汽车工厂物流数智化的本质，就是通过数字化手段实现物流智能化。汽车工厂物流数智化发展的基础是数据，在物流数智化发展中需从业务痛点、场景需求出发，并重点关注物料筹措、物流规划、物流IT系统等关键业务场景的数智化改善。
“数智化”主要是利用先进的数字技术、智能算法以及智能设备，对企业的业务流程、运营模式、决策机制等进行全面升级和创新，旨在实现更高效、智能、精准的运作。
总体来看，数智化涵盖数字化与智能化两个方面。其中，“数字化”是指将传统业务、生产和管理等活动通过数字技术转化为数字形态的过程，这一过程使企业能够更高效地获取、处理和共享数据，进而提高生产效率和管理水平；“智能化”则是在数字化基础上，利用人工智能技术对数据进行分析、挖掘和处理，以实现业务自动化、流程优化、智能决策等目标。智能化可以使企业在数字化基础上进一步提升生产效率、降低成本、提高管理水平和产品质量。
汽车工厂物流数智化发展思路
汽车工厂物流数智化的本质，就是通过数字化手段实现物流智能化。一是通过实现物流全系统数字化，应用各种数据采集手段和方法，建立物流大数据，并借助大数据、云计算、人工智能等技术，使物流系统能够感知各操作环节的状态，实时分析物流业务状态，从而具备科学决策和精准执行的能力。二是通过数字化模拟建立业务模型，导入各项业务流程节点的标准数据，再现人类智能，实现智能的数字化，并将其应用于系统决策与运筹。因此，推进物流数智化有两个关键要素：数据和场景。
汽车工厂物流数智化发展的基础是数据。汽车物流的数据尤其庞杂、散乱，分布在工厂的各个环节。根据数据特性及治理方法的不同，可对数据进行分类定义，如内部数据和外部数据、结构化数据和非结构化数据、元数据。其中，结构化数据又进一步划分为基础数据、主数据、事务数据、报告数据、观测数据和规则数据。不同类别物流数据的特征不一样，其治理方法、治理周期、治理难度也不同，因此要实现物流数智化转型，首先要对物流数据进行分类管理。
同时，汽车工厂物流数智化发展，需要实现“数据自动采集+数据管理”。在汽车工厂运转的过程中，物流相关数据会出现在设计、工艺、制造、仓储、物流、质量、人员等各种业务数据中，这些数据可能分别来自ERP、MES、APS、WMS、QIS等应用系统。需要及时采集产量、质量、能耗、加工精度和设备状态等数据，并与看板、工序、作业环节等进行关联，以实现物流作业过程的全程追溯，以及物流数据的全场景覆盖实现全业务数字化。
亟需数智化改善的关键物流场景分析
总结过去几年汽车工厂的数智化转型经验，从制定转型战略，到逐块、逐个项目、逐个阶段地进行数智化改造，我们可以发现，数智化的落脚点大都是落在业务场景中，且是无数个串联的场景。其实，这些场景就是汽车工厂数智化转型的重要抓手。汽车工厂的物流数智化转型，最好是从某些业务痛点、某些业务场景需求出发，这样转型成效才能在较短期内得以体现，帮助企业在漫长的马拉松长跑中树立自信心。
下面我们将分别从“物料筹措、物流规划、物流IT系统”三方面来分享一些思考。
1.物料筹措阶段的关键场景
（1）批量生产阶段物料筹措场景
图1是一张典型的物料筹措的作业过程图，计划一旦调整，原有有序的物料筹措就会被打乱成无序的状态。
图1 物料筹措场景的作业过程图
目前，多数汽车工厂还是采用计划员人工下发采购订单的方式，建议通过系统根据生产计划自动下单，特殊情况靠人工来做补充、紧急订单，同时增加物料关键数据的维护岗位。
（2）试生产（慢装车和TTO）阶段零件批次管理场景
试生产阶段，包括慢装车和TTO（Tooling Try Out，工装验证），是用量产模具制造的零件，在最终生产地启动装车，同时检验单件及总成工装设备的功能，以便确认工装设备、检验流程及设备的过程能力。此阶段零件经常需要设变，因此最重要的是对零件批次进行有效管理。图2是某车型制动踏板的要货计划。
