Schultis：在传统工厂中要做的工作是，应用已知的策略和方法不断提高整体效率。

工业 4.0 工厂的目标也一样，就是要提高整体效率。但是实现目标的途径不一样。它主要是要在观察中学习，为未来设定正确的方向。新事物提供了消除“旧”世界现存边界和重新定义整体效率的机会，无论我们所说的是什么原理、技术或者方法。作为生产负责人要做的是，从新策略中学习，有勇气消除已知的边界，在这里，新技术先提供了能够突破边界的前提。

Schultis：新的生产系统，比如我们所创造的这个系统，它的复杂性对组织管理方面提出了新的挑战。我们必须在组织管理方面重建，一方面是为了根据客户的需求进行适应市场的生产，另一方面是为了在还需要整合新版本的情况下从整体上改进生产系统。

然而，传统的规划与控制系统很快就达到其极限。为了适应这些要求，我们引入了灵活的工作形式，明显提高了灵活应对不断变化的目标要求的能力。我们的团队在其站立会议（Stand-up Meeting）和敏捷会议（Sprint）中会使用实时数据或我们通过数据挖掘（Data Mining）过程获取的已处理完毕的信息，用以做决策。而在行动方面，我们也只是处于初始阶段，每天都在学习。

再来谈一下您的关于“重要认识”的问题：我们认识到，我们必须将技术创新和组织管理创新组合在一起，才能快速、有针对性地作出反应，利用新的增值机遇。

Schultis：例如，我们在过去的几个月，在制造物流中采用了新产品。我们在样机阶段就感受到了高度自动化设备的好处，我们无需额外为样机手工制造一台设备。并且这确实有用。工厂的灵活性显而易见。我们在批量生产的同时制造样机。

Schultis：我们的工厂具有模块化结构。各个全自动和半自动的制造模块都通过小型自主驾驶小车 (AGC) 彼此相连。与持续进行的批量生产相反，我们在这里可以直接进行试验或者研发新产品。如果出现小故障，整个制造系统不会立即停止。这体现的是纯粹的灵活性。整体上显著减少了我们在启动阶段所经历的困扰。我们在过程中的可靠程度明显提升并且拥有更高的自由度。

Schultis：可以的。我们虽然不是一切都成双成对，但我们有可以全自动或者手动执行的工艺过程。此时，上游专门为工厂开发的制造控制系统承担物料流的控制任务。

Schultis：我们在此期间额外做了两个产品系列，目前生产过程中有七个产品系列，年底还会增加另外两个。在这些产品系列中还会增加不同的版本。目前我们已做的版本数量达到了四位数。机器承受这样的增长毫无问题。除了安全产品之外，我们目前甚在相同的模块上生产非安全产品。

Schultis：我们将生产环境中的数据分为三个主要类别。在智能制造这个类别中，我们上升到过程层次，以改善质量，提升 OEE（整体设备效率）等。这是一个重点议题。

第二个议题是预见性维护。在这方面，我们使用数字信号，以尽可能高效地实施维护工作。例如，我们并不始终采用固定的维护周期，在需要维护的时候，传感器和执行器会发出信号。

第三个类别涉及的是能源管理。我们了解到，整个车间在一年中消耗的能源是什么情况。未来，这种透明度将帮助我们尽可能高效节能和可持续地进行生产，因为我们可以在更有利的时候进行生产活动。

Schultis：这个问题我必须严谨地用“是又不是”来回答。是的，我们已经有能力分析数据得出初步结论。是的，我们对此做得越多，潜力空间就越大。

一个小例子：我们现在用数字方式监控生产模块中的压缩空气。这在以前是没有的。以前，如果压力下降低于 5 bar，只有生产出了问题，我们才会知道压力下降。现在，我们采用数字方式进行监控，设有警告极限。如果超过或低于这些极限，我们就会通过 BPM（博世性能管理器）激活一张支持票证。另外一个例子就是气缸的移动速度。一般来说，从中可以识别出磨损现象。未来，这些数据将有助于我们采集各种致动器/传感器的维护警告极限。目标是，在故障/失效情况发生之前就将其识别出来。

Schultis：我们在一个模块中碰到过这种情况，我们在该模块中用我们的 SICK 传感器 FTMg 监控压缩空气。传感器本身通过一个网关 (TDC-E) 与云端相连。我们将 BPM 托管在该云内，帮助我们对数据进行可视化处理。我们可借此识别压缩空气供应的波动并采取相应的措施。若故障未被发现，就可能导致换向阀故障。我们可以提前对其进行更换，避免停机。 

Deep Learning 在未来的工厂中是否也能发挥作用？这是肯定的。Deep Learning 是一种能够以多种方式帮我们变得更好的技术。我们正在开发一个解决方案，有了它我们就能在质量检验中使用神经网络技术。具体来说，这将是一个可内嵌的焊点自动光学检查 (AOI) 解决方案。您看，我们每天都在学习新知识和测试新技术。

未来工厂，必须始于当下，否则未来将永远只是未来。我们今天可以利用机会，借助数据产生增加值，从而尽可能高效地进行生产。