博世汽车｜百家争鸣 数字湖南——2021年度湖南省数字化十大优秀案例

一、公司简介

博世汽车部件（长沙）有限公司位于国家级长沙经济技术开发区漓湘中路26号，是德国博世集团于2004年11月15日注册成立的外商独资企业。公司占地面积22.8万平方米，现有员工超过4400人。

博世长沙作为博世电子驱动事业部在中国的最大投资项目，为博世汽车与智能交通技术业务研发、生产和销售各类汽车零部件，是世界上最富创新能力的汽车零部件生产商之一。公司主要产品包括汽车稳定系统和刹车防抱死系统用的马达、发动机冷却风扇、空调鼓风电机及风机、举窗电机、座椅电机、雨刮电机、雨刮连杆、雨刮片等。我们着重于为中国汽车市场研发、生产和销售有竞争力的产品。

博世是德国工业4.0战略的重要发起者，在工业4.0领域有着独特的定位，既是工业4.0解决方案领先的践行者，也是工业4.0解决方案卓越的供应商。公司是博世在全球范围内进行的100多个工业4.0试点项目工厂之一，同时博世长沙的工业4.0示范项目得到了省、市政府及长沙经开区的大力支持，是湖南首家工业4.0示范企业，近三分之一的生产线互联博世全球生产执行系统MES，2020年已完成100多条生产线的互联，成为博世集团在先进制造领域的标志性、示范性工厂。

过去6年，公司的智能化进程分为三个阶段，前两个阶段实现了产线互联、数据互联、智能化及透明化的物流，当前正开展的为第三阶段，主要建设工业4.0解决方案生态系统。

目前，经过三个阶段的改造，博世长沙的生产线已是焕然一线，工作效率大为提升，生产成本大幅降低。对比改造前，公司如今生产一个汽车马达，生产节拍由12.5秒降至7.5秒，一条产线所需工人从11人减至2人，产品平均合格率也由1000PPM提升300PPM——即100万个零件中，不合格品仅300个。

近年来，公司结合5G技术，又将生产线智能化改造玩出了“新花样”——建设5G项目。工程师戴上AR头显，在不干扰操作员、产线不停机的前提下，头显能对产线设备运行状态、产业工人操作姿态自动检查。这将是一个基于5G、AI，数据挖掘的解决方案，涵盖从产品设计到售后，原材料采购到产品交付全流通环节的生态系统。今年我们将完成15个5G应用场景的落地。

随着15个5G应用场景的持续推进，公司的智能化水平将稳步提升。预计到2023年，将实现工厂5G网络全覆盖，建设工厂、车间、产线、工作站四级数字孪生解决方案。

二、数字化转型方案概述

1 方案背景与问题提出

1.1博世长沙数字化转型升级背景

数字化是当前全球发展的最强驱动力之一。《中共中央关于制定国民经济与社会发展第十四个五年规划和二〇三五远景目标的建议》中指出要“锻造产业链供应链长板，立足中国产业规模优势、配套优势和部分领域先发优势，打造新兴产业链，推动传统产业高端化、智能化、绿色化”，同时还指出要“补齐产业链供应链短板，实施产业基础再造工程，加大重要产品和关键核心技术攻关力度”。新的时代背景下，数字工厂建设不仅决定了企业自身广利战略水平，也是影响数字经济、数字社会发展的关键变量。

1.2博世长沙数字化转型升级现状及问题

在数字化转型的浪潮中，博世积极投身于数字化的深度探索，在公司各个方面将数字化项目有序的推进，充分利用数字化的优势将其渗透到各场景应用中完成从量变到质变的蜕变。博世长沙目前在很多方面的应用都依赖于传统的工作、生产、管理、开发等工作有很多的问题急需找到有效的办法解决。

（1）当前的生产企业面临着很多的实质性挑战，在传统的生产制造方面已经走到了瓶颈期，在面对日益复杂的市场环境以及客户和供应链体系的多方面快速更迭，博世需要建立起一套从工厂建设到产品制造的全流程数字化的工业体系。数字孪生能够贯穿整个价值流，以生产过程数字化为切入点进行工业数字孪生的建设，搭建关键设备、工序和工艺过程（如机器人、视觉系统等）的数字化智能管理系统；聚焦产品生命周期、生产规划、生产执行等环节的数字化推进，从产品研发、设备设计、产线调试到生产运营，基于数字化协同开发平台，进行现场、云平台、数字化平台的通讯和数据实时交互，实现整个生产链的工业数字孪生。

