“大数据与云计算作为工业新的生产力，让太阳能更加智慧“

- 天合光能制造副总裁华敏洪

企业名称：天合光能

成立日期：1997

人数：1万2千人+

营业额：329亿（2016年度）

转型项目：利用大数据/人工智能提升高品质电池片A品率

项目团队：天合光能生产部门、IT部门与阿里云数据科学家

赋能技术：云计算、物联网、大数据、深度学习、数据建模

成功因素：公司顶层推动、转型路径明确、平台化、创客化组织形式、工艺与数据的融合

收益：高品质电池片A品率提升7%，创造数千万利润

一、中国光伏行业正迎来真正的“春天”

中国光伏是继高铁、核电之后又一张中国制造的“名片”。自2008年起，中国连续8年光伏电池产量居全球首位，累计为全球提供70%以上的光伏电池产品。目前，世界上最大的6家光伏电池板生产企业，中国占到5家。然而中国光伏产业的“繁荣”背后， 产能过程、同质化竞争、成本居高不下等问题严重制约其发展。光伏行业急需找到一条可持续发展的出路。

中国十三五规划以及中国制造20205政策的出台为中国光伏行业带来的新的机遇。越来越多的光伏企业开始向智能制造转型。随着生产数字化、网络化与智能化的持续提升，其光伏电成本与火电和化石能源之间的成本差距不断缩小。 预计2020年，光伏成本将与传统能源成本持平，这将凸显光伏能源在绿色、环保上、无污染上的优势，届时光伏产业将迎来历史上最大的发展机遇。 根据国际能源署（IEA）发布的一份报告，到2040年，中国煤炭发电量占总发电量的比重将从现在的73%降低至43%，而太阳能占比将从3%上升至12%。

作为全球领先的太阳能整体解决方案提供商，天合光能有限公司（简称“天合光能”）创立于1997年，为中国早期登陆美国纽交所上市的太阳能企业之一。截至2016年底，天合光能组件累计总出货量突破23GW，全球排名第一，占据超过10%的全球市场份额。在电池组件的转化效率上，天合光能连续打破16次世界纪录，相比于火力发电，天合光能一年可为地球减排二氧化碳2700万吨，相当于种植约3000万亩的树林。公司同时紧跟“一带一路”步伐，积极加快全球化部署，先后在泰国、马来西亚、越南进行产能布局。产品覆盖全球70多个国家和地区，公司60%营收来自于海外。

二、光转化率是光伏企业的生命线

天合光能在生产工艺、信息化水平和管理模式上历经20多年的发展，已经处于相对成熟的阶段，然而这也意味着单纯通过传统的工艺方法与精益管理手段已经很难大幅度提升电池片A品率（光转化率>18.8%的高品质电池片占比）- 当前占比为40%左右。同时，A品率也难以维持在一个稳定的状态，相同的设备与工艺，在不同的工厂、不同的产线、甚至是在同一产线的不同时间段所产出的成品，其A品率也会存在明显差异。公司曾做过测算，产线哪怕是一个百分点的效率提升，即可带来至少数百万的利润。高品质电池片A品率稳定在高水平，对利润非常微薄的光伏行业来讲，具有很大的意义。因此，如何在现有工艺水平和生产条件下，实现对产品质量和成本的突破，是天合光能运营团队的迫切需求。

三、正式踏上工业智能转型之路

1．数字化转型的“梦之队”

