降本增效背景下企業科研生產系統建設的研究與應用

彭新玲 吳艷林 徐永偉 徐克

[摘 要]在當前信息化快速發展的背景下，國內高端制造企業開始逐步探索從“制造”到“智造”的轉型，在企業管理、科研生產、產品質量等方面大量運用了信息化手段，綜合梳理現有的業務數據，構建綜合型的科研生產數字化系統實現降本增效。文章以某制造企業為例整合SAP ERP系統、TC PDM系統、MES系統、質量管理系統等業務數據，通過數據驅動方式，整體提升企業的財務水平和管理能力。初步探討和分析了在制造企業信息化中的應用，為后續企業推進信息化建設，實現高效運轉提供參考。

[關鍵詞]制造業;數據驅動;降本增效

[DOI]10.13939/j.cnki.zgsc.2021.27.067

1 引言

當前各高端制造型企業處于轉型升級的關鍵時期，正在眾多新領域進行籌劃布局，管理模式和產業發展都將發生深刻變革，充分發揮企業現有數據資源，優化企業科研生產調度管理平臺的建設與實施，在核心數據管理、業務運營精細化管控方面發揮著重要作用，是未來支撐企業經營、業務發展的重要基石和主要抓手，為企業科研生產中提質增效管理提供了有力支撐。

在經濟轉型過程中，在重視“制造”的同時，更需要重視“智造”，即使在現有技術水平和產品結構上，也需要控制、影響并拉緊整個供應鏈系統，優化資源在每個環節的配置，從而獲得高價值，而不是分散、孤立地對待每個環節。當前及未來幾年，制造型企業科研生產任務將長期面臨任務多、協調量大、各類資源沖突等突出問題，對科研生產基礎管理特別是對于任務的指揮調度提出了更高要求。[1]科研生產調度管理采用傳統低效的會議模式已不能適應當前的任務要求，迫切需要借助信息化平臺提升改進指揮調度的管理模式，提升科研生產管控效率和效果，實時掌握任務進展，獲取任務真實情況，明確分析任務數據，發現任務短板，制定可行措施，統籌資源，加強科研生產全業務鏈條的精細化管理，實現科學計劃、精準調度、快速響應。[2]

在此背景下，企業利用現有的信息化基礎，優化科研生產調度模式，建設數字化的科研生產調度系統勢在必行，更好的提高決策質量、增強信息傳遞的及時性、加強生產項目和實驗課題的生產過程管控、提升各鏈條協同作業能力。

2 科研生產數字化調度系統研究

科研生產數字化調度系統，是借鑒當今互聯網時代的“服務化、中臺戰略”等最新信息化建設理念，按照數據中臺建設四字要訣“匯管用評”，面向“智能中控、技術狀態管理、項目進度監控、經費執行預警、全面質量管理”等前臺多樣化業務場景。通過大數據、云計算、移動互聯網等新一代IT手段，從后臺的SAP ERP系統、TC PDM系統、MES系統、TDM系統、多項目管理系統、質量管理系統、主數據管理系統等專業系統當中，自動采集獲取科研生產全過程關鍵信息數據，提供采集交換、資產管理、建模存儲、分析計算與預測預警、可視化展現等核心能力，打通從數據資源到數據服務的全鏈路，[3]完成從后端專業穩定海量數據資源到前端友好易用可視化服務的流暢轉化，更好地支撐不同層次領導、不同部門對于科研生產業務全過程的智能指揮調度、業務優化與管理創新需求。[4]

3 面向全流程的科研生產數字化調度系統設計

3.1 總體架構

圍繞從項目立項、產品設計、產品計劃與生產、采購與庫存管理到產品交付的整個科研生產業務運行全過程，基于多項目、質量、主數據管理、TC、MES、TDM、SAP ERP等業務操作型系統，以產品BOM為驅動，通過SAP、TC、MES、財務共享等系統集成，將原先分散孤立的各類設計、工藝、生產、管理、成本等數據實現統一結構化管理，并在此基礎上實現業財一體化。

基于科研生產業務運行鏈條、數據流轉關系以及當前信息系統建設現狀，科研生產業務運行全過程實現可視化、穿透式管控、智能化調度，賦能業務創新、助力管理優化。

3.2 數據架構

科研生產數字化調度系統嚴格遵循國際權威組織DAMA國際數據管理協會所制定的《數據管理知識體系指南》以及相關國際標準，CCSA TC601 中國國家大數據技術標準推進委員會編撰制定的《數據資產管理實踐白皮書》以及相關國家標準，業內最佳實踐《數據倉庫維度建模權威指南》等專業方法論，圍繞科研生產業務運行全過程，根據數據來源及其用途，構建“垂直數據池，公共數據池，萃取數據池，應用數據池”。

3.3 功能架構

3.3.1 項目管理駕駛艙

項目管理駕駛艙是從項目進度、經費、質量、風險等多個視角切入，針對科研生產業務運行全過程，為高層領導提供“橫向到邊、縱向到底”的全局管控、指揮調度的有力抓手。

3.3.2 數據分析計算

集成SAS、SPC、Matlab、Hue、Zeppelin等數據分析挖掘工具。

支持批量離線計算（如MapReduce）、內存計算（如Spark、Ignite）、在線流式計算（如Storm、Spark Streaming、S4）等。

支持人工智能技術的應用，支持機器學習與深度學習算法模型的訓練工具（如Mahout、Spark MLib、Caffe）。

支持可視化交互式數據開發界面，支持RDS、Hadoop、Greenplum、Spark、Flink等計算引擎，支持SQL計算、Python腳本計算等，支持多種任務調度模式，將數據開發與管理過程流程化、標準化，降低數據開發復雜度，提高開發效率。

3.3.3 數據建模存儲

提供“集中管理、一致性哈希、增強型一致性哈希、CRUSH算法”等多樣化方式的元數據管理方式;提供“多副本管理、EC編碼、數據一致性模型、數據訪問本地優先、RDMA傳輸、節點數量變化導致的數據遷移再平衡”等高級功能。

支持對結構化數據進行分布式存儲，支持通過Web方式提供快速、標準的SQL查詢能力，并提供簡化的數據備份、恢復、擴展升級等日常管理功能。關系型數據庫相對于業務部門自建數據庫具有低成本、高效率、高可靠、靈活易用等優點，可以幫助企業解決費時費力的數據庫管理任務，使各業務部門有更多的時間聚焦到自己核心業務上來。