（2）在针对生产维护的工业场景中有大量的维护管理工作需要大量的人力进行手动的操作，如备件的管理需要从维修团队到备件管理员再到SAP系统的多各环节进行繁琐的操作，同时不同的数据表格也有信息的不对等以及各操作流程的不通畅，导致备件管理的效率低，维修团队在更换备件时花费的时间长，也导致了生产停机长，产量受到影响。而且在备件库房管理中也存在和采购系统的信息比列，需要手动从其他系统中导出数据再进行筛选和人工校料，而且也无法快速实时的查看备件的安全库存。这些问题都急需通过数字化的技术进行应用的升级。

（3）博世拥有庞大的生产线以及种类繁多的工艺设备，这些设备每天都产生大量过程数据以及运行状态，目前很多老旧的设备并不具备完整的数据记录以及全方位的设备监控功能，更新换代就时当务之急，在新的项目中布局新的高端的生产设备能够为今后生产过程中提供更多有价值的信息，用于设备的维护、管理、分析以及改善，提高生产的效率减少报废和停机。同时在无法更换的旧设备上增加更多的探测终端模块以及数据采集模块，让设备的状态更透明化。有利于维持设备的健康运转。而且有大数据分析的加持，能够更进一步的提高设备维修的预警，同时针对产品的生产工艺也能够进行有效的控制，提高产品生产稳定性。

（4）生产管理任需要大量的纸质表格和文件并由人工进行管理，效率低同时造成大量的纸张浪费。生产管理流程中的很多环节需要人工进行记录、统计、审核、审批、发布、传递等工作，大量的信息流没有统一的流程和规则，各个部门有之间会有信息差，数据传递不及时，文档管理容易丢失和遗失，而且大量的数据报表无法同时展现，也带来了很多管理上的问题，如审批流程长、生产数据传递错误或不及时、无法同时追踪多个指标等等问题。生产运营管理中急需一个统一化的平台让每个生产部都共同使用同样的标准数据管理流程，同时保证数据源的多样性，强调在数据从点到面的宏观式管理模式，实现一点万象。

（5）生产加工工艺产生的大量数据主要靠工程师的经验进行分析和优化，改善升级的过程周期长，响应慢。通过目前能够获取的数据中多因子影响以及多变量多形态的变化方式无法通过传统的人工分析进行，如何进一步深挖数据之间的联系，有效的利用其能够带来的产品质量改善、失效比例降低、耗材的寿命延长等问题就需要一套完整的大数据工艺分析的平台，将所有的数据放入数据池中，通过使用各类不同的分析模型找到他们之间的关联性和指向性，工艺专家通过数据分析的结构能够更快更精准的制定优化的方案找到问题的症结。

（6）目前产线大量的人工进行外观的目检，同时目检的结果没有实施的数字化的记录和追溯。目检员工同时需要兼任其他的工种，在任务分配中会有人力的浪费。同时目检的检测结果无法有效的做数据记录。博世长沙在工业4.0以及工业互联网的项目推进中已经实现了全自动生产线的稳步推进，但是在产线的最后目检工位任然需要人工进行外观的检查，在生产效率大幅提升、数字化、大数据分析等技术更迭的时期，博世长沙需要开发一套能够替代人工的检测系统。

（7）博世长沙自动化生产线部署了大量的机器人设备完成各项安装、搬运、加工等工作，当前的机器人设备故障维护及管理都是人工处理，对于机器人内部的参数数据没有有效的收集和分析利用。机器人的运行维护还包括安全的保障、备件的寿命管理、维修预测等都需要平台化系统化的管理。

