数据智能产业创新服务媒体
——聚焦数智 · 改变商业
在21世纪的今天，我们正在经历着一个伟大的变革，一个由数字技术引领的产业革命——智能制造。在这场变革中，大数据、人工智能、5G专网、工业物联网和智能机器人等尖端技术，正如同照亮前进道路的明灯，引领着制造业从传统的劳动密集型向智能化、自动化、灵活化的新时代迈进。生产流程的优化、预测性维护、供应链管理、产品研发等环节，都在这股智能化的浪潮下经历着前所未有的改变。然而，这场变革并非一蹴而就，它需要我们有足够的理解，深度的探索，以及不断的实践。
本文将从数据智能技术在智能制造中的应用，5G行业专网和工业物联网的构建和使用，以及智能工业机器人的角色等多个方面进行深入探讨。并且，数据猿就智能制造的一些关键问题采访了树根互联联合创始人&CEO贺东东、美林数据副总裁于洋、华创资本合伙人陈欢、网易数帆智能制造业务总监黄磊磊等多位业内专家，希望为读者展现智能制造的全貌。
以数据智能优化生产流程，变革产品研发与供应链管理方式
美林数据副总裁于洋认为，IOT、大规模数据处理、机器学习等技术的发展，使得从数据中挖掘价值信息的能力愈发强大，成本也逐渐下降，给企业智能化改造带来极大的拓展空间。
接下来，我们就数据智能优化生产流程、变革产品研发与供应链管理方式来展开更深入地讨论。具体来看，数据智能技术在生产流程优化、设备预测性维护、供应链管理、产品研发四个方面发挥重要价值。
生产流程优化：通过收集和分析大量生产数据，优化生产流程。
现代制造工厂中，生产线上的每一个设备都可以通过传感器收集大量的数据，这些数据包括设备运行状态，环境参数，产品参数等。利用AI和大数据技术，可以分析这些数据，识别出影响生产效率和产品质量的关键因素，并进行优化。于洋指出，通过工艺参数获取，关联质检数据，构建工艺因素与质量关联度模型，实时监控调整工艺保证质量稳定。
通过机器学习算法，我们可以创建更为复杂的模型，理解和预测生产过程中各种因素对输出的影响。例如，我们可以使用深度学习的方法，通过自动学习和识别复杂的模式，预测生产过程的结果，然后反向优化生产参数。此外，强化学习也是一种潜力巨大的技术，它可以在生产过程中不断地尝试，学习并优化决策策略。
设备预测性维护：通过分析设备的历史运行数据，可以预测设备可能出现的故障。
预测性维护是通过分析设备的运行数据，预测设备可能出现的故障。这需要大量的历史数据和复杂的机器学习模型。通过预测性维护，可以在设备出现故障前进行维护，避免因设备故障导致的生产停止。预测性维护可以极大地提高设备的利用率，降低维护成本。于洋指出，为避免核心设备故障造成生产停滞，可构建设备健康管理系统，实时评估设备健康态，实现预测性维护，视情小修，既避免重大故障，节约成本又保证生产运行稳定，提高生产效率等。
供应链管理：通过分析供应链数据，可以预测原材料的需求和价格变化，优化库存管理。
供应链管理涉及到供应商选择，采购决策，库存管理，物流管理等多个环节。每一个环节都可以产生大量的数据，这些数据对于供应链管理的决策具有极大的价值。通过大数据和AI，可以预测原材料的需求和价格，优化采购策略；可以分析供应商的表现，选择更好的供应商；可以预测产品的需求，优化库存水平，减少库存成本。于洋指出，通过匹配库存、采购信息，可实现动态规划备料与配送，减少资金积压。
在供应链管理方面，预测模型和优化模型都是非常重要的工具。预测模型可以预测供应链中各种因素的未来变化，如原材料价格、需求量等。优化模型则可以根据预测结果，以及企业的目标和限制，生成最优的决策策略。此外，区块链技术也可以在供应链管理中发挥作用，它可以提供一个公开、透明、不可篡改的数据平台，增加供应链的可追溯性和透明度。
