智能制造：未来工业的目标

西门子德国数字化工厂作为优秀的先驱者，用25年的时间已实现75%的生产作业自动化，生产线上的在线监测节点超过1000个，每天采集数据超过5000万。每年生产元器件30亿个，可24小时为客户供货，产能较数字化前提高了8倍。从智能制造的优秀范例不难看出智能制造的关键词是自动化、连接和智能控制，核心是要实现整合资源、降低成本和提高效率，并将制造从规模生产向个性化制造推进。

目前，世界前两大经济体均在智能制造及其相关领域有所动作。美国政府2016年6月20日公布了一个通过刺激“智能制造业”来推动美国制造业的复兴的法案。智能制造创新研究所是奥巴马政府颁布的第九个制造中心，并将在美国范围内发起五个地区制造创新中心，每个中心将专注于本地区的相关技术迁移和劳动力开发。2015年5月国务院出台制造强国中长期发展战略规划《中国制造2025》，预计2025年制造业重点领域全面实现智能化，试点示范项目运营成本降低50%，产品生产周期缩短50%，不良品率降低50%。

既然前有优秀标杆，后有政府强大的依托，智能制造是一个容易实现的目标吗？先系统地看一下智能制造这一系统工程的样貌（见图3-2），可以发现，即使单点切入也需要系统规划之后逐一实现。

图3-2 智能制造全景图

如果看图感觉不出来，可以想象一下，以上所有环节基本不是孤立存在的，目前能够从研发/设计到生产、营销、物流，由自有资源支撑实现全流程覆盖的企业基本都是巨头，更不用说以上所有环节全部实现信息化和智能化。2016年4月IT领袖峰会上，联想集团CEO杨元庆被问到“对于下一代互联网发展的贡献和区别于其他企业的优势”时，他的回答是全球供应链资源。可见对于任何企业来说，想要实现智能制造都不仅是“台下十年功”能够铸就的。

基于智能制造全景图，可以推断智能制造需要实现“三个全面”。

1.全连接

所有的制造环节，包括所有的零部件、生产线的所有环节、所有劳动者和工业机器人的全面连接和信息化。缺少任何一个节点的连接，都有可能影响全面自动化的实现。这里面会涉及多少连接呢？举个例子，比如摩托车，仅发动机就有250多个零件，至于汽车约有30000个左右。对于制造过程来说，一个螺丝都不能少，智能制造的连接也是一样。除了这些，其他相关信息包括资金量、管理信息流、物流信息流、服务信息流等，都需要全面连接。在信息化阶段，ERP系统最大的问题点是逆向流程实现困难。到了智能化阶段，除了连接点，还需要在全面连接点中设置双向监控点和生产管理连接点。基于时时海量信息传递和多节点控制的需求，需要单独的连接和数据流转通道以保证整个过程不断点、不丢包，能够顺利完成。另外，智能产品是与用户建立直接连接的前提，如果没有智能产品，仅实现了智能制造，仍不能与用户连接一起实现个性化制造。

2.全控制

智能制造将数据流转作为核心，连接全部制造和相关环节，中间的全部过程都似“暗箱”般，非常需要随时知道发生了什么并予以人为纠偏和预警干涉。每个节点的交互设计和计算能力是实现全控制的基础。除了对环节的控制，还需要对智能设备（包括工业机器人）进行监测和控制。智能制造的生产线上将由多个智能设备来替代人类完成执行工作。人与机器的配合及人对机器的控制和管理也是智能制造比较容易出现挑战的地方。

3.全面资源整合

图3-2中社会环境和用户都是智能制造的影响因素。智能制造阶段，主要存在的工厂形式为大型制造平台和小型个性化工作室。大平台可以满足小批量的定制化需求，小工作室更多体现在与用户的更直接、更短平快的连接上。而智能供应链也将出现大的供应链整合平台，针对不同个性化需求提供快速、“零库存”的供应。智能制造系统化工程只有整合供应链、生产、物流、服务平台、营销资源等，才能实现智能制造的自动化及产能最大化。(www.xing528.com)

汽车企业是智能制造的重要推动者，也是工业机器人的主要使用者之一。国内已在推进智能制造的车企主要有两条实现路径：一条是作为龙头企业，自行尝试然后把成功经验复制到行业内其他企业，推动行业整体进步，从而实现更大范围的智能制造。另一路径是行业内主要企业把相关资源整合在一起，共同尝试将所有相关环节集中在这一个平台上操作，作为独立的OEM中心运行。不难推断，产业联盟和第三方提供相关解决方案及数据服务或将成为必不可少的存在。

智能制造实现全面连接、全面控制和全面资源整合后，数据就成了智能制造的生命线（见图3-3）。数据收集、存储、快速调拨、模型搭建、规则创建及整合、计算和应用，每个环节都与连接、控制和自动化息息相关。

数据作为智能制造的基础，如应用于其他领域一样，需有采集、整理、应用的过程。在智能制造领域，数据还需要实现实时交互并打通多场景应用。现阶段，数据成为了实现智能制造的前提。未来，智能制造领域数据服务能力将成为第三方服务的重要发展方向，数据专家和工程师都会成为炙手可热的人才。

4.数据采集与整合应用

企业内外大小数据的采集及整合应用是保障智能制造效率的基础，智能产品相关数据的获取也将是产品升级的基础数据。数据采集及整合能力，尤其是外部环境数据、行业数据和用户数据的获取整合能力最耗费成本，也最能体现企业的资源整合实力。智能制造对于企业数据能力的要求包括数据入口掌控数量、数据采集方式（众包之后新的模式）、数据中心规划和实现能力、数据计算资源以及智能算法的驾驭能力等。

图3-3 智能制造数据流图

5.数据传递通道与实时交互

这里涉及网络通道及网络上多节点协议标准建设。多节点交互、监测和控制，以及跨行业、跨领域、跨产品等多场景，要求建立新的、系统性的、统一的协议标准，除了整体架构和基础物联网外，至少先从同一行业（领域）开始细化和建立统一标准。另外，无论是带宽（实时数据承载量）还是网速，目前的网络资源显然不足以支持智能制造的发展。现在大家把希望寄予5G和物联网新的协议标准。作为未来的见证者，让我们共同期待吧。

6.数据模型的多场景创建与打通

一个统计方法吃八方，一个数据模型四海皆准的幸福时光不会再有了。大数据和智能算法不能无限增长，真正考验智能制造的是基于不同场景和条件的数据架构搭建和模型应用，以及多模式和场景下的数据及数据模型打通。任何事情都会有偏差，即使没有偏差，也需要根据外部的变化进行及时调整，完全依赖机器对数据的解读和归纳也不太可能。因此，还需要能够洞察行业发展和业务路线的专业分析师对规则进行调整、优化、升级和废除。