汽車制造業知識工程建設關鍵方法

楊虹

汽車制造業知識工程建設關鍵方法

楊虹

（上汽通用汽車有限公司，上海 201206）

文章通過分析知識管理與知識工程兩者概念的差異提出知識工程是企業在工程研發活動中建立的高效、精準、科學的知識共享、知識應用體系，是企業保持技術創新核心競爭力的關鍵。文章根據汽車制造企業工程研發活動特點和業務實踐總結出了知識利用流程化、模型分析工具化和軟件服務平臺化三大推進知識工程建設的核心方法。文章提出了以工業大數據應用和智能算法為技術手段的制造業未來知識工程發展趨勢。

知識管理；知識工程；企業架構

1 引言

在制造業中，知識管理是伴隨著工業3.0以標準化為核心的質量管理體系推進要求而建立起來的管理方法。在生產制造活動中企業能夠很好地通過管理流程、技術規范、作業指導、參考模板、記錄表單等信息，實現標準化、規范化的過程管理，從而達到保證產品質量的目的。

隨著工業4.0時代的到來，制造企業不僅要提高產品質量，同時也要在所有價值鏈環節的運營管理活動中提高效率、降低成本、創新迭代，才能不斷滿足客戶和利益相關方的需求。因此，企業在以工程技術人員的經驗和創造力為主體的創新研發活動中，如何對工程研發人員創造性的思維過程和成果進行標準化，建立一套高效、精準、科學的知識共享、知識應用體系是其保持技術創新核心競爭力的關鍵。以知識管理為基礎、信息技術為核心、借助工程化的思想建立知識工程體系，是企業解決這一領域問題的必經之路。本文從知識利用流程化、模型分析工具化和軟件服務平臺化三個方面闡述了汽車制造業推進知識工程建設的關鍵方法。

2 知識管理與知識工程

在GB/T23703.1-2009《知識管理第1部分：框架》中對知識和知識管理的定義分別是：知識是通過學習、實踐或探索所獲得的認知、判斷或技能。知識管理是對知識、知識創造過程和知識的應用進行規劃和管理的活動[1]。知識管理概念模型中指出知識管理應根據組織的核心業務對知識開展鑒別、創造、獲取、存儲、共享和使用六個步驟的管理活動，并從組織文化、技術設施和組織結構和制度三個方面實施知識管理，具體見圖1知識管理概念模型。知識管理的實踐活動側重于專家或知識擁有者對知識本身的分類、梳理和總結，即從隱性到顯性的表達。

圖1 知識管理概念模型[1]

“知識工程”這個概念是由美國斯坦福大學計算機科學家費根鮑姆教授（Feigenbaum，E.A.）于1977年在麻省理工學院召開的第五屆人工智能國際會議上提出的。知識工程的研究對象是以知識為基礎的智能軟件系統，是管理科學、信息技術與工程應用的交叉融合[2]。相對于知識管理，知識工程側重于將已抽象提取的知識通過IT技術手段轉化為可供人方便使用的系統化工具，從而實現對知識工作者的賦能。它要解決的核心問題是如何將知識最大程度地共享和高效利用，即從知識到智能的轉化。知識工程與知識管理的主要區別見圖2從知識管理到知識工程的轉型升級。

圖2 從知識管理到知識工程的轉型升級

3 知識工程建設關鍵方法

上汽通用汽車有限公司作為國內汽車研發制造頭部企業之一，多年來從企業文化、戰略規劃、流程制度、組織保障到信息技術等方面都非常注重知識工程實踐。整車制造工程部作為連結產品設計與生產制造的工程開發核心技術部門，自2016年開始就緊密圍繞智能制造總體戰略制定了以“提質增效、智能敏捷”為目標的數字化環境建設及數字化能力提升規劃藍圖，經過五年的實踐，已取得了一定成果。本文即以整車制造工程部的具體實踐活動為例，說明汽車制造企業推進知識工程建設的關鍵方法。

3.1 知識利用流程化

知識工程的基礎是知識管理，兩者都需要建立知識庫。知識管理的建庫方法通常是由業務專家把各類知識按照其本身的屬性來分類梳理，并以文檔的形式存儲和利用。如：體系流程、管理規范、專業技術等。其中專業技術類還可以再按照專業領域進行細分，如：沖壓工藝知識、焊接工藝知識、裝配工藝知識等。工程研發人員在使用的時候需要先熟悉知識分類目錄，并按照目錄查詢才能檢索到所需要的知識。

