物料生命周期管理（4）-物料的知识库沉淀和重用

若作为一名设计师，当我们接收到产品开发需求时，肯定第一想法就是想翻一下自己以前的“资料库”，找找已经存在的开发成果，评估一下新需求与已经存在产品的差异，然后快速修改和交付——其实每个人都在这么做，不管查找本地，借鉴同事，网络搜索，竞品分析等，问题解决后，一切万岁；但是：

• 当你作为新人进入到一家新的组织中，如何知道企业有多少沉淀的资产和知识可以被你查询和重用？

• 作为企业的管理者，如何将已经存在的知识沉淀下来作为企业的知识资产，供更多人共享和借鉴？

• 面对更多的需求不确定和创新，如何基于已经存在的经验教训，减少不必要的失败，提升产品开发成功率？

知识重用——也是说起来容易做起来复杂的事情。

当时我在培训的现场也问了上述问题，有人答复说“使用AI”，我就反问，AI如何实现企业知识的积累和重用？若是AI可这么容易实现的话，那设计工程师不就大量失业了吗？当然这里不是说AI无法实现上述功能，因为我们团队也在使用AI进行部分场景的实现探索，但这个过程比较漫长，不作为培训的内容，当时在课堂上，我也建议我们需要先了解企业物料相关知识沉淀的业务分析过程，再考虑采用专用的工具。

分散的知识可产生的价值是微弱的，就像通用知识我们通过搜索引擎可以获取，但专业的知识就很难提炼，但是没有经过提炼的知识就像分散在大海中的盐，不能说海水是咸的就一定具备获取盐的价值——整个提炼的过程才是真正的核心，提炼之后的精盐才能进入到我们的厨房；我给大家分享了在建立企业物料测试验证DVP知识库的经验和思路，以此作为出发点，抛砖引玉引发大家更多的思考。

响应前面的段落，在开发一个新物料时，很多工程师都希望可获取很多相关知识，这里仅仅是设计验证为例，需要提前策划验证大纲和计划，那么我们如何策划整个落地的事项呢？

1. 1. 建立物料分类：物料分类的目标是将知识具体化、细节化，一锅粥的知识不是知识，但精细化的分类可以作为知识的Tags，一旦打上标签就可以进行很多处理；但在企业产品开发的知识化的应用上，因为物料是一切业务的根，所以我建议将物料的分类作为所有相关知识沉淀的主键；合理的分类不仅可以将具体物料中的知识萃取提炼成为通用知识体，而且建立的知识体可以更详细专业的反哺企业物料的开发

   2. 识别测试验证知识范围并建立库：仅针对物料的设计验证，当时在项目中分析时，至少就包括历史故障分析、基于FMEA的风险分析、虚拟仿真分析验证、产品试装验证和可靠性试验验证等，其实每一种都有很多的专用方法；仅以应用力学分析为例，若是希望建立轴的通用分析模型可能很难，但是若将轴类器件分为光轴、阶梯轴和异形轴是不是就有了眉目，但针对阶梯轴，可能不同的支撑结构又影响知识萃取和规则，因此是不是可以继续细化？但多细呢？这里没有极限，关键看企业的成本投入和获取价值之间的平衡(在一家企业实施时，支持自动生成形式试验的任务和SOP)；但是这里也不是一味的细化分类，后续工艺的案例也从另外视角实现知识库的建立

   3. 基于分类建立新物料申请时的应用：萃取后的知识需要基于业务模型进行应用，我们将知识模型使用的起点设置在关键物料的申请的审批中，之所以设置关键物料，主要是基于两方面的考虑，一方面知识库的建立需要持续的积累和迭代，一开始范围太大，也没有精力投入太多，另外就是担心策划复杂会影响下游使用的复杂性；我们就在其中找到了一个平衡点，确保试点的成功，然后再推向更多的品类

   4. 监控应用过程中的失效和纠正措施沉淀：任何知识的应用都有一个螺旋迭代，持续投入才能持续上升的过程，因此不仅要使用知识，而且也要持续对知识的使用范围和场景进行更多的验证，对知识库不完善的地方及时进行补充，对于不满足业务场景使用的及时添加，对于新发现的失效问题，评估可以作为知识的，也需要持续的完善，这样才能确保知识库满足企业的知识库运行，避免知识库变成一潭死水——也是这个原因，我们在项目初期就要求必须增加针对测试失效问题的分析流程和知识库管理员专岗

