數字化 || 智能制造走向深水區
經過幾十年發展，我國逐步建立起了門類齊全、獨立完整的工業制造體系，制造業增加值連續12年居于世界首位。中國制造業企業在各個細分領域的市場份額不斷攀升，例如在鋰電池行業，2021年全球動力電池裝機量TOP10企業中中國企業就占據6席，市場份額達到48.6%。
中國制造的龐大產能規模優勢也體現在出口方面，2021年我國出口21.73萬億元，同比增長21.2%。家電、手機、計算機、集成電路等8類機電產品出口均超千億美元。但是，出口貿易總量或貿易順差額并不能真實反映中國制造業的競爭力。
從全球價值鏈上來看，中國制造業核心競爭力仍然不強。具體從貿易增加值和國民收入視角來看，生產出口賺得的一部分收益其實是要被劃分為外國國民收入[1,2]。在全球價值鏈中，中國制造業主要還是在賺取加工費，一部分中國企業仍然依賴于外國資本要素和技術要素，歐美國家則掌握著通過專利技術等要素來獲取收益的方式。
目前我國制造業面臨“雙向擠壓”的局面沒有發生根本性扭轉。一方面在中低端領域面臨其他發展中國家的競爭，我國已經不能延續21世紀初期依靠人口紅利的發展模式，即繼續依靠人工大規模生產低附加值工業品。另一方面，在中高端領域，我國制造業企業自動化、智能化程度相較于發達國家還較低，還沒有完全掌握重點行業的關鍵核心技術，在研發設計和國際標準制定等方面還沒有足夠的主導權。
正是在這種情形下，我國政府提出要實現智能制造，在“十三五”、“十四五”期間連續編制智能制造發展規劃，促進制造業企業實現數字化、網絡化、智能化轉型，向制造強國邁進。本文將結合筆者觀察到的一些產業前沿進展來重點闡述如下幾個方面：
-
如何理解智能制造？
-
智能制造的底層基礎是數字化
-
實現智能制造應當聚焦裝備和工藝
-
制造工藝和設計仿真協同促進正向設計
-
企業設計仿真、生產制造及服務全流程協同
-
制造業通過數字化、智能化技術提升管理決策水平
-
智能制造領域的人才和初創企業
-
從企業經營和產業發展角度看待智能制造
-
展望
談及智能制造，首先就需要從企業需求角度出發。制造業企業最關心的是質量能不能更好？成本能不能再低一些？怎么讓交付更快？說到底是制造業本身對規模效應的追求，特別是在當今市場需求愈發多樣化、個性化，企業需要具備更強的柔性制造能力和產品設計創新能力。智能制造正是要回應企業對規模效應和柔性化制造這兩方面的訴求。
智能制造是要貫穿企業研發設計、生產制造到服務的全過程，核心落腳點是在制造環節，特別是在工藝和裝備兩方面上。我們的分析也將從裝備工藝開始逐步延伸至設計仿真、服務環節。
中國制造要向中高端領域邁進，生產出更高性能、更高精度的高質量產品，勢必將對工藝和裝備以及企業正向設計能力提出更高的要求。實現智能制造，企業需要使用智能化的裝備，在生產過程中形成更優的生產工藝，做出全局最優的生產和研發決策。而不是僅僅停留在看一個顯示生產過程數據的大屏系統，又或者是單純的可視化渲染界面，新技術的應用還是要深入生產過程中去，避免“高大全的花架子”。
從控制論的角度來看，實現智能制造應理解為是要打造一個閉環控制系統，控制目標即為實現最佳生產工藝流程，達到最佳生產狀態。控制系統運行的關鍵在于可以實現良好的負反饋調節，以及實現從決策端到執行端的打通。閉環控制系統的覆蓋范圍可以是一臺機器或者一條生產線，也可以是一個車間、一個工廠甚至是一條產業鏈。同時，這個系統具有自適應性。
由此可見，智能制造包含感知、決策和執行三個要素，通過工業物聯網、邊緣計算等技術收集系統內產品、設備、車間和企業的運行狀態，這些數據經過處理后會匯總到工業數據平臺上。最為核心的是決策中樞，過去企業的生產決策都是以依靠人的經驗判斷為主，智能制造系統中決策將逐漸以數據驅動+工業機理融合模型的判斷為主，決策中樞將具有自適應性。執行系統也是必不可少的，現在也有企業將RPA技術應用到一些固定的機臺聯動操作流程上，減少人工操作，進一步提高生產的自動化程度。