天合光能制造副总裁华敏洪为工业大数据项目设定了明确的目标：“天合光能期望通过大数据、人工智能技术实现生产过程的数字化和生产管理智能化、透明化，并最终实现用数据驱动生产，在光伏电池片生产A品率的提升上实现突破性的飞跃”。但企业管理层也清楚地意识到，要实现上述目标，必须要从外部引入新鲜的血液，要跳出原有的思维定式，才能实现从0到1的突破。 而为什么最终选阿里云作为合作伙伴？ 看似风马牛不相及的两家企业，实则具有很强的互补性。阿里云不仅拥有可弹性扩展的海量计算能力和完整的大数据平台，更强在拥有一批行业顶尖的数据科学家，可以帮助天合最大程度发挥积累多年的工业数据的价值。同时，阿里云在协鑫光伏（全球最大光伏切片企业）工业大脑项目上所获得的最佳实践也坚定了天合光能的合作意愿。于是，2017年7月，阿里云数据科学家正式入驻天合光能工业大数据项目。项目团队由天合制造副总裁华敏洪，天合智能制造负责人徐连荣，天合光能全球IT负责人朱加川共同负责，形成由生产部门、信息化部门与阿里云大数据专家组成的三方联合作战团队。

2. 数据驱动做突破口

电池片生产属于典型的流程制造，生产工艺复杂，主要生产环节包括制绒、扩散、后清洗、PECVD、 丝网印刷、烧结、测试。整个流程对温度、湿度、浓度、压力、速度、电级、电压等变化异常敏感。过程贯穿化学腐蚀、充斥着各种化学变化与物理变化，任意一个变量以及变量间关系的微妙变化，都会对生产结果造成很大影响。而大幅度的生产线改造、设备的升级以及工艺改造意味着巨大的资金投入，同时存在高风险与高不确定性。 因此，天合光能领导层决定从现有的生产数据入手，以数据驱动的方式，通过找出数据背后隐藏的问题，识别不同参数间的关联性，获得生产工艺的最优参数，在不对产线做“大手术“的情况下，有效提升电池片的高品率。

然而，从智慧生产大数据项目启动以来，问题就接踵而来：

• 数据质量差：受制于天合实际生产环境中数据获取手段的局限性，包括传感器、数字采集硬件模块、通信协议等多个技术限制，数据采集维度与质量被打了“折扣”。与工业数据的“大”相别，数据的全面性与多样性更有意义。数据建模的前提，需要获取与被分析对象相关的全面参数，而天合产线上关键参数的缺失导致分析过程碎片化，影响数据的深度挖掘与洞察。
• 离线数据多 - 只有当数据实时在线，能够对动态数据进行实时分析，数据才能真正发挥价值。然而天合光能过去生产数据多是离线数据，且数据采集时间维度多是以天、甚至是周来计算，这就导致所到手的数据 , 例如: 电压、电流等数据呈现均值化（数据波动的波峰与波谷相互抵消），难以作为诊断依据，无法找出数据背后隐藏的逻辑与问题。（说明: 在后来的只会生产大数据项目推进过程中，当以秒计来观察数据的波动时，数据波动则非常明显）。
• 缺少多维度数据精准分析能力 - 天合光能有一批经验丰富，在产线上深耕多年的工艺专家，对每一个生产环节、每一个生产参数都有很深的理解。工艺专家在对单个参数或是两个关联参数最佳值的判断上，比如，温度、压力、速度等已可以非常精准，然而面对数以千计的生产参数，动辄上百G的数据，要找到其中的关联性以及因果关系，并精准推荐参最优的参数组合，这远远超出了人脑的计算能力。更何况，人的判断总是带有片面性和主观性，仅凭“老师傅”的经验可能会导致看似正确的误判，并错过发掘隐藏在数据背后的“不可见”问题的机会。

3. 数据先行、量力而为

风险控制与成本管理是项目成功的基础。智能制造大数据项目团队一开始并没有大刀阔斧的去做整条产线设备的改造以及数据全量实时采集，而是以小步推进的方式，从现有离线数据切入。通过收集生产执行系统 （MES）的数据、以及设备的离线日志，对现有数据维度进行分析。当离线数据不足以支撑大数据分析时，再对关键设备升级改造，以逐步开放更多真正有价值的数据，补足缺失的数据维度。对于高实时性要求的数据，则通过安装高精度传感器以及阿里云的一站式数据采集接口进行数据秒级的采集、整合。项目团队通过这种渐进的方式，最终从产线采集到上千个不同维度的生产参数，为接下来的计算与分析创造了必要条件。