1.3博世长沙数字化转型升级的必要性

我们将通过设计工厂运维数字化系统、建立大数据分析中心实现数字化转型升级，从而降低运营成本、提高生产效率、降低产品不良率，达到“降本增效”，实现可持续发展。

（1）降低运营成本

①本项目通过部署各项数字化升级减少了运营成本：车削及传动设备运营成本、焊接设备运营成本(损失/维修/报废等)、远程维护成本。

②通过引用数据孪生技术在新项目开发阶段提升工作效率20%

③通过使用数字化生产管理节约成本

④本项目使用数字化备件管理平台来降低成本

⑤使用机器人管理平台降低维护工作时间147小时/年，减少技术损失82.8小时/年

（2）提高生产效率

①本项目通过引入数据管理平提高生产效率2%

②本项目通过使用智能数字化备件管理平台提高备件管理效率30%

（3）产品不良率

通过使用大数据工艺分析平台，产品不良率下降5%（改善前的产量/改善后的产量）

2 工厂运维数字化系统

2.1 数字孪生

平台设计：

（1）以西门子PS和MCD为开发平台，完成工站的三维场景搭建，并依据实际场景部署物理场。

（2）对设备机械动作及电气设计进行仿真验证，并通过OPC-UA导入PLC程序进行虚拟调试。

图1现实对象同步虚拟对象

（3）基于数据分析平台，形成线上/线下数据实时交互和智能决策，实时执行现实虚拟协同，提升智能化决策和部署能力。

（4）基于数据分析平台，形成线上/线下数据实时交互和智能决策，实时执行现实虚拟协同，提升智能化决策和部署能力。

案例：

（1）搭建数字孪生模型，定义机电属性，设置动作序列，并与实际的工作流程及速度保持一致，本案基于SIEMENS NX MCD平台：

（2）创建I/O信号并配置，信号互联，虚拟的HMI / 现场的实际设备能够驱动孪生模型进行运动

图2 数据通讯接口

（3）虚拟调试/ 孪生设备能够根据现场设备全自动联动，且可远程（如在办公室）：

图3 实时联动

（4）设备校验导引

①HMI上设置换型的按钮；

②数字孪生端与HMI上的按钮信号联通；

③HMI每点击一步，就在数字孪生端进行相应步骤的视频演示，并带文字提示；

图4 校验引导

（5）设备故障诊断与维护智能导引

设备故障时，MCD收到故障代码，根据设定好的代码解析文字与零件进行闪烁。

（6）数字孪生端进行前工序造成本工位不合格品的预测提示（基于大数据智能分析）

①根据现有的经验，本工序的检测结果异常或即将超差，是前面某工序造成的，固定的规则在数字孪生端进行可视化提示。

②暂无现成经验，则通过数据积累与智能分析，找出本工序结果参数与前面工序的对应关联，并不断迭代优化，预测提示通过数字孪生生动、形象、准确的可视化(有的可直接在孪生端进行参数的实际调整)。

图5 数字孪生数据分析

2.2数字化备件管理平台&智能图像识别

Spm系统主要分为，pc web展示层，手机接口层，手机web移动端展示层。功能及交互实现的方式，pc端与接口端公用一个sqlserver数据库，进行数据的交互和使用，手机web移动端与手机接口层进行数据交互，接口层将数据存储在sqlserver数据库中实现，pc端与手机移动端的交互使用。

（1）系统拓扑

图6 系统网络拓扑结构

（2）软件拓扑采用标准的三层架构进行搭建

（3）接口

SPM 系统需要与外部的SAP，AI vision platform 进行数据交互，同时还需要预留接口用于开放数据给其他系统。

图7 接口

（4）成果

①软件功能：

a.实现手机端的备件追溯功能，支持拍照追溯、按产线/设备追溯、按规格/型号追溯、按图纸号追溯、按备件名追溯、按物料号追溯等7 种追溯方式；

b.实现手机端的领料申请、退库申请功能；

c.实现手机端的消息提醒功能且能自动触发提醒至对应用户手机端，消息提醒的内容包括：领料审批提醒、退库审批提醒、回填PMO 号提醒；

d.实现备件库领料、退库消息提醒的Dashboard 且支持出库、退库、电子签名领料功能。其中，对于有SAP 号的物料，能够为其生成出库、退库二维码；

e.实现PC 端的系统管理功能，包括系统主数据维护、权限管理、账号管理、操作日志管理。其中系统主数据维护，针对有SAP 号的物料，实现自动/手动同步SAP 数据。