图2 某车型制动踏板要货计划
实际上，从合理的角度来看，应根据零件的包装情况、装车计划，以及供应商的生产情况来统筹确定批次，而不是单纯根据主机厂的装车计划。因为如果没有变化，供应商很可能一次就会生产出来慢装车、TTO阶段的所有零件。这种情况下，尽管供应商根据主机公司的要货批次进行送货，但实际上这些零件属于同一生产批次。原本，批次是指零件的生产情况，现在很多时候，要货的批次和供应商的生产批次被混淆了。为提高管理精度，现场工作人员经常被要求划分更小的批次，这给供应商和物流现场管理带来不必要的混乱。
主机公司内部对零件批次管理的职责分工进行梳理和明确。在此阶段，质保部门应根据研发部门对零件质量的要求，指导供应商进行修改并重新生产。质保部门在确定零件的质量状态后，给供应商分配新的批次号，供应商则按质保要求进行生产。然而，现在很多时候，尤其是这个阶段，各部门介入的深度不同，系统维护和支持可能不到位。同时，物料筹措又不能耽误装车进度，因此物料筹措人员只能按装车计划进行批次划分。这样做带来的问题是，物料筹措人员无法根据零件批次号来区分新旧零件，且零件的变化有时无法人工识别，导致装车零件批次混乱，给后续量产带来诸多问题。
零件管理实际上是物流业务场景中极为关键的一个环节，也是基础管理很薄弱的环节，并且经常会影响物流规划方案的准确性。零件筹措工作不仅包含上述内容，还要确保账实相符，这些都亟需通过数智化转型来提高管理效率。
2.物流规划阶段的关键场景
物流规划是物流数智化转型的核心，没有完善的物流规划方案，即使在局部投入了自动化设备，也难以达到预期使用效果。常见的情况是，企业虽花费高额投资引入自动化立体库和自动化拣选等设备，但使用一段时间后就逐渐处于闲置状态。此现象并非偶然，在多家主机公司均有出现。究其原因，主要在于前期物流基础信息维护不及时，归根结底是物流规划考虑不充分。
（1）新工厂物流规划要综合考虑多维度要素
相较于以往的物流规划，在数智化发展的新要求下，在制定规划方案时，需要从多个维度进行考虑：
①物流模式多样化：综合考虑物流效率，密切贴合工艺布局，因地制宜采用批量供给（优先）、准时化、顺建、SPS等内物流方式，并推进订单分割、循环取货等外物流方式，多种物流方式有机结合，共享数据平台，精细化各自流程，打造“最短周期”的物流模式。
②物流包装标准化：建设统一的“零件级”内外物流包装标准，综合考虑成本、品质、人机工程，体现多个基地共享的包装标准，降低综合物流成本。
③信息建设智能化：物流数字化系统智能升级，通过仿真模拟、智能码垛、综合调度等，深入研究逻辑及算法，以应对条件繁多、变化频繁的物流场景，实现“自己会计算”的物流数字化。
④自动设备协同化：传统的牵引车/料架，与物流前沿技术有机结合，通过自动立体仓库/货柜、AGV、立体库与牵引车/叉车高效协同，实现物流资源优化，降低人工成本。
（2）新工厂物流规划要应用数字化工具，利用仿真建模提高规划的准确性
图3是根据个人应用仿真模型的经验总结出在规划不同阶段对仿真建模的工作要求，供同行们参考。
图3 规划不同阶段对仿真建模的工作要求示意图
图4是典型的工厂规划到量产的工作过程图，以及工厂建设的不同阶段对仿真工具的应用。
图4 工厂规划到量产各阶段仿真工具的应用
（3）各类型车间物流方案规划中重视自动化设备合理应用
以总装车间为例，前面已经介绍了规划方案的重要性、需要考虑的主要维度，以及提高规划方案准确性的方法和工具，这些都是为了制定高质量的规划方案。在拥有高质量规划方案的基础上，我们此时导入自动化物流装备。在应用新装备后，我们对物流规划方案进行重新梳理和调整，这时物流新装备的应用与规划方案的契合度将会提高。