   5. 持续不断的更新测试验证库：随着应用的成熟和完善，就可以不断的扩大应用范围；这里包括横向和纵向两种思维，横向的增加更多的分类按照统一的规则进行补充完善，纵向的可以向测试验证的上下游进行管理；例如本项目一期主要是管理测试验证知识库，后来我们就将相同的思路应用在FMEA失效模式库的建立，应用在测试验证报告生成的专项中，并且也从一个事业部的产品延伸到集团公司的所有产品的管理模式

为了确保大家对知识的应用有一个更加聚像话的认知，我们将大家使用知识的模式进行了调整；以前的很多应用是人去找知识，但这个前提是你需要知道知识在哪里，如何进行获取？否则无法应用；那么能否将工程师接收任务分工时，将知识自动进行精准推送呢？

为什么不可以呢？我们刚开始直接将知识的引入接口与项目任务绑定，发现这样不仅实施工作量巨大而且还缺少灵活性，且企业需要修改必须改动代码；经过多轮次的验证和项目迭代，我们将项目任务按照使用场景和分工的需求定义了项目类型，将工程师在PLM系统交付结果也按对象类型进行了建模，例如功能开发、设计开发、仿真分析、工艺设计等等，当不同任务和不同业务对象耦合关联时，就动态的获取项目知识和不同领域的开发知识，动态的基于项目任务推动给工程师，图示就是产品功能设计时，不仅会推进模板，而且还推荐权限范围内已经交付的模块做参考，相关的开发标准、质量要求、设计雷区等等都会推送；这里使用不同的Tab标签，按需增加。

随着对产品知识沉淀和应用的场景探索的越多，我们面临的挑战越多；例如在一家特征工程设备的实施项目中，功能开发中面临大量计算，并且这些计算说明书需要保留以备后续查询和变更更新；以前的做法是线下使用计算器计算，然后将结果誊写到Word的报告中，这部分工作量非常大，因此我们就参与了针对方案的探索，陆陆续续进行了好多年，进行了很多的迭代：

• 1. 第一阶段(2009-2013)：因为完成的报告中的最终参数需要作为设计的骨架参数，因此我们将大量的知识和算法通过代码写入到3D设计工具中，通过调取Creo的菜单获取基础模型，通过输出参数，可后台可快速进行计算和输出模型和图纸——这种方案对设计效率改善很大，但模型太重，更新调整太复杂，出错调试也很难处理

  2. 第二阶段(2015-2016)：针对直接在3D工具下开发的巨大工作量和不灵活的调整，我们想起来以前使用Solidworks时灵活的嵌入Excel处理方法，并且Excel提供庞大的Excel公式、VBA和定制开发能力，因此我们就将工具中的算法在Excel中实现，这段过程，大家的Excel公式应用水平大大提升；Excel工具的使用的确降低了知识沉淀和共享的门槛，但是复杂公式使用VBA或者.net进行开发后，也存在公式复杂，调试困难，并且Excel也巨卡，很多在应用时的莫名其妙的报错

  3. 第三阶段(2018-2021)：我们接触到MathCAD和Matlab，他们都有很好的通过数学语言和工程语言描述方案和计算方法的能力，并且都提供了很强大的数据处理能力和定制开发能力，因此采用专业的工具成为企业的首选；我们分析和测试验证MathCAD和Matlab两款工具，Matlab的计算能力和深度更专业，MathCAD的用户界面更容易被接受，且提供的内容锁定不仅不影响计算结果还可以对算法保密，输出结果经过配置就，在PLM端直接调用和输入参数运算，并使用输出的结果调用3D软件，可驱动3D模型更新，因此在后续就将很多算法模型沉淀在mathCAD文件中