新一代信息技術與制造業深度融合，引發出一個重要變化：數據作為一種新型生產要素逐漸得到產業界的重視?？梢钥闯?，智能制造的底層基礎是數字化，即數據需要在系統內得到精準的采集、傳輸、存儲和分析。智能制造的核心數據來自裝備和工藝過程，在此基礎上包含裝備與生產管理軟件間的交互，以及軟件間的交互。
整個系統要對數據實現整合分析和閉環控制，就需要面向工業物聯網場景的數據接入和轉換協議方案、消息中間件、時序數據庫或實時數據庫、邊緣AI推理框架或工具乃至一整套的云邊端AutoML平臺。
以數據存儲環節的數據庫為例，由于工業物聯網場景下的工業數據規模巨大，例如GoldWind每個風機部署有120-510個傳感器，數據采集頻率最高會達到50HZ，2萬臺風機每秒就會有5億個時序數據，這些海量數據的存儲和實時計算就會對數據庫提出更高要求[3]。
在實際訪談和調研中發現，工業數據的收集、協議的轉換確實是一個令人頭疼的問題，因為采集的物理量會有很多，工業協議又有很多種，業界也有在探索應用OPC UA over TSN等技術解決這類問題。但更重要的問題是采集哪些數據更有用，以及數據收集后怎么把數據用起來。這里面還是要以工藝優化、生產決策優化為導向，不能為了采集而采集，為了上數據平臺而上數據平臺。
數字化、網絡化和智能化是相互支撐的，不實現智能化變革，數字化轉型也會失去方向和價值支撐。僅以生產過程為例，生產過程中自動化設備產生的生產數據沉淀下來，網絡化就是指通過網絡技術將數據傳輸至數據平臺或現場控制系統中，更重要的是對數據進行分析處理，實時決策控制裝備和工藝過程，實現智能化生產。
智能制造涉及裝備、生產工藝、生產決策、產品全生命周期管理、研發設計等方面，這些方面始終圍繞的核心是質量。
質量是制造業企業的生命線，而質量依賴于可靠的裝備和先進的工藝。裝備承載工藝，工藝引導裝備，兩者不可分割并且會相互促進。因此智能制造的重點首先是要深入工藝生產環節，落在裝備智能化和生產智能化上。裝備和生產工藝智能化特別需要企業將新一代信息技術與先進制造技術融合，但不是一味強調AI一類的新技術。認為有了新技術可以解決一切問題或者彎道超車的觀點是有失偏頗的，實現裝備和工藝智能化需要立足制造規律和工業基礎。
裝備方面，機床是最為重要的機械裝備，主要分為切削加工和成形機床兩大類。其中切削加工機床的智能化主要在以下方面：通過實時采集振動、主軸溫度、切削力具備感知力，進而可以針對外界環境和機床及刀具本身狀態的變化進行自適應決策，即動態實時優化控制進給深度、進給速度和切削速度以及溫度誤差補償等，同時防止刀具過度磨損。但是機床的加工工藝目前仍然需要工藝規劃人員人工設置，尚未實現自主規劃和自適應的優化，無法高效應對多品種小批量的柔性生產需求[4]。
再以金屬塑性加工中的鍛壓裝備為例，目前鍛壓裝備正在數控技術基礎上向智能化邁進，通過分散多動力、伺服電動機直接驅動和集成一體化等技術途徑滿足智能化鍛壓設備生產過程高效、柔性、高精度的要求[5]。
在新興的增材制造領域，國外公司Markforged通過嵌入AI算法驅動的軟件并結合IoT傳感器提升裝備的智能化程度。其增材制造裝備可以自適應地打印零部件，實時進行公差補償和路徑優化。而且每一臺3D打印機的打印流程數據都會沉淀在云端平臺，于是整個增材制造系統將通過這種聯合學習實現自我優化，用戶也將得到更精確的制造流程。對于增材制造這種成型同時成性的制造方式，軟件提供的智能化價值更加重要。
在工業機器人智能化方面，自適應編程軌跡規劃的需求日益增長，學術界和業界都在進行探索。業界如摩馬智能自主研發認知智能算法訓練平臺，將基于AI的自適應軌跡規劃算法下發到邊緣端，使得機器人可以根據不同產品的生產工藝及周圍環境的變化，實時做出動作決策。如此，工業機械臂的部署時間可以縮短到十幾小時甚至是幾個小時。對企業來說，節省換線部署成本和人工調試成本是具有很高價值的[6]。