4. 寻找关键因子、学做减法

并非所有的生产参数都会对生产A品率产生关键性影响。对数据做“减法”是项目至关重要的一步。这一过程需要工艺专家与数据科学家的紧密配合。工艺专家需要凭借其工业方面的Know-How对参数进行过滤、筛选、识别。同时，数据科学家借助大数据平台，通过数据建模，对工艺参数进行量化分析，寻找关键因子。双方经过“经验”与“算力”的不断碰撞，最终发现“扩散”与“丝网印刷”是影响A品率稳定性的最为关键的两道工序，项目团队以此做突破口，把研究聚焦在包括印刷速度、印刷压力、印刷高度、网间距、冷却水温度、流速、风速等关键因子上，数据范围大幅度缩减、研究得以更为精准。

5. 工艺参数优化，经验与“算力”的碰撞

接下来的工作是从所聚焦的关键因子中找到最能为生产带来价值的参数组合。但是哪怕只有十个参数，也会产生天文数量级的组合方式，因此只有借助云计算的超级“算力”才能在短时间内完成如此庞大的计算量。数据科学家通过在算法平台上搭建工艺参数优化模型，分析不同变量间的逻辑关系，模拟推演出多个不同的参数组合。然而哪组才是最优“配方”？ 这时候“老师傅”的经验很好弥补了数据科学家在工艺知识上的空缺。数据间存在基本的逻辑关系，比如速度越快，压力就越大，与自然规律、常识相悖的数据，“老师傅”可以凭借经验并借助DOE（试验设计）将由数据模型推导出的参数组合做减法，排除不符合生产与工艺逻辑的参数，大幅度减少了后续的工作量与时间成本。

6. 上线测试，产线上练兵

由于各自的专业领域不同，工艺专家与数据科学家对数据的理解也会存在差异，在参数选择上分歧难以避免，因此只有通过上线实测的方式才能验证数据的价值。 实测以“小步、快跑、迭代”的方式，项目团队选中4条产线作为测试线。起初是以小批量进行测试（200片电池片），根据测试结果进行持续调优。随着生产A品率以及生产稳定性的小步提升，测试规模从百片到千片直至上万片，测试周期也从以小时/天为单位延长到以周为单位。经过几十次的批量测试以及持续调优，最终才得以发现能够突破原有生产A品率水平的那一组最优参数组合。

四、工业智能转型带来的新收获

项目从2017年7月启动以来，团队历经5个月的努力，主要取得了四方面的成效：

• A品率模型数字化 - 生产A品率的实际测试值提升了7%，同时每一批测试结果都维持在相对稳定的状态。根据项目组测算，基于天合光能全年的产量，一个百分点的A品率提升可带来至少数百万的利润，7%则意味着数千万的利润，相当可观。
• 生产数据在线化 - 目前通过阿里云的一站式数据采集接口，已连接天合光能超过200+生产设备，海量数据通过网络实时上传至阿里云大数据平台进行实时计算。
• 生产管理透明化 - 通过可视化大屏工具，实时展示产量、质量、设备相关数据，实现生产数字化、管理透明化。
• 生产预警自动化 - 通过对设备数据及工艺参数的实时监控，结合工艺参数分析模型，实现设备异常及工艺参数异常的提前预警，实现生产过程的主动管理。

五、新起点、新征程

华敏洪表示，在试验线上所取得的成果证明利用大数据与人工智能技术对生产工艺的改进是行之有效的。下一阶段的目标则是经验的复制与推广，纵向与横向并行，最终将试验线中的研发成果在大规模生产中精准落地。

