三个层面理解智能制造

***近两周读了三本有关智能制造的书，买书时本是无意，却碰巧三本书分别从三个层面进行阐述，即数字化工厂、大数据应用和商业模式。

智能制造，核心是制造，***直接的载体是工厂。之前***接触“智能制造”这个词儿，脑海中浮现的就是工厂里全是机器人，***数管理人员坐在大屏前监控着整个工厂甚至所有相关工厂的生产。实际上这只是智能制造的一个简单的、直观的表象。

按照我的理解，数字化工厂是智能制造的“硬件”基础，大数据挖掘分析是智能制造的“软件”***，在数字工厂和大数据基础上实践新型商业模式才是智能制造的完整体现。这三者也并非“先有鸡后有蛋”或者“先有蛋后有鸡”的关系，而是互为支撑、相辅相成，呈现一个螺旋式上升发展的形态。

1 数字化工厂

数字化智能工厂是智能制造的基础和前提，它允许在企业层面对产品从设计、研发、制造、测试、使用、收回（报废）等全生命周期进行统一管控，在生产管理层面对计划、数据、客户需求以及人力、设备、物料等资源进行过程管理，在具体的操作、控制和设备现场层面对整个物理底层的运行状态进行监控和分析。实现工厂的高度智能化、自动化、柔性化、定制化和集约化，使企业能够快速响应市场需求，实现价值***大化。

1.1 在企业管理层，***典型的应用是ERP和PLM系统。

ERP主要负责企业资源计划管理，我把它理解为企业管理***核心的应用。如今ERP的含义已在MRPII基础上被进一步扩大，用于企业的各类管理软件都被纳入ERP范畴，主要包括供应链管理、销售与市场、分销、客户服务、财务管理、制造管理、库存管理、人力资源、报表以及******、质量管理、***与标准等功能。

PLM主要关注产品的全生命周期管理，我理解为产品工程***核心的应用。在产品全生命周期管理中，很重要的一个就是数字孪生模型（Digital Twin），它是对物理对象进行数字化建模，并呈现在虚拟空间中的一种技术手段，或者是一种产品制造模式。与产品相关的原材料、设计、工艺、生产计划、制造执行、生产线规划、测试、维护等均被建立模型，实现全流程数字化、可视化（三维）和闭环管理，并不断发现和规避问题，优化整个产品系统。

1.2 在生产管理层，***典型的应用是MES。

MES主要负责制造执行管理，我理解为具体制造职能部门的***核心的应用，也是连接企业管理层与生产现场的“数据交换机”。MES能通过信息传递对从订单下达到产品完成的整个生产过程进行优化管理（MES国际联合会对MES的定义）。MES能够对工厂的实时事件及时作出反应与报告，并用当前的准确数据进行指导和处理。MES会生成并分发生产计划，对现场的控制设备、生产设备、检测设备和产量等各类数据进行统计分析，并于生产计划协调。

1.3 在操作、控制和现场层面，则主要是自动化集成系统。

自动化集成系统处在智能工厂的***底层，通过工业网络自下而上跨越设备现场、中间控制和操作三个层面。设备现场就是用于生产的各类硬件设备，包括机床、机械臂（机器人）、运送车辆、检测设备、环境控制设备等，这也是智能制造中“***能看得见”的一层。中间控制一般通过PLC、工控软件等对设备进行管控。操作层面则是操作人员对整个物理层运行状态进行监控分析。现在的工厂中，设备与控制层往往被集成在一起，并没有明显的物理分割。

2 大数据挖掘分析

2.1 大数据是实现智能制造的核心技术

大数据是实现智能制造的核心技术，通过分析数据可预测需求、预测制造、解决和避免不可见问题的风险，利用数据整合产业链和价值链。大数据本身是没有价值的，对大数据进行挖掘分析，找到问题、解决问题、避免问题、优化流程才是大数据的意义所在，即围绕问题、数据与知识三要素，通过大数据分析提升生产系统层面的智能化，实现无忧虑生产环境。

2.2 大数据在智能制造三个方向上的应用

一是把问题变成数据。制造过程中的问题有可见问题和不可见问题，可见问题就是已经发生了、对制造过程带来不良影响的现象，比如设备故障停机、质量缺陷、效率下降等，这些问题在过去往往利用人的经验去判断和解决。通过CPS信息物理系统从制造5M要素（即材料Material、装备Machine、工艺Methods、测量Measurement和维护Maintenance）获得反映问题发生过程和原因的数据，利用数据对问题进行分析和管理，知道“如何做”，解决“可见问题”。

二是把数据变成知识（模型）。许多不可见问题往往是长期积累成为可见问题后才会被发现和解决，比如部件的磨损导致精度逐渐降低，***后导致不合格产品。大数据技术就是从数据中挖掘出隐性问题线索，知道“为什么”，从而预测、分析和解决“隐性问题”，有效避免“可见问题”。

三是把知识再变成数据。深度挖掘知识，理解知识和问题之间的相关性，并产生新的知识，利用知识对整个生产流程***建模，在产品设计和制造系统（流程）设计层面进行优化改进，从根本上解决、避免“可见问题”和“不可见问题”。

当上述三个过程可以实现自动循环进行的时候，生产系统具备了自省、自预测和自我优化能力，即实现了智能制造。我个人把上述三个过程理解为生产系统在人监督下的“机器学习”。

