智能制造需要解决的核心问题有哪些

为什么要进行数字化、智能化转型？

从需求端研究发现，消费者的需求已经发生了变化，传统的大批量、标准的产品已经无法满足人们日益增长的多样性需求，这个时候作为供给端需要怎样跟上消费端的需求，是需要重点考虑的问题。

不管是汽车生产厂家，还是供应商都应该考虑如何解决由产品本身的不确定性、多样性、复杂性而带来的生产方式的不确定性与复杂性问题。

智能制造要解决的核心问题就是，面对客户需求的变化及不确定性，企业如何适应和跟上这一快速的变化，如何更好地满足客户需求，这是智能制造转型的逻辑起点。其根本还是为了适应市场快速的变化，提升公司应对未来市场不确定性的能力，提升综合竞争力，降低自己的成本，从而在市场上赢得立足之地，具体表现在效率、成本、质量、服务四个关键要素方面。

（1）效率。缩短产品的上市周期，加快新产品的迭代速度；提升制造的柔性与灵活性，以应对市场日益增长的个性定制化需求。

（2）质量。打造可追溯的质量管理体系，向客户保证能够持续兑现高质量地按时交付。

（3）成本。让企业单位的成本投入获得比同业竞争对手更大的产出。

（4）服务。通过对设备的连接，实现对生产设备数据的完整采集与分析，帮助客户提升生产效率、预测性维护，以及生产可视透明化，通过数据有效合理地调动能量，通过数字化进行运维服务。

而怎样消除或减少不确定呢？香农在20世纪40年代就已经给出了答案——信息是用来消除随机不确定性的东西。工信部安筱鹏博士提出，数字化转型的本质就是通过信息的采集、分析、决策，从而实现全局的制造效率提升，响应“大规模定制”中的高品质、低成本要求。

如何进行数字化、智能化转型工作？

贯穿人类科技发展的历史，有两条主线，一个是能量，另一个是信息。第一次工业革命与第二次电气革命，更多是能量的转换和生产效率的提升。进入近代，能量增加的速率在放缓，信息增加的速率在递增。信息在社会中的权重增加，代表着信息置换能量成为技术迭代、社会发展的主要手段。

在能量主线，传统的生产工具或方式需要演化到智能工具阶段，生产效率得到进一步提升。例如：搬运机器人通过视觉识别、算法优化可以自主决策运动轨迹，传统的夹具设计、PLC设计通过标准化、模块化、数字化、智能化的改进，可以进行快速地参数化设计，提升设计的效率，减少成本的投入。

在信息主线，传统的经验决策方式需要演化到通过“数据+算法”的方式进行决策，目前的管理系统例如ERP、CRM、MES等更多是管理思想的数字化、代码化，通过信息化的方式已经提升了企业的管理效率。如图1所示，我们可以通过不断挖掘、汇聚、分析消费者以及研发、生产、供应链等数据，基于“数据+算法”构建一套新的决策机制，替代传统的经验决策，实现更加高效、科学、精准、及时的决策，以适应需求的快速变化。

图1  基于“数据+算法”构建的全新决策机制

智能工具

通过“标准化→数字化→网络化→智能化”的演化路径（见图2），将能量工具转换为智能工具，包含硬件工具与软件工具。例如，软件智能工具就是将数据转换为信息，将初始设计数据整理成知识。让知识显性化、共享化、工具化以及智慧化，使知识跟设计过程融合。比如把设计过程变成组件化、参数化，形成工程化知识，具有自动化特征，网络化可以关联更多的信息快速形成合力，参数化输入可以自动生成夹具单元，并加入算法模型，就具备了智能化特征。

图2  智能工具演化路径

标准化、模块化是所有的基础。要解决一个复杂的系统或复杂的过程，必然的也是唯一的方法就是对复杂系统或复杂过程进行分解。这也是为什么自工业化开始，“标准化”就是一个永恒的主题。只有在实现标准化、模块化的基础上，智能化才能进一步演化，而模块化也是现在数据中台概念的核心理念。

智能决策

通过“行业知识+数据+算法模型”帮助客户实现辅助决策，通过PLC及传感器采集现场设备运行的数据，并且将其转换成具有时间标签的工业大数据，加之适用的算法和算力，通过行业知识的总结分析，解析出这些数据背后所蕴含的特定的工况模式和特征（知识），根据这些知识进行设备参数的优化、预防性维护以及改进设备的设计。通过以上模式（见图3）辅助客户在生产线运营的过程中进行效率提升、成本优化、质量追溯。

图3  智能决策