试，借此提高生产效率、降低报废率。

(责任编辑：风云网络)