知識工程所需要的知識庫并不需要以知識本身的屬性來搭建，而是要以分析業務流程為起點，從任務單元出發，逐步梳理每個節點的任務描述、角色分工、輸入/輸出、作業指導、規范準則、檢驗標準、參考模板、經驗教訓等，建立與完成此任務關聯的任務節點知識庫，見圖3。任務單元在建立了任務描述知識庫后，進一步從信息系統需求分析的角度定義每一項任務輸入、輸出的數據屬性，數據結構、數據關聯以及執行此任務的判斷邏輯、算法模型，即可開發出對應每一項任務所需的IT支持系統或自動化工具。當各類知識以業務流程中的細化任務節點為載體并以軟件、工具進行邏輯、算法封裝時，工程技術人員在各項業務活動中可以方便地獲取并利用所需知識，從而大大提升工作效率和交付物質量。如圖4知識工程體系下的業務活動架構圖。

圖3 任務描述知識庫

圖4 知識工程體系下的業務活動架構圖

如當工程研發人員需要啟動產品同步工程工作任務時，他可以在一個工作任務系統中得到產品可制造性評估相關的完整制造要求知識庫，包含裝配順序要求、尺寸定位要求、焊接可達性要求、板材成型性要求等原來分散在多個專業領域知識文檔中的知識內容，而不需要去多個文檔知識庫中逐一查找。

3.2 模型分析工具化

整車制造工程的核心業務是根據產品設計輸入及生產制造需求完成新產品同步工程、制造工藝開發、工藝驗證、生產線工裝設備規劃實施和新產品生產啟動。全生命周期產品數字化模型及生產線制造資源數字化模型為產品和工藝開發提供了虛擬驗證的手段。經過多輪仿真優化的產品開發過程最大程度地減少了對實物驗證的依賴，大大縮短了開發周期。但產品本身數字化建模分析的過程中仍有需要花費大量時間的人機交互活動，如三維數模中的特征提取，參數設定，尺寸測量、規則判斷、結果輸出等。在這些需要人機交互的建模分析過程子環節，可繼續按照過程拆解的方法，把其中可以標準化的流程步驟、邏輯判斷和運算方法抽象提取出來，再通過特定的編程開發語言對原有三維數字化系統進行二次開發，形成基于知識工程的CAX系統工具（KBE插件）。研發人員使用該插件即可由系統自動完成一系列的分析過程，直接輸出定義好的分析結果，從而進一步提升研發工作效率。

如下圖5展示的案例是在沖壓工藝產品同步工程流程中需評估車身外覆蓋件（以前蓋為例）特征線上的圓角大小以判斷工藝實現可行性。傳統方法是需要靠工程師目視識別數模中的特征分界點，并使用UG軟件命令在分界點處測量弧長和夾角，手工記錄測量結果并輸入報告，根據工藝準則判斷并在報告中標識紅（特殊工藝）、黃（過渡）、綠（常規工藝）狀態。經分析此過程的方法完全可以通過使用Visual Studio編程語言開發的棱線連接、棱線和圓弧面的匹配、曲面識別、求交線、求交點、符合性判斷、輸出報告設置等標準函數來開發出KBE插件自動實現。使用KBE插件后的每個零件的識別過程從原來的平均45分鐘縮短到5分鐘，使工作效率大大提升[3]。

圖5 沖壓工藝零件特征圓角分析工具

3.3 軟件服務平臺化

知識工程建設可大幅提升企業管理、研發活動的效率和質量，但同時也需要IT系統的開發投入，故在企業的實踐活動中應對支持業務活動的IT需求進行整體策劃，分步實施，避免重復建設。TOGAF（The Open Group Architecture Frame -work，開放組織架構框架）是目前國內外最主流的企業架構分析方法，可用于完成企業IT系統整體規劃。借助TOGAF方法，企業或組織可以從愿景/使命，目標/價值出發，圍繞需求管理自頂向下、顆粒度由粗到細地逐層分解業務活動，建立起完整的業務架構。以企業架構方法梳理出來的業務全景圖[4]，不僅實現了對當前復雜流程業務的清晰知識表達和知識關聯，而且在面對未來不確定性的業務變革情況下，也能敏捷應對，快速完成新的架構迭代。另一方面，通過面向服務的架構方式（SOA，Service-Oriented Architecture）對IT系統需求進行聚類、整合、集成，可以開發出集成化的SaaS（Software as a Service，軟件即服務）平臺或專業化的SaaS應用[5]，這樣就可以避免IT系統的信息孤島、功能重復、利用率低下等問題。