②软件性能

a.支持的并发用户数不小于1000；

b.服务器端响应时间<2s;

c.资源利用率：服务器CPU 占用率<20%，内存使用率小于150M。

③应用成效

a.实现备件管理流程的无纸化，提高工作效率，解决现有纸质管理方式效率低的问题；

b.用智能输入手段代替人工输入手段，解决现有人工输入工作量大，出错风险高的问题；

c.通过人工智能的方式进行备件全生命周期数据的快捷追溯，解决现有传统方式在SAP 中进行数据追溯效率低的问题；

d.解决依据备件管理员经验设定安全库存的方式，通过大数据分析手段，优化安全库存设定值，降低库存成本；

e.减少备件异常消耗引起的产线停机。

（5）智能图像识别

①系统软件总体架构如图9所示，包括核心框架、应用平台和Web服务。

核心框架：基于Pytorch、TorchVision开发的面向识别的深度学习核心框架，包括模型库、评估指标、数据解析、图像增强、常用工具。

a.模型库：集成了VGG、ResNet、PyconvResNet主流深度学习模型。

b.评估指标：Top1、Top5准确率计算。

c.数据解析：包括数据集记录文件解析、图像解析和自定义图像数据集。

d.图像增强：包含随机裁剪、水平翻转及亮度、对比度、饱和度修改的图像增强流水线；随机裁剪-拼接（RICAP）增强。

e.常用工具：json文件读取与保存、日志记录、平均统计函数。

应用平台：在核心框架基础上开发的一套训练与识别算法，包括模型训练、图像识别、数据扫描、训练控制。

a.模型训练：提供包含数据集加载、数据增强、网络损失函数计算、网络优化的一套自动化训练流程。

b.图像识别：提供包含图像解析、数据预处理、模型预测、识别结果转换的一套自动化图像识别流程。

c.数据扫描：提供一套从原始图像数据集创建训练图像数据集、划分数据集的处理流程。

d.训练控制：提供暂停训练、恢复训练、终止训练的模型训练控制接口。

Web服务：基于Django框架开发的Http接口，实现服务请求处理。Django服务器接收到服务请求后，根据请求URL自动调用相应的业务。

图8 软件系统总体架构

软件功能:使用手机在博世长沙工厂内任意一条生产线附近区域拍摄备件图片；备件来自生产线设备。图片通过手机SPM web端上传至视觉处理及识别平台,图像识别软件将图片发送至产线名称对应的算法模型内，并触发算法运行,将识别的结果按照SAP物料编号规则反馈到指定数据接口,最终通过将识别出的备件信息显示在手机SPM web端。

2.3 生产设备工艺数据采集分析

博世和湖南大学合作开发了一套基于磨削工艺分析模型，可以通过分析磨具的磨料配方、浓度、孔隙率，静态与动态磨削参数：如砂轮与工件的接触弧长、砂轮有效磨刃数、未变形切屑厚度等，研究磨削加工中输入条件（工件几何形状、砂轮型号、加工工艺参数、磨削液牌号等）与输出条件（表面完整性、亚表面损伤、砂轮磨损、磨削效率）之间的关系，优化微电机轴的磨削工艺。

依据砂轮磨粒尺寸分布与出刃高度的统计分析结果，基于未变形切削厚度模型，结合无心外圆磨削加工原理及运动分析，建立表面粗糙度预测模型；设计正交工艺试验，分析磨削加工参数对表面粗糙度的影响，并对表面粗糙度预测模型进行验证。

分别针对：

NORTON/ASA100JV127

NORTON/ASA120JV127

NORTON/3NQS120LVH

CBN四款砂轮开展磨削性能评价试验，以磨削力、磨削温度、表面粗糙度、表面微观形貌及亚表层损伤为评价指标，对比分析上述四款砂轮的磨削性能。并根据研究结果建立并验证磨削热预测模型。

2.4数据平台

通过Master Data、Shift Meeting、Reporting、System Config实现数据结构标准化、生产记录及时录入以及数据安全保障。

图9 平台界面

为了确保良好的用户体验，软件在界面设计，交互设计方面应确保满足一致性，模块化，易理解，软件在界面设计，交互设计方面应遵循的要求和规则主要包括两部份：通用要求、该软件的特殊要求。