在将智能技术应用于供应链方面，已经有不少企业有成功的实践经验。以联想为例，联想研究院人工智能实验室打造的联想供应链计划管理平台，可以解决制造业中多品种小批量，生产网络、模式、工艺、产能、物料等约束复杂情境下的计划难问题。它能基于业务目标，运用人工智能和运筹学技术，输出物料需求计划（MRP）、供应计划（主计划）、工厂计划（生产计划）、车间细排计划，在有限物料和产能的条件下，指导企业高效合理地计划生产。
该平台已在联宝科技和联想全球供应链的多个业务场景中得以落地，与传统的规则性APS系统相比，明显优势表现在提升交付率、降低资金占用及提高生产效率等核心业务KPI，同时由于能够快速调整生产计划以应对异常状况，增强了企业供应链的韧性。目前，该平台正在以全球最大PC制造商的最佳实践为基础，帮助更多的中国企业进行计划管理。
产品研发：通过分析市场数据和顾客反馈数据，指导产品研发。
在产品研发阶段，可以通过分析市场数据，比如销售数据、竞品数据、消费者反馈数据等，了解市场的需求和趋势，为产品设计提供指导。另外，也可以通过AI技术，对产品设计进行模拟和优化，比如通过有限元分析预测产品的性能，通过遗传算法优化产品结构等。
网易数帆智能制造业务总监黄磊磊认为，通过采用大数据采集、分析及挖掘技术，获取市场的各种信息，包括客户需求信息、竞争对手的动态信息、市场动态趋势等，将市场需求实时反馈给产品研发，可以为企业制定更加精准的产品策略、市场策略提供科学依据，从而帮助其更好地满足市场需求。于洋认为，通过获取市场信息，结合销量预测、用户喜好分析等模型，可以实现基于预测的产品改型研发与灵活生产。
5G+行业专网，构建智能工厂的数据“大动脉”
在智能工厂中，大量的设备和系统需要实时地交换数据。例如，生产设备需要向监控系统发送其运行状态，供应链管理系统需要获取实时的库存信息，预测性维护系统需要收集设备的运行数据等。行业专网，特别是通过5G技术实现的行业专网，为智能工厂提供了一条数据“大动脉”，使得大量的实时数据能够在各种设备和系统之间高效、可靠地传输。
在此，我们重点讨论5G行业专网在智能制造中的应用。5G行业专网的核心技术包括网络切片、大容量低延迟传输、边缘计算等。网络切片能够在同一物理网络上创建多个虚拟网络，满足智能制造中不同应用的特定需求。例如，预测性维护系统需要高可靠性和低延迟的网络，而生产数据分析则需要大容量的数据传输。边缘计算技术则可以将数据处理和分析的功能放在网络边缘，降低数据传输的延迟，提高数据处理的速度。
5G行业专网的构建通常需要与移动运营商合作，由运营商提供5G网络基础设施，然后在此基础上构建符合特定需求的行业专网。此外，也可以通过私有5G网络的方式构建行业专网，但这需要投入更多的资源和成本。
目前，5G行业专网在智能制造中的应用已经从试验阶段进入到实际应用阶段。一些大型制造企业已经开始在生产线上部署5G行业专网，一些5G设备供应商和移动运营商也已经推出了针对制造业的5G解决方案，帮助企业更容易地部署和使用5G行业专网。例如，华为的5G核心网支持端到端的网络切片，能够根据不同的行业应用需求，提供定制化的网络服务。华为的5G智能矿山解决方案，与中国的煤矿企业合作，通过使用5G网络，可以实现矿山的无人驾驶、远程控制等智能化应用。
进一步的，在远程操控的实现过程中，5G行业专网首先需要将控制命令实时、准确地传输到目标设备。由于5G网络的超低延迟，这使得控制指令几乎可以实时地被设备接收并执行，这对于需要精细操作的场景具有重要意义。同时，5G网络的高可靠性保证了命令传输的稳定性，减少了因网络故障导致的操控失败风险。