工藝方面，目前主要通過機理模型和數據驅動模型兩種建模方式來實現智能化。又因為實際工業場景中的諸多工藝過程大多具有非線性、時變性及復雜多尺度的特點，有的場景甚至無法建立完整的機理模型或者建立難度非常大，所以通常會將機理模型和以AI技術為基礎的數據驅動模型融合起來，實現工藝過程的自主學習迭代和智能決策控制。
流程行業中張夢軒等總結了將化工過程的第一性原理及過程數據和AI算法相結合的混合建模方法?；旌夏Ｐ涂梢跃C合機理模型和數據驅動模型各自的優點，應用在化工過程中的監測、優化、預測和軟測量方面[7]。
離散行業中的塑性加工的鍛造成形過程也是一個復雜的非線性時變過程，加上實際場景中還可能存在油液泄漏等眾多不確定的干擾因素，所以精準鍛造過程控制難度很高。單純依靠機理模型的控制策略存在偏差。將基于物理動力學的機理模型和具有在線樣本學習能力的數據驅動模型結合起來，可以在鍛造過程中對鍛造工藝參數進行實時調整與補償，實現鍛造過程的智能化控制[8]。
再比如工業中應用場景最為廣泛的工藝：焊接。還是動力電池組的電阻點焊，大多依賴人工焊接[9]。正式焊接前通常需要進行大量嘗試各種焊接參數組合，才能得到制造需求的最優參數，這種“試錯法”耗時長、材料消耗大。
星云電子的徐海威等研究發現利用貝葉斯極限梯度提升機(Bayes-XGBoost)與粒子群優化(PSO)算法結合預測最優參數，可以幫助電阻點焊工程師面對新的動力電池組生產需求時快速選取合適工藝參數，提升人工焊接生產效率，避免耗費大量材料[10]。
其次，無論是人工焊接還是機器人焊接，其焊接過程仍屬于開環控制。即使是高度自動化焊接機器人產線，其焊接過程和質量都不是完全可控，單機的誤差累計和多機之間的相互影響都會影響焊接質量，而焊接質量直接決定了產品安全性能。比如一臺汽車白車身的焊點數量在4000~7000個，為了保障焊點質量，國內外車企都會在自動化焊接后進行人工抽樣檢測，再根據抽檢結果進行焊接工藝參數的離線調整。但這種事后抽檢無法做到100%質量保障，一旦出現問題就會批次召回，損失很大。這就迫切需要針對工藝過程環節的在線控制和實時質量評價技術[11]。
對于人工焊接，工藝智能分析技術可以將IoT層面收集的實時信息和分析結果通過MES下發到現場，幫助企業實現生產加工缺陷實時智能診斷。
對于焊接機器人，可以采用基于焊工智能技術的方法提升焊接機器人智能化水平，思路是使機器人具備類似人類焊工的學習動態焊接問題的能力，主要通過視覺、體覺和思維上在線感知實時焊接狀態，并具備類似焊接工人對焊接場景形成記憶的學習能力。在焊接過程中，機器人主要基于熔池動態捕捉和識別算法實現對熔池的動態監測，并通過調整焊接速度和焊接電流兩個工藝參數對熔池進行實時控制，最終得到受控的連續均勻焊縫[12]。該方法屬于一種基于質量在線評價的工藝實時閉環控制技術。
應用這類智能化焊接技術可以有效解決焊接機器人的自適應決策控制難題，不僅可以幫助企業實現加工過程的精確控制，獲得最佳的材料組織性能與成型質量，還可以幫助企業節省下來日常調試和換線部署機器人的時間成本和高昂的人工成本。
上述參數尋優、質量在線評價及實時控制技術在業界也已經開始了相關產業實踐，比如蘊碩物聯和大熊星座，大熊星座更側重視覺技術上的焊縫識別。
從以上例子可以看出，就工藝智能化而言，其控制目標是生產條件達到最優，產成品良率得到提升，減少交付時的殘次品數量。我們會很自然地發現，相較于在質檢環節單點式地運用檢測技術，工藝智能可以從源頭上解決質量問題，因為前者只是一種事后檢驗評價。
誠然，廠商需要對缺陷等產品殘次情況進行檢測，目前AI技術在工業中的應用也主要集中于視覺檢測，但廠商更需要形成對殘次原因追根溯源和精細化工藝參數反饋控制的能力。由此，單純的機器視覺、設備制造乃至工業軟件等公司都可以從自身產品出發逐步擴展，實現更大范圍內的智能優化。
這方面舉一些半導體行業中將工藝制程優化和視覺檢測結合的案例，例如應用材料公司將機器學習算法融入ADC（自動缺陷分類）技術中，其Purity II ADC技術拓展了應用材料SEMVision G7系統的機器學習能力?；贛L算法進行實時自動分類、缺陷檢測和根本原因分析，可以促進半導體制造企業工藝和良率管理水平的提升[13]。