3 大数据分析中心

3.1 博世大数据分析中心实验室

该大数据分析中心能够收集并存储50%以上的生产相关数据，涵盖了公司的四大生产单元及质量、物流、销售、工程等部门的大多数数据。通过该平台，数据科学家对这些数据进行转换、清洗、降维、分析，并建立算法模型，最终将数据知识挖掘展示出来，并应用于公司实际运营中。

该数据中心平台，通过物理架构的搭建，以5G技术为基础，接入工业传感器、历史数据、系统数据等企业生产运营过程中的各种数据，对数据进行传输、存储和处理，应用各种人工智能的先进算法，以科学全面客观的分析结果指导企业进行决策，最大程度上优化价值流上的各个环节，从而实现降低生产成本，提高运行效率，整合优势资源，推进工厂的数字化和人工智能。

图10整体架构图

3.2生产工艺大数据分析

（1）绕线张力自调整技术

完成张力和质量预测模型建立。开发了静态张力自调整系统，减少换型损失3%；动态张力实时调整，减少产品质量损失1%，减少生产浪费。

（2）焊接设备数据优化分析

本项目的焊接设备数据优化分析针对博世长沙的电阻焊焊接设备，其功能模块图如下所示：

图11焊接设备数据优化分析功能模块图

拟采用三层架构进行实现：

在设备层，通过力士乐PSI6000控制器实现焊接过程电流、能量的精准控制。

在数采及监控层，采用BOS6000实现对电压、电流、电阻、热量等焊接过程数据，焊接报警数据，控制模块参数设定数据的实时采集与监控。

在模型优化层，1）整合并存储来自全厂各个焊接设备的数据，实现焊接设备运行状态、报警状态及参数设定状态的可视化呈现；2)通过焊接质量趋势预测模型，在出现焊接不良品前进行逐级预警通知，并结合基于机器学习的焊接参数自优化模型，实现UIP和PSF公差带的自动优化，进而对焊接过程中电阻和热量值作出自适应的实时调整，实现焊点质量的精准闭环控制，减少了焊接飞溅；3）考虑离线的拉拔力测试数据，分析，同时根据博世标准，实现设备过程能力分析CMK/C。

根据博世长沙产品生产的工艺流程，完成焊接的半成品需要经过若干后续加工工艺形成成品，然后在下线之前才进行成品性能测试，判断是否为合格品。其中，测试指标焊接电阻则与焊接过程密切相关。由于一个产品有多组焊点数据和测试数据，且焊接数据和测试数据分布在不同的加工环节，因此，在获取模型训练数据池之前需要对焊接过程数据和性能测试数据进行一一匹配。这里主要通过产品二维码来实现数据匹配，其过程如下图所示：首先当产品达到焊接工站时，通过扫码器扫描产品二维码并获取产品ID发送至MES的DDL模块；其次当焊接结束之后，焊接控制器通过MES 的SDK将焊接电流、焊接时间、焊接动态电阻、焊接电压、焊接功率、焊接热量等84个过程数据发送至MES的DDL模块，并完成产品ID和焊接数据的一一绑定。接着当该产品完成加工到达性能测试工站时，也会通过照相机扫描产品二维码获取产品ID号，并将测试结果和产品ID一起发送至MES 的DDL模块。最后在MES中，根据产品ID号完成焊接数据和测试数据的一一匹配，并且完成匹配的数据将才会存储在焊接设备数据库中，形成模型训练数据池，用于质量预测模型和参数自适应优化模型的训练和更新。

对于在模型池中的数据还需要进行相关性分析。基于工艺专家的经验，初步筛选出iActual2,voltageActualValue,pha2等与电流，电压或电阻的数据对焊接质量的影响最突出。因此，我们取转向助力电机定子生产一段时间的生产数据，对这些变量进行相关性分析。

（3）车削及传动设备寿命分析

通过博世互联工业传感器（CISS）的导入，实现了对车削刀具振动量的实时监控，通过对车削的振动，车削加工速度，车削产品型号等信息和车削的质量（车削粗糙组，车削的片间跳动）进行相应的机器学习分析，建立模型，从而在检测到车削的振动，车削加工速度，车削加工速度等数据时，通过模型能实时的预测产品质量，从而在产品出现偏差之前就能实现相应的矫正来实现提高产品质量和降低质量损失的目标。因为质量预测系统的导入，也将使我们的车削刀具的更换有之前的基于固定使用次数更换转变为基于实际车削质量情况更换，从而达到降低车削耗材消耗和提高刀具使用寿命的目标。