需要指出的是，虽然5G行业专网在智能制造领域有很大的应用潜力，但目前还处于初级发展阶段，还有一系列难题需要解决。例如，如何保证网络切片之间的隔离，如何进行有效的切片管理，如何在边缘计算节点上实现高效的数据处理等。此外，5G行业专网的安全问题也不容忽视。由于5G网络连接了大量的设备和系统，一旦网络被攻击，可能会对整个制造过程产生严重影响。
织一张严密的工业物联网，实现自动化生产
如果在上面提到的5G网络基础上，将各种设备、机器和系统连接到一起，使它们能够收集、交换和分析数据，就能够构建一张工业物联网。
在智能制造中，工业物联网的第一步是将各种设备、机器和系统连接起来。这些设备可能包括生产线上的各种机器，如机床、焊接机、装配机器人等；也可能包括环境监控设备，如温湿度传感器、烟雾探测器等。这些设备通过物联网技术连接到网络，形成一个信息交换和共享的系统。
设备通过网络连接后，需要一个平台或软件系统来管理这些设备，收集和处理数据。这可能包括设备管理平台、数据收集和分析软件、生产管理系统等。这些平台和软件应当可以满足企业的需求，如支持实时监控、数据分析、预测性维护、自动化生产等。
更重要的是，借助工业物联网，可以实现更高程度的自动化生产，这将极大提升整个制造过程的效率。传统的生产模式通常需要人工参与每个生产步骤，包括制定生产计划、调整设备、检测产品质量等。但在工业物联网的环境下，这些过程都可以通过自动化设备和智能算法来完成。
自动化生产的关键要素应该有三步，分别是数据收集、数据分析（作出生产决策），以及生产决策的执行。首先，通过物联网，所有设备的运行状态、生产数据以及环境参数等信息可以被实时收集，构成了自动化生产的数据基础。然后，就进入数据分析环节。描述性分析、预测性分析以及优化算法等工具，都可以用于从数据中生成有用的洞察，这些洞察再反馈给生产过程，用于指导生产的下一步行动。同时，人工智能技术，特别是机器学习和深度学习，可以使系统自我学习和优化生产过程，提高生产效率。
收集和分析数据后得到的生产决策需要通过自动化的方式执行，这是实现整个自动化生产的关键环节。在这个环节中，人工智能算法和机器学习的结果被用于控制生产线上的设备，自动调整生产流程，改进产品设计，优化物料需求等。
在这个过程中，自动化控制系统、机器人技术、自动化设备等都起着重要的作用。例如，自动化控制系统可以接收数据分析的结果，控制生产设备的工作状态；机器人技术可以用于自动执行一些复杂的生产任务；自动化设备可以提高生产的精度和一致性。
那么，现在的生产自动化进展如何呢？为了更深入的分析生产自动化过程，我们借鉴自动驾驶等级划分方法，来对工厂的生产自动化进行等级划分。
先来看汽车自动驾驶的情况，我们根据汽车驾驶的自动化程度，来将其划分为L0-L5的不同等级。
同样的，我们可以依据整个生产过程的自动化程度，来将生产自动化划分为L0-L5的不同等级。
目前，大多数工厂的生产过程可能在L2到L3之间，工厂里的许多生产任务都已经由自动化设备来执行，但人工监控和干预仍然是必要的。但是，很多小型的工厂和那些生产复杂产品的工厂可能仍然处于L1或L2的等级，他们的生产过程中仍然需要大量的人工劳动。
许多现代化的工厂，尤其是汽车制造厂，已经部分采用了更高级别的自动化，包括使用机器人进行组装和焊接，甚至有的工厂已经达到了L4的生产自动化等级。然而，这种高度的自动化并不普遍，因为它需要大量的投资，并且可能会引发其他问题，如失业和技能转移的问题。
在迈向L4到L5级别的生产自动化——也就是无人工干预的自动化生产——的道路上，我们需要在多个关键技术领域实现突破。