我们需要重视物流新装备的应用。例如，零件自动验收系统可以完全替代人工验收，从而提高验收效率，降低人工成本；基于器具上的RFID标签，对器具进行全过程管理，提升器具管理水平；通过中小件自动化立体库存储的应用，可以有效节省仓储物流面积，提高拣选效率，减少工作人员；此外，使AGV自动配送系统与备货缓存机构、上下线机构、SPS随行链完美结合，与生产主线实现无缝衔接，从而达到全过程SPS料车无人化自动配送。
在总装车间中，从卸货口、缓存区、配货区再到产线的全过程中可能会使用到的新物流设备，如图5所示，供大家参考。
图5 总装车间全过程中常用物流设备
在大多数工厂总装车间中，都会存放从物流中心转运来的零部件，并在车间内形成二次库存以保证生产顺利进行。然而，车间内物流智能化水平却参差不齐。为优化物流流程，可以根据需要采用AGV进行转运，将适合输送线直接上线的轮胎、座椅、油箱、发动机等直接从卸货口输送到车间线边；由于车间线边面积紧张，随着车型品种增加，线边压力也会增加。因此，采用顺序供货的方式可以有效缓解这一压力。同时，如何实现顺序供货的自动化，或者借助助力设备减低劳动负荷，都是我们在数智化提升时需要考虑的问题。
（4）物流规划细节需要数字化工具的支持
包装设计、器具投入的数量等等，对于物流的重要性不言而喻。在数智化转型过程中，企业需要在这方面投入足够的人力、物力来建设并维护相关标准。同时，各企业应根据自己的特性和需求，建设专属的规划工具平台，并通过数字化工具来快速完善物流规划细节。
在某一具体项目中，我们建立了器具流量与生产计划进度的关联性模型，通过深入分析器具流量来有效判断设备能力。图6是供货器具量的按照生产时间进度的峰值分析图。
图6 供货器具量的按照生产时间进度的峰值分析图
根据仿真输出数据，我们发现供货峰值通常只是短时间存在，并未出现长时间波峰波谷现象。针对短时间峰值，我们采取了提升设备利用率的应对措施，以确保在一瞬间峰值后的波谷阶段能够平均分配设备的输送需求。而对于可能出现的长时间峰值，我们则通过开启机构双模式来应对，即切换机构状态优先输送满箱，并利用缓存面积来暂存空箱。在波谷时段，再切换至返空模式，统一处理空器具的输送。这样就可有效避免盲目增加设备。
仿真的具体细节规划能力在多方面都能提供有力支持，包括关键设备能力的校验、厂区物流流量流向分析，以及厂区道路交叉口能力判断。然而，这些仿真工具的应用需要结合各公司的基础管理情况来进行应用。
3.物流IT系统的升级发展
物流IT系统是整个物流运作的神经中枢，对于智能工厂内的物流而言，其关键在于实现有效的物料管理、科学的物料上线流程，以及物料与工位的智能化匹配。这可能涵盖智能收货与检验、厂区内部的智能仓储系统、仓库管理与控制系统、智能输送及与工位无缝衔接（特别是与智能制造设施的对接）、条码/RFID（射频识别技术）数据识别、智能单元化包装（需与机器人系统对接）、自动化装配技术、工位物料管控与双箱制拉动、空容器回收、不良品处理、订单尾数处理、成品包装下线以及制造过程数据化追溯等。基本的IT系统构成，如图7所示。
图7 IT系统构成
未来的IT系统架构构想，如图8所示。各主机公司可以根据各自的实际情况，分阶段来实施阶段完善方案。
图8 未来的IT系统架构构想图
第一阶段前提/环境：各物流系统和硬件设备对物流中控系统开放接口，同时熟悉各系统和设备的核心业务数据；目标：获取各物流系统和硬件设备的业务数据到物流中控系统，在物流中控系统能够展示各系统的数据。
第二阶段前提/环境：理解不同软件系统和硬件设备业务数据的关联关系；目标：在物流中控系统能够展示多系统和硬件设备的前后顺序及关联关系等。
第三阶段前提/环境：结合各工厂各车间对业务难题进行总结分析，对影响物流效率及成本问题进行汇总集成；目标：形成车间物流业务的统计分析及业务指标，指导车间改进物流规划。