2.3 大数据推动生产型制造向服务型制造转变

一是适应用户消费行为和心理的转变。用户的消费行为在快速转变，逐渐由追求产品功能转变为以产品为核心的个性化消费体验和应用场景的满足。也就是说过去为了填饱肚子只吃蛋黄，现在基本需求已经得到满足，开始连蛋白一起吃，甚至还希望在蛋白上刻上自己的logo或者设计精美的图案。用户希望得到的是整个鸡蛋的价值，产品是蛋黄，服务就是包在蛋黄周围的蛋白。大数据的作用体现在利用数据发现被隐藏的用户需求（用户甚至自己也不知道），对与用户有关的问题和服务重新定义，获取隐***，利用知识为用户提供客制化服务。

二是适应企业间合作和服务趋势的转变。企业之间的合作不再以单个核心企业为中心，而是形成密集且动态的企业服务网络，知识交易成为企业之间协同和增值服务的主要方式。知识的获取和应用能力成为企业的核心竞争力，产生知识的数据成为企业的核心资产。而单个企业的数据样本不足以对所有问题进行分析和建模，企业之间需要通过合作汇集数据、共享模型，从而获得服务和价值。

三是适应企业模式转变。十几年来，IBM、西门子和华为等许多大型制造企业由传统产品制造商转型为基于产品组合加全生命周期服务的解决方案提供商，一些企业的收入多半来自服务而非产品。产品销售之后流程并没有完结，继续利用用户使用产品过程中的数据还原用户的使用场景，在场景中进一步挖掘用户需求，将价值链进一步延伸到使用端，甚至改变企业的商业模式。例如，农机制造商通过对农机在使用过程中收集到的土壤、气候、种植作物等信息来分析***优施肥量，推荐***优作业机械型号、种子、***等，为农场提供提高产量的解决方案，进而转变为农作物管理服务解决方案提供商。

3 未来工业模式和业态重构

当工业生产全自动化成为现实，工业生产的文化也发生了根本变化，产品可以在***任何一个地方被以同样的标准和质量制造出来，并在***任何一个地方销售，企业要给客户一个“为什么要在我这里买”的理由变得越来越难，这就是商业模式要解决的问题。

3.1 新形式的竞争

当社会生产力不高的时候，能够制造钉子的工厂寥寥无几，客户只能从仅有的几家工厂采购钉子这一产品，产品只要生产出来就能够卖掉。当生产力逐渐提高，许多工厂都可以生产钉子，客户从A工厂和从B工厂采购的钉子产品本身是无差别的。客户选择的不再是产品本身，而是可以提供综合产品方案***好的工厂。比如A工厂将订单生产完后一次性供货，而B工厂可以根据客户的生产进度分批供货。这时企业之间的竞争不再是产品，而是商业模式，它是企业的核心范畴，定义了企业价值、产品价值、客户价值、市场价值和员工价值。

3.2 有用的数据才有意义

数据是优化调整的重要依据，商业模式、企业策略、流程措施和测量数据是数据系统的核心元素。决定了一个商业模式只是***步，接下来要根据目标寻找适当的策略，即要正确选择下一步做哪些事情。然后要将决定的策略运用到实践中，也就是要制定合理的流程、采取相应的措施来实现策略制定的目标。这同时也决定了需要监测哪些数据。数据要有目标性、可操作性、没有异议并且可以被测量，否则就没有任何意义。

3.3 以客户利益为导向的生产

企业通过实现客户利益创造价值与通过产品创造价值相比，是一个完全不同生产系统，企业资源不再服从内部成本核算和生产要素的投入产出比，而是要服从市场导向，满足客户需求，提高客户满意度。在这个过程中，等级管理制度不再存续，规划与执行是连通的，员工不再是成本因素，而是实现企业策略的流程负责人。企业的采购、生产、物流、交付和内部沟通不再以追求单位成本为主，而是围绕如何快速满足客户需求。

综上，企业首先要完成生产的自动化和信息化，这是实现智能制造的基础和前提。然后企业需要高度重视数据的应用，以目标导向收集和分析数据，利用***算法建立解决各类问题的模型。***后要以商业模式为导向，实现不同方向的集成：企业与企业之间要横向集成，将集中于内部的信息集成、研发体系、供应链管理及价值链重构等环节拓宽到企业之间，在更广阔的范围内协同共享，形成企业间价值网络。企业内部要纵向集成，以ERP、PLM和MES等为代表的产品和资源管理系统要垂直集成，打通从客户利益到生产现场的全链条。整个生产的全流程要围绕客户价值实现端到端集成，将用户需求、创意、体验、销售、制造、迭代等与产品整个生命周期的流程充分融合，让用户参与产品研发与制造的各个环节，为用户提供更多服务、带来更多体验、满足更多需求，从而提升产品附加值，获得更大的市场、更高的客户满意度和更大的销售规模。

***后，我非常认同《智能制造之路：数字化工厂》书中的观点：人类与机器之间的关系不是对立的，而是相互合作、共同协作的，从而有助于建立起高度柔性的智能系统。智能制造系统不是简单的人工智能系统，而是在人工智能的辅助下，人与机器和谐相处，各自发挥自己的优势，其中人依然是整个过程的核心。