首当其冲的就是高级人工智能和机器学习技术。在这种级别的自动化中，生产设备需要具备能自我学习和决策的能力，以自动调整生产过程，解决复杂问题，并优化效率。为此，我们需要研发出能够根据实时生产数据进行决策的智能算法。同时，我们还需要借助机器学习系统，以学习历史数据的方式预测和提前解决可能出现的问题。
在追求自动化的过程中，强大的计算能力也是不可或缺的。我们需要处理海量的实时数据，进行复杂的机器学习模型训练和推理，这都需要大量的计算能力。
此外，实现L4到L5级别的自动化生产还需要设备具备强大的适应性和灵活性，使得它们能够根据生产条件和需求的变化进行自我调整。这就需要我们研发出具备强大适应性和灵活性的生产设备和控制系统。为了保证在无人工干预的环境中设备和人员的安全，我们需要研发可靠的安全系统。这包括能够检测并预防设备故障的系统，以及用于应对突发情况的应急系统。
更智能的机器人，无人工厂的关键基础设施
为了实现更高级别的自动化，我们还需要研发更高级的机器人技术。这些机器人不仅需要能够执行更复杂的任务，并与其他系统协同工作，还需要有自我学习和优化的能力。机器人的智能化程度，很大程度上决定了整个生产流程的自动化程度。机器人在智能制造和自动化生产中的应用日益普遍，其角色和功能也日趋多样化。
首先，机器人在物料搬运和生产线上的重复性任务中发挥重要作用。这类工作往往需要在规定的路径和时间内执行相同或类似的任务，如装配、搬运、包装等。通过使用机器人，这些工作可以得到自动化，从而提高生产效率，降低人力成本，同时减小因人为错误导致的问题。这种应用通常需要机器人技术、自动化控制技术和物流管理技术的深度集成。
其次，机器人还在复杂的操作和精细的任务中发挥着关键作用，例如焊接、切割、打磨等需要精细操作的任务。这类任务往往需要高精度、高稳定性，而人工操作难以达到的要求。此外，一些工作环境可能对人体有害，使用机器人可以避免人员暴露在危险环境中。在这些情况下，机器人需要配备先进的视觉系统、精确的控制系统和强大的运算处理能力。
再次，随着技术的发展，机器人开始在更为复杂的环境中工作，如不定式生产线、高变动的工作环境等。这些场景需要机器人具备更强的自主决策能力，能够对环境进行感知，理解任务要求，根据实际情况灵活调整工作方式。这种情况下，机器人需要具备先进的人工智能技术，包括机器视觉、机器学习、自然语言处理等。
最后，机器人还在远程操控和协同工作中发挥着重要作用。随着生产模式的变革，机器人需要能够与人员或其他机器人协同工作，共同完成复杂的任务。在这些情况下，机器人需要具备高级的通信技术、协同工作算法和安全保障技术。
总的来说，机器人在自动化生产中的应用涵盖了从简单的重复性任务，到复杂的决策和操作任务，以至协同作业和远程操控等各种环节，它们无疑极大地推动了智能制造和自动化生产的发展。然而，要实现真正的自动化生产，还需要解决几个关键问题。一方面，我们需要进一步提升机器人的智能化水平。另一方面，我们需要建立高效的机器人协同工作系统。
此外，我们需要提升机器人的安全性。在自动化生产过程中，机器人需要与人员和其他设备密切交互，如何确保在各种情况下的安全，是一个非常重要的问题。
网易数帆智能制造业务总监黄磊磊认为，为了在实现制造业数字化、智能化过程中，保证数据安全、系统安全，避免数智化带来的额外风险，需要从以下几个方面入手：