面向未来的物流场景数智化转型之路
1.准确判断目前物流业务的智能化状况
为更准确地判断物流业务的智能化状况，应对具体工厂物流全过程作业进行智能化诊断，分析自动化应用情况，并根据实际需求提升自动化水平。图9是智能化诊断示例，可供参考。
图9 智能化诊断示例
2.把握工艺方向、生产组织等和物流业务密切关联的要素的技术变化
装配工艺是核心，物流应为其服务，生产工艺的变化对物流方案的影响巨大。原来的连续生产线，随着小批量、多品种的需求增加，慢慢转变为岛式装配理念。工厂应结合生产工艺流程和精益物流管理思路，采用岛式单元布局，以AGV为转运载体，以桁架机械手、关节式机械手为主要装配方式，采用MOM系统与产线PLC进行智能交互控制，以实现产品的智能装配。
3.精准、预见性的物料筹措
物料筹措的准确是基础。应利用大数据分析技术辅助业务人员提升销售预测的准确性。建议提前开展M+3月度销售预测，并按周滚动更新，以提升销售预测的预见性。基于基础车型和选装包的数据模式，描述销售预测结构，并进行物料筹措。同时，物料筹措的业务管理方式与新的订单交付方式进行匹配，建立明确的订单池管理规则，以提高需求资源管理效率，改进销售需求预测周期和滚动频率，在物料需求中心中重新定义物料筹措周期，并基于APS排程的顺序计划计算物料需求，并按供货周期向供应商发布。
4.基于供应链管理来推动调达物流场景的变革
供应链是平台，制造企业是平台上的一个个标准化流程模块。如今，制造企业的竞争焦点已经从产品和生产为主，转变为满足顾客需求为核心的供应链管理模式之间的竞争。为了在竞争中脱颖而出，制造企业必须与供应商、分销及零售商紧密结合，确保以比竞争对手更快速、更优质、更有效地响应市场，并满足顾客多变的需求。调达物流是一种基于及时生产 (JIT) 思想的汽车零部件采购入厂物流方式， 以“零库存”为目标， 主要采用三方物流循环取货和供应商同步直供的方式。调达物流的成功应用，可以降低整个供应链的物流成本和库存成本， 缩短交付周期， 提升整体竞争力。应从入厂物流、生产物流、销售物流的角度，调查分析全供应链物流成本，找到痛点并持续优化。针对批次信息化问题，应用数字化手段开发零件批次管理系统，实现批次信息无偏差和变更状态可追溯。同时，建立供应链的监管平台也十分重要，如图10所示。
图10 供应链管理平台主要功能
5.基于全过程车身数据RFID采集，为物流整体运营提供准确的信息
目前各车间通过人工扫码获取车身数据，数据不是自动获取。例如焊装车间通常在车架上安装一维条形码标签用并使用条码扫码枪来读取数据，主焊滑撬循环使用RFID标签并由RFID读写器读取数据。这样导致各车间数据规则没有统一定义，产品规划车型设计没有统筹考虑数据采集应用需求而预留孔位，各数据采集系统与MES/控制层系统分别进行通讯，功能区别不是很明确，带来各种数据混乱、不准确。基于电子标签，实现车体跟踪功能、装配防错功能、质量监控设备自动化功能、翻转机车型自动识别功能、工艺展示以及准确的物流作业信息。物流配送需要准确的知道实时车体上线顺序、实时指导拉动厂内物料配送、精准锁定物料订单批次，随着产品个性化需求的不断提高，急需建立全过程车身数据RFID系统，图11是基于全过程车身数据RFID采集示意图，供同行参考。
图11 基于全过程车身数据RFID采集示意图
6.重视物流数据维护、采集与管理
数据是物流数智化转型的基础，在物流规划和方案实施过程中，最让物流规划人员无助的就是基础数据问题。笔者曾经参与一个项目，物流数据竟然达到3万多条，其中一大半是长期没有处理的垃圾数据，还有包装信息不完善、车型信息不准确等各种状况，所以各汽车主机厂一定要配置专门的岗位、人员进行物流基础数据维护。