  4. 第四阶段(2020-2022)：此时MBD、MBE和MBSE的概念已经很普遍了，企业也在尝试探索这部分前沿的开发方法在企业的应用，但是经过调研之后，发现这里很多应用已经是在抽象和萃取知识模型，再向前探索，对企业的整体收益并不会有预期的大；但此时企业又考虑另外一个问题，就是收购新公司采用新的工具和PLM系统，当时开发的很多内容无法重用，因此就启动了新的知识平台建设，企业采用独立自研平台，将产品的策划、功能规划、设计计算和任务分工全部迁移到企业自研平台中，这样就可以推广到更多的场景，当然这是一个持续的过程，当我前两年最后一次拜访时，也仅迁移了一分部，大部分内容还在原PLM中(这就是知识的“沉甸”吧)

若你认为这是我们这么多年针对物料开发的知识沉淀的话，那就轻视了团队的能力了，我们还是进行了更多产品开发领域的探索，也从产品设计阶段延伸到工艺设计阶段，毕竟随着智能制造在企业的应用，大量自动化设备的引入，对工艺的要求日益提升——企业的生产制造水平越高，对工艺的详细程度越高，毕竟制造的设备是需要基于输入的数据进行决策和运行的；传统的CAPP工艺建立很多通用工艺模板，通过语言描述指定与通用工艺的差异，这种描述方法对人查阅是可以理解的，但是对机器来说，不知所云；没有精细化的工艺智能设备就只能是设备(以前也分享过一个专题《智能制造工艺先行》，后续也计划分享给大家)。

但是工艺的知识沉淀，思路和方法就与设计过程就不一样了；此时想起最近工艺部门针对AI团队提出一个需求，希望使用AI工具生成工艺；目前主流的一些通用AI工具我一直在关注，应该能力是无法直接达到的；按照以前的经验，我推荐AI团队学习和了解一下成组技术（GT-group technology），尽管这项技术非常“老旧”，但我认为这是大量工艺技术自动化的基础，在17年-22年多个工艺自动化的项目，我们其实大量学习成组技术，并且从中提炼观点在PLM中应用，基于成组技术：

• 根据零部件在几何形状、尺寸、功能要素、精度、材料等方面的相似性为基本，定义规则；

优势1：成组技术会促进设计的标准化，通过模型库，或者特征库的方式加强设计重用；

优势2：通过工艺的标准化和重用，不仅提高工艺的效率，而且提升工装、刀具、设备标准化；

• • 零部件分类(成组)的实现方式主要分为2种，可任选其一，或组合使用：

  • 视检法：从外观，根据经验判断零件的相似性，进行成组分类；

  • 路线分析法：将使用同一组机床、工装等进行加工的零件归为一类；

当然考虑设计与工艺的协同，不能通过一种绝对的分类方法满足所有企业的应用，那就在原有分类的基础上进行细化，如图示，红色框中的为继承设计的分类，但前后增加的全部是为了满足工艺精细化自动化管理定义；所有工艺的相关知识，以及组成的人、机、料、法、环、测的内容，全部基于这种分类逻辑建立。

上述方案需要人工识别图形并按照相似性进行成组分类和标记，能否自动化呢？我也关注过相关技术、专利和产品，国内前几年有对于的专利，但国外已经有对应的产品PARTsolutions、Onepart等，现在中望ZW 3D也推出了类似的功能；我进行了初步的分析，识别模型可以，但用于工艺的成组技术还需要一定的探索；基于AI的模型分析和自动生成包括清华自研AI-Tripo，国外平台上比较推荐的sloyd.ai，都侧重于模型的分析和生成，目前在建筑和游戏造型行业有应用，暂无产品制造企业的应用场景和案例，尽管主流CAD也都在引入AI工具，例如Creo的创成式设计，但都属于探索式应用。

基于物料的产品知识平台沉淀和开发，最大的局限性就是企业的思维约束和成本投入，以前在听混沌学堂的课程时，了解到一个概念《第四范式》，个人认为只要符合这个规则的，都可以沉淀成为结构化的知识流；以前在看曾国藩的“结硬寨,打呆仗”战略方针感觉有点呆，后来这也成为我做事的学习目标，扎实深入不冒进，知识沉淀由简入深，多沉淀才能更灵活的应用。