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。
光看数字会觉得基本上智能制造的核心关键指标都提到了,只是不能直接感受到具体牛在哪儿。行业专家整理了一张智能制造流程的全景图(如下),希望能够从全局角度梳理智能制造的相关参与方和影响因素。
从上图不难看出智能制造是个系统工程,即使单点切入也需要系统化规划后逐一实现。
缺少任一节点的连接,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,说一个现在不太多见的产品,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,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、服务信息流等各个相关环节需要全面连接。
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,顺利完成全过程。另外,是否有智能产品是与用户建立直接连接的前提。
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挑战中比较容易出现掌控外事故的问题点。
图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的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。
至于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需整合供应链、生产、物流、服务平台、营销资源等等,才能最大化的实现智能制造的自动化及产能最大化。
智能制造既然有如此高的要求,从以上可以总结出来两条实现路径: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。
另一条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中心存在。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。
综上所述,智能制造即使还没实现也是符合社会经济发展规律的,本来就是一件任重道远的事儿。另外,所谓挑战对于不同发展阶段和数字化程度不同的企业意义不太一样,不能一概而论。
企业内外大小数据的采集及整合应用是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,也最能体现企业资源整合实力。
智能制杂谠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等。
这里涉及到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、跨产品等多场景的要求,需要建立新的、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,无论是从带宽(实时数据承载量)还是网速要求,目前的网络资源显然支持不了智能制造的发展要求。现在大家把希望寄予5G,寄望于物联网新的协议标准。还能说什么呢,共同期待吧。
一个统计方法吃八方,一个数据模型占领全天下的幸福时光不会再有了。尽管大数据和智能算法就那些,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。