此外，需要建立数据管理规范，来保证数据的一致性和准确性，还要预先考虑好数据采集的接口规范，以及SCADA（监控和数据采集）系统的应用。企业需要根据采集的频率要求来确定采集方式，对于需要高频率采集的数据，应当自动从设备控制系统中进行采集。
7.基于数据的数字化运营模式
在物流数智化转型过程中，企业会积累海量的数据，并会迎来爆发式增长。作为重要的数据资产，要想让数据真正产生价值并实现数字化运营，就需要采取一系列措施，如打破数据孤岛、确保数据源准确唯一、促进数据实时共享、保障数据隐私与安全等。
为解决业务找数据难、读不懂等痛点，对数据进行治理并构建数据中台是必经之路。通过数据治理可以实现数据的清洁与贯通，梳理企业的信息架构并提升数据质量，沉淀企业数据资产。数据中台包含数据湖和数据服务平台，各物流系统中经过数据治理的数据汇聚到数据湖中，此时数据为原始数据，需要将数据整理加工为业务人员可理解、可应用的信息，通过在数据中台中依据业务模型构建数据模型（多维模型、图模型、标签、指标数据）形成数据服务，业务通过订阅数据服务进行数据消费，从而避免传统数据集成方式带来的耗费成本高、上下游数据一致性差、准确性低等问题。实现业务感知、互联、可视，形成以数据驱动企业运营的模式。
8.积极应用仿真技术支持物流规划
物流规划过程中，应积极应用仿真技术。以基于仿真与数字孪生技术的工厂物流配送优化场景为例，基于汽车工厂总装车间某SPS分拣区新物流规划方案及实际生产和物流数据，应用基于离散系统仿真的数字孪生技术，根据工艺流程、物流逻辑和实际调度规则，建立产线和SPS分拣区的虚拟孪生线，进行SPS分拣区零件入库及出库过程的仿真实验，以预测SPS分拣区零件缓存容量水平，进一步可验证产能提升后分拣区零件货架规划的合理性以及优化AGV的配送方案。
通过实际验证，取得以下主要成效：一是，面向生产制造过程，针对生产运营中的产能预测、物流优化等场景进行基于数据驱动的实时仿真优化，建立基于离散系统仿真技术的数字孪生平台是最为适合的。二是，系统能有效地对库存水平、设备参数等设计指标进行验证与优化。同时能够校验输入数据的准确性和一致性，帮助发现信息系统数据维护和运营管理中的问题，协助企业进行数据治理，成为数字孪生应用的隐形功能。
物流方案规划及详细设计能力，是汽车工厂数智化转型的核心，前文关于应用仿真工具提高规划方案准确性阐述了很多观点，另外需要在此基础上进一步建立数据孪生的数字化工厂。
9.转变观念，重视人才培养
促进汽车工厂物流数智化发展，“转变观念”至关重要。需要高度重视物流，深刻理解“生产物流是工艺，生产物流工艺属于技术范畴（涉及节拍、设备、流程），而生产物流管理属于管理范畴”。并且，“解决物流问题需要系统工程概念”，要从供应链视角，对主机厂、供应商、销售代理商进行全面考量，要做到厂区内物流、调达物流，车间内、车间外的内外结合。同时，要将物流和生产管理结合考量，要将物流和生产工艺结合考量。要知道“物流的未来是数据”，物流整体智能化提升要基于数据，物流管理需要定量化数据。
长期以来，物流业务在整个生产和技术体系中处于“弱势”，因为一旦出现问题就会立即影响生产，但在投资上总是被忽略。一个新工厂的建设，对于冲、焊、涂、总的投资，各级领导都认为是必须的，物流相关投资却总会被要求削减、优化，而物流费用恰恰是运营费用的主要构成。
值得一提的是，对于物流人才的要求，其实比单一工艺专业要求更高。物流人才需要熟悉生产，了解工厂内几乎所有系统，熟悉各种自动化物流装备，具备规划能力，并且要了解现场。在不被重视的领域，又需要综合能力极强的人才，这导致优秀的物流人才极度缺乏，甚至很难留住人才。因此，在汽车行业转型和工厂物流数智化升级过程中，希望给物流人才更多支持，专业的事让专业的人去干。返回搜狐，查看更多
责任编辑：