制定数据使用、存储、备份、恢复等方面的规定，保证数据的完整性、保密性和可用性；确保系统安全。采用先进的安全技术，包括网络安全防护、入侵检测、加密技术等，提高系统的安全性；定期开展安全培训，加强员工对安全意识的认识，提高员工对安全问题的敏感度和防范意识；选择可靠的硬件和软件设备，确保其安全性，避免由于设备安全漏洞导致的数据泄露和系统瘫痪等问题；制定备份和恢复计划，确保数据的安全和可恢复性，防止因为数据丢失或系统故障导致的生产中断和损失。
此外，还需要建立完善的应急响应机制，提前制定好应急预案，确保在事件发生时能够及时反应和处理，最大限度减少损失。通过以上措施，可以有效保障制造业数字化、智能化过程中的数据安全和系统安全，避免数智化带来的额外风险。
最后，我们要关注机器替代、生产自动化、工业互联网等新技术应用，所带来的潜在大规模失业风险，以及如何变革我们的教育、培训体系来适应新的产业环境。
正如树根互联联合创始人、CEO贺东东所说，“数字化的目的，不是机器换人，而是如何让人发挥更大的价值，让工厂创造更大的价值。“
贺东东指出，近几年，工业互联网在产业应用越来越深入广泛，数字化转型已经成为制造企业普遍的需求，大量企业特别是中大型企业的数字化转型已经深入业务的方方面面，深刻的改变了企业的业务模式、管理方式。企业数字化技能人才需求也随之而来的，一方面企业在导入数字化系统，进行项目实施过程中，需要相关的工业互联网技术实施和运维人才；另一方面，业务的数字化运营管理，企业大量的原有岗位人员，都需要理解和掌握新兴数字化工具的使用和运维，面临技能的升级和转型。
因此，培育更多产业数字化人才成为工业互联网产业发展，加速企业数字化转型的重要组成部分。近年，教育部、人社部在中高职、技工院校，也相继设置工业互联网新专业，广东已有十余所院校开设工业互联网专业，工业互联网平台技术服务企业也积极参与，促进产教融合。例如，树根互联专门成立工业互联网教育中心，负责开发工业互联网人才培养课程体系，服务院校及相关机构培育产业数字化人才，与广轻工、广州番职院、广州轻工技师等一系列院校开展产教融合，通过自身深厚的产业案例和成熟的平台技术，助力高质量的数字化人才培养。同时，与树根互联的生态企业、下游客户拉通，对接企业的用人需求，形成人才培养闭环。
需要指出的是，智能制造正处于快速发展的关键阶段，新技术、新应用层出不穷。在这种情况下，看清楚未来的发展方向，对于企业而言具有重要战略价值。为此，数据猿就智能制造的技术发展趋势、未来发展方向，采访了多位业界专家。
华创资本合伙人陈欢认为，在智能制造领域，以下几个发展趋势值得关注：3D视觉得到越来越广泛的应用，3D相机让机器设备有了更高效的“眼睛”，能够更好地感知外部环境，提升智能化水平；新型传感器的应用进一步提升数据采集和分析能力，例如X光传感器、光纤传感器、压力传感器等多种传感器的融合使用，可以提供更准确和全面的数据，监测设备状况、产品质量和生产环境；工业物联网和人工智能的结合，从最初的强调数据采集，发展到更注重利用数据实现的智能化的执行，实现从感知到执行的闭环。例如有的智能化系统可以利用采集到的设备数据，实现对电机的控制，在保证效率和效果的前提下，可以降低能耗；数据分析和挖掘的价值逐步体现。智能制造的数字化系统中积累的数据，结合发展迅速的人工智能模型，对设备工艺参数优化，提升生产质量提供决策建议。
此外，陈欢认为，智能制造正从单设备和单生产环节的智能化发展到整条生产线和整个工厂的智能化，这意味着不仅各系统之间需要互联互通，而且各设备之间也需要物理上的互联互通，让生产流程能够进一步无人化和智能化。
展望未来，随着技术的不断进步，智能制造将向更高的自动化等级、更大的数据处理能力、更强的自适应性和更高的协同效率等方向发展，不断推动制造业的升级和转型。
文：一蓑烟雨 / 数据猿