圖6 使用ARIS軟件開發的業務全景圖示例

圖7 數據可視化中臺應用案例

隨著數字化和智能化的轉型升級，互聯網行業興起的服務中臺和數據中臺的架構思想已經在傳統制造業中越來越受到重視和應用探索。整車制造工程部也借助公司統一部署的商業智能（BI）類軟件Qlik Sense完成了貫通多個系統的數據可視化中臺建設。在未使用中臺建設之前，原有各系統中都已開發獨立的數據庫和數據展示報表，但各系統的數據無法實現跨系統關聯展示，并且當業務需求發生變化需要更改數據報表時，則需要對原系統中的數據展示界面重新編程開發，不僅每次都需要IT系統變更投入，而且業務部門使用起來也不方便?，F在借助Qlik Sense工具平臺，業務部門工程技術人員經過適當的學習培訓，即可快速、方便地連接各系統數據庫，形成一個數據湖，同時可以根據業務需求，靈活構建各種形式的數據可視化報告模板，并及時發布數據，見圖7。數據可視化中臺應用案例。

4 知識工程未來發展趨勢展望

隨著大數據與工業互聯網技術的日益成熟，知識工程的未來有兩大明顯發展趨勢：一是大數據為知識的積累提供了全新的手段；二是智能化將成為制造業未來發展的重點。

制造業的優勢是在生產制造過程中會產生包含人員、設備、物料、工藝、質量、能源/環保等類型的海量數據。通過對生產制造大數據的采集、存儲、分析和應用，不僅可以對生產過程進行提質增效的優化，還通過數據分析洞見出在早期產品研發過程中靠工程師的思維邏輯和經驗尚無法總結的隱性知識。所以將工業大數據充分應用于研發類知識工程建設，實現產品全生命周期的優化創新，是制造業未來可增值的方向之一。

在知識工程概念最早提出的時候，它本身就屬于人工智能的一個分支。數據挖掘和深度學習領域的各種智能算法為實現知識從信息提取、分析建模到決策評價的過程提供了智能化的技術解決方案。在制造業研發活動中，利用智能算法可以通過對已知結果的標簽處理來找到自變量和預測結果之間的規律，如仿真過程中的輸入參數與輸出結果之間的對應關系；還可以在已知規律和目標結果的情況下，在大量可能的方案中選擇最優解，如在一定約束條件下規劃最優的工藝方案。

5 總結

總之，制造業知識工程建設就是要把傳統的知識管理與企業自身工程技術優勢相結合，同時借助信息技術與人工智能來推動各項業務不斷創新和發展，從而提升企業核心競爭力。

[1] 中國國家標準化管理委員會《GB/T 23703.1-2009 知識管理第1部分:框架》,2009.

[2] 化柏林.論知識管理與知識工程的差異性及其發展.[J]圖書館雜志, 2008(11).

[3] 李麗芳,王燕,陳開朗,溫媛媛,郭杰.基于UG的汽車覆蓋件小圓角識別二次開發.[J]模具制造,2019(12).

[4] 金曄.企業架構助力業務流程管理.[J]時代汽車,2019,10.

[5] 田鋒.制造業知識工程.[M]北京:清華大學出版社,2019.

Key Methods for Knowledge Engineering Development in Automobile Manufacturing Industry

Yang Hong

( SAIC General Motors Co., Ltd., Shanghai 201206 )

Based on the analysis of the differences between the concepts of knowledge management and knowledge engineering, this paper proposes that knowledge engineering is an efficient, accurate and scientific knowledge sharing and knowledge application system established by enterprises in engineering R&D activities, and is the key to maintain the core competitiveness of technological innovation. According to the characteristics of engineering R&D activities and business practice of automobile manufacturing enterprises, this paper summarizes three core methods to promote the development of knowledge engineering, which are processes based knowledge utilization, knowledge based engineering tools and services based software platform. In this paper, the future trend of knowledge engineering development in manufacturing industry are pointed out, which are industrial big data application and intelligent algorithm.

Knowledge management; Knowledge engineering; Enterprise architecture

10.16638/j.cnki.1671-7988.2021.02.062

C36

B

1671-7988(2021)02-191-04

C36

B

1671-7988(2021)02-191-04

楊虹，就職于上汽通用汽車有限公司。