在参考目前的皮带预测性维护系统的方案和应用场景，基于工厂实际提出的输送皮带的大数据分析系统，通过采用振动检测的原理来实现对皮带的正常运行，皮带的磨损，皮带的撕裂和皮带的断裂异常振动进行分类，通过大屏幕的报警系统来实现提前预警，从而将由于皮带的故障导致的异常停机转换为提前维护的计划性停机来提高设备利用率和生产利用率的目的。

4. 博世长沙数字化转型升级意义

4.1工厂运维数字化系统

（1）数字孪生平台

在博世（长沙）数字孪生项目中，建立设备、产线、车间的全特征数字化模型，推动远程控制、虚拟调试、智能识别、虚拟与现实同步协同等功能的发展与应用，实现对实时过程数据进行采集和反馈，同时将线上信息接入平台，形成线上/线下及时反馈和决策、实时执行的现实与虚拟协同，提升智能化决策和部署能力。同时，数字化将从质量检测、设备巡检等外围环节向协同制造核心环节扩展，实现视觉系统、机器人等新型制造业设备的智能应用，减少人工参与流程，降低人力成本，提高生产过程的智能化水平，提升生产效率和质量。

基于西门子PLM系统平台，打破不同平台的数据交互壁垒，自主开发相应自定义工业场景下的模块和数据接口；工业场景下多网段的数据交互研发；不同型号PLC、不同通讯协议、网关等的打通和数据实时映射研发。

建设数字孪生平台，升级人工智能物联网云平台，研发先进算法，依托大数据和先进制造系统，实现关键装备制造及生产过程的人工智能应用；自主研发数字孪生应用中先进AI算法。

建设数字化工厂，搭建关键设备、工序和工艺过程（如机器人、视觉系统等）的智能管理系统并实现数字孪生；聚焦产品研发、生产规划、生产执行等环节的数字化推进，实现部分设备设计、产线调试及生产过程的数字化。进行各种场景的语义化研发, 对生产过程进行全数字化工业生产论证。

（2）数字化备件管理平台&智能图像识别

本项目开发的备件智能化管理系统适用于各行业的备件管理过程，涵盖备件管理的全生命周期，二次功能开发少；并采用通用接口同步SAP，无须变更企业现有SAP流程；同时建立的安全库存优化及预报警机制也具有普遍通用性。

本项目将基于机器学习的模型训练方法应用于备件安全库存的优化，属于行业首创。项目在深度学习主流框架Pytorch的基础上研发了一套图像识别高级深度学习框架，具有功能齐全、扩展性强、灵活度高优点。已有算法只针对少数数据集或少数模型，流程固化，扩展性差，二次开发迭代成本高，本系统在数据集和模型上高度可扩展，是一个整体跃升，且产权可控。

本项目在基础VGG、ResNet、PyconvResNet网络模型的基础上，提出结合图像增强和RICAP增强的改进网络模型，通过RICAP增强，网络一次性处理特征差异明显的多幅图像，同时图像标签比原有的One-hot向量信息更加丰富，极大提升了网络的性能。基于改进的ResNet网络，备件识别准确率达99.23%。

提出双视图识别模型，双视图识别模型在小批量数据条件下取得最优的识别结果，Top1识别率高达99.39%，比同样数据条件下基准方法96.95%的识别率高2.44%；该模型识别率高于95%的备件数量占类别数的95.2%。

提供了一套用户友好的模型训练API，通过HTTP接口可与Web页面交互，通过设置参数可实现一键式的图像识别模型训练，支持训练过程控制。目前，在市面上，该类API仍然较为匮乏。

项目结合生产实际的需求从备件的源头进行全程的闭环管理，解决了从终端用户到备件库存管理的精益管理，节约了大量的备件成本的同时也减少了人工的成本。同时改善了生产线的运行流畅性，也是维修团队更专注于技术维护工作。