• 纵向：应用人工智能技术到更多的生产工序，实现全产线的数字化与智能化。所覆盖产品也从电池片拓展到包括光伏切片与电池组在内的上下游产品。 持续深化IT技术与OT技术的融合，叠加更多的新一代数字技术到生产环境中，比如利用AI与图像识别技术做产品的外观质量检测、借助虚拟仿真技术模拟现实的生产环境以及通过Data V（可视化大屏）与BI 优化企业决策。
• 横向：能力输出，实现跨产线以及跨工厂的复制与推广（项目试点的4条产线位于天合光能的第三电池车间，该车间共有11条产品线）。产线间、工厂与工厂间的实际生产环境总会存在差异，没有一个100%标准的“配方“可适配所有生产环境。因此，项目团队接下来的首要任务是做知识与经验的沉淀，同时把能力输出给更多的工艺专家。在阿里云数据科学家有限的协助下，工艺专家可独立调用云计算、大数据、数据模型等技术，自行对各个生产环节进行诊断与优化。

华总表示，天合光能智能制造转型已经在进行。目前我们已基本完成了生产过程管理系统化，当前正致力于通过物联网、融合边缘计算和云计算的 CPS (信息-物理系统)架构，结合大数据分析，以数据做驱动，实现制造数字化、智能化的升级。天合光能的未来目标则是全面推进智能化、平台化建设，由制造商向整体解决方案提供商转变，加强物联网、云计算、大数据与新能源生产、存储、配送、消费的深度融合，成为全球领先的智慧能源和能源互联网整体解决方案提供商。

六、 复盘-工业智能转型成功要素

公司顶层驱动：纵观国内外，绝大部分成功的数字化转型案例都是从上到下（Top Down）推动的，企业的数字化转型战略与企业的业务战略高度一致。天合光能一把手与管理层的数字领导力以及数字化视野为项目的顺利进行扫清了障碍。

转型路径明确：项目团队一上来并没有大刀阔斧的做产线的智能化改造，而是基于现有能力与数据，采用点、线、面的方式逐步推进。首先是单点突破（从生产环节中的痛点作为切入口），其次是局部复制（经验向全生产过程以及产品线延伸），最后是全局推广（能力输出到全球所有的工厂），同时采用快速上线、小步试错、技术迭代的方式，最大程度降低转型的风险与不确定性。

平台化、创客化组织形式：天合光能是由小到几十人，大到上千人的30多个创业团队组成。创团业务横跨研发、生产、供应链、销售、服务等环节，自主经营，独立核算。这种新型的组织形式, 团队协同效率最高，对战机的把握更加敏锐，调整方向更加快捷，同时也可以最大程度激发团队成员的创新潜能。

工艺与数据的交汇、融合：工艺专家与数据科学家之间绝不是患者与医生的关系，而更像是“人”字的结构，相互支撑。因为发挥大数据威力的重点是围绕业务场景，而只有业务部门才能提出具体的业务需求。工艺专家和数据科学家从对彼此领域的陌生、到相互博弈、到互为导师、再到脑力的碰撞，很好的诠释了大数据创新的孵化过程。

创办人先生所提出的“微笑曲线”理论早已被制造企业奉为真理，处于曲线中部的生产环节所产生的价值远低于微笑线两端。然而， 随着IT时代到DT时代的变革，“微笑曲线”理论开始受到冲击。天合光能项目还只是工业智能迈出的第一步，但足以验证新一代信息技术与制造的加速融合能为工厂、车间、产线带来巨大的创新与增值空间。同时，天合光能从生产过程智能、到管理过程智能、再到生态链智能这一工业智能的发展路径值得在转型路上的中国制造企业借鉴。

阿里云在包括天合光能、中策橡胶、协鑫光伏、恒逸石化等众多工业大数据项目中，证明了工业智能的可复用、可沉淀、可逆向破解数据的能力。可以预见，随着“工业智能“的潜能加速释放，其必将成为制造企业转型升级的新一代发动机与创新源泉。

鸣谢

天合光智能制造副总裁华敏洪

天合光能全球IT总监朱加川

天合光能IT经理 顾志峰

天合光能电池生产厂长 张燕飞

联系方式

案例研究：阿里云研究中心主任 王岳