國內的初創公司哥瑞利、昆山潤石科技等也在進行類似工作，將工藝制程管理的FDC（自動失效分類系統）和ADC系統結合起來，使用AI算法并融合IoT設備采集的過程數據，共同形成了一個可實現負反饋調節的制程優化控制系統，幫助企業快速定位缺陷產生原因、優化工藝，進而可以縮短產線調試周期和提升良率。
上述列舉了裝備和工藝智能化方面的典型案例，這些案例都是從制造業最關心的質量問題出發，以實現生產過程的實時自適應決策控制為目標。這些智能化技術將以軟件形態交付給設備使用企業甚至是設備制造商。持續沉淀積累的工藝數據將不斷加強這類工藝智能軟件的技術壁壘。對于裝備制造業企業來講，需要從單純提供硬件產品轉變到同時交付軟件和硬件產品，提高客戶粘性，加強自身技術壁壘。
制造工藝和設計仿真
協同促進正向設計
上一節闡述了應用裝備和工藝的智能化技術實現精準過程控制，進而保證產品質量和良率。但是產品良率提升并不是從生產環節的設備控制和工藝優化開始的，而是在設計仿真環節就可以開始介入，特別是在正向設計開發新產品新工藝的階段。
例如在鋰電池制造過程中，涂布、干燥、輥壓、pack這些工藝中的參數變化以及工藝間的相互作用會怎樣影響最終電池性能（能量密度和循環次數）?，F在業界主要還是使用“試錯法”來對工藝進行驗證，但是效率較低、耗費成本較高。這就需要利用設計仿真軟件平臺進行虛擬測試驗證，節省下真實世界中物理測試的成本。
Alejandro A. Franco主導建設了一個名為“ARTISTIC”的項目，該項目受到歐盟地平線2020科研計劃的資助。該項目團隊建立了一個模擬鋰離子電池制造過程并預測其電化學性能的計算平臺。該技術平臺通過離散元法和粗?；肿觿恿W（coarse grained molecular dynamics）模型基于工藝參數預測電極介觀結構，再基于連續介質模型利用介觀結構數據預測電池宏觀上的電化學性能表現?？梢钥闯鲈擁椖吭趪L試建立一個材料-工藝-（極片）結構-性能的多尺度仿真平臺[14]。
圖片來源：ARTISTIC項目官網
此外，該項目綜合利用DoE試驗設計（Design of Experiement）、物理模型和機器學習算法的混合建模方法，來預測材料、電極制造和電池性能之間的最佳組合。即將DoE試驗和物理模型得到的結果，經過一個數據驅動的隨機電極介觀結構生成器擴大樣本，再將這些樣本用于訓練機器學習算法，以求得到制造工藝參數與電極性能之間的關系[15]。
這意味著該平臺甚至可以用來基于目標需求進行反向規劃，例如給定一個電池目標性能和材料，確定合適的制造工藝參數，比如干燥環節中的溫度控制[16]。
鋰電池設計仿真與制造工藝協同方面，國內業界在探索類似實踐的有易來科得和海仿科技等。
其實不只是電池行業，許多行業的正向設計環節也需要通過制造工藝-設計仿真協同來提升研發效率，以更快速度、更低成本實現技術創新和產品創新。
在半導體行業，隨著芯片技術節點進一步變小、設計和工藝復雜性進一步提高，開發新技術節點工藝的成本激增、周期拉長。晶圓廠為加快工藝節點的開發速度，需要與半導體設計企業更緊密地協同開發迭代，集成電路設計企業也需要更早地介入到工藝開發階段中，使得器件設計和工藝開發能夠進行針對性的優化從而滿足自身定制化需求。
于是設計-工藝協同優化（DTCO）的理念方法就在14nm技術節點以后逐漸發展起來，其主要作用就是在合理優化和利用新工藝技術節點工藝能力的基礎上，同時優化系統PPAC（ 性 能 performance, 功 耗power, 密度 area，成本cost）[17]。
DTCO對于新工藝開發及良率優化非常重要。從DTCO的角度看，良率優化貫穿設計到制造的全過程，需要多環節協同迭代。例如在版圖設計環節上，如何有效識別壞點圖形，并且據此優化對基于同一工藝的其他芯片設計方案，可