（3）生产制造设备数字化升级

传统生产模式下，每当需要更改设备工艺参数时，工程师或技术员必须去生产现场手动调整每一台设备的PLC控制器，逐一手动更改其工艺参数。通过博世提高设备的数字化数据采集控制系统智能控制设备工艺参数，实现对工艺参数的远程控制，从而使工作变得愈发简单和高效。大数据分析和可视化在高故障率件的设备/零部件以及易损件上的应用，将运行维护模式从传统的事后维护，定期维护转变为事先维护，从而提高设备的利用率和生产成本的降低。

博世长沙公司传统生产线的互联采用博世工业互联平台的标准解决方法- EOL互联，采用博世标准通信协议Nexeed XML，以及IOT Gateway、BECKHOFF等标准工业互联网关/控制器实现与Nexeed制造执行系统互联。同时，传统生产线的互联全部采用本地供应商设计与实施。标准解决方案和本地供应商的结合模式，不仅对本土企业在数字互联、智能互通等方面提供解决方案，还能保证本土企业可以在本地实现方案复制和实施。博世长沙公司通过传统生产线的互联，实现了生产状态的实时监控、生产问题的实时反馈及关键生产指标的可追溯性。

针对数字化生产线建设过程中系统集成的问题，博世长沙公司拟通过该项目建立统一的软件通信接口标准定义，从而减少数据采集传输的难度以及缩短开发周期。

针对传统生产线互联和数字化化升级改造过程中存在控制器设备种类及通信协议众多的问题，拟通过互联设备及协议标准化来解决；针对设备老旧无法互联的问题，通过与本地供应商联合开发的方式，逐步实现此类设备的本土化设计与制造。

（5）生产数字化管理平台

项目解决了从管理层以及各职能部门在获取报表或者数据时需要通过多个层级的人，不能满足快捷、高效的要求，相比传统的数据存储方式降低了大量的管理成本。满足了各层级和各业务部门的需求，为将来业务发展提供高质量的数据源和存储平台。解决了各部门数据本地存储位置不一致导致的数据源无法统一管理的痛点。

将多分类的生产数据整合管理，大大提高了生产管理的执行效率，有效的提升了数据流的稳定性、流畅性、可视化以及可追溯性。释放了很多的人力，同时使生产以及项目管理更敏捷。

此套系统的优势还表现在能够快速的进行配套迁移，同时能够和各种其他的系统进行数据交换，保证了数据的完整性，完成数据管理的统一化集成化的配套。能够快速的额部署和运行，大大缩短了推广的周期，适用于绝大多数的生产体系，截止目前博世长沙已经布局生产各个价值流。

4.2大数据分析中心

随着博世长沙工业4.0的不断推进和深入，流程自主化的数字化基础建设在产能提升、成本降低、减少浪费、提高效率等方面能够带给企业的改善和收益越来越有限，为了解决这一效益“天花板”问题，博世长沙从智能化的数字化基础建设方向出发，充分利用海量的设备/生产互联数据积累优势，通过时间序列自回归移动平均模型、随机森林模型、回归分析、聚类分析、主成分分析、神经网络等数据分析和挖掘技术，寻求更进一步的效益突破。

具体来说：以车间物流配送设备、焊接设备、车削设备、传动设备、绕线设备等物流和生产关键装备为切入点，实现物流装备智能化，生产装备智能化和装备远程访问安全化，达到节约运营成本的目标，产品不良率下降5%，压缩空气的消耗水平下降4.6%，物流包装配送效率提10%的目标。在此基础上，从点的示范效应向面拓展，逐步覆盖车间所有的核心装备，助力博世长沙打造智能化、数字化工厂。

博世长沙大数据分析平台在行业内将是处于领先地位的集数据存储、算法开发应用和模型发布调用为一体的创新平台。该平台具有很好的扩展性和兼容性，对产品全流程数据进行了整合，保证了对于产品全流程溯源、分析的可靠性。基于区块链技术的模型发布，也会进一步避免模型输出时所涉及的知识产权问题，对信息的有效安全把控会让模型的使用更广泛。在技术研发和商业模式上都将是全新的。对于本地制造业的技术升级将很有好处。

该平台为企业级大数据分析中心平台，主要以公司生产运营过程中的数据为依据，进行深入挖掘分析，解决企业运营中的各类问题，并帮助企业做出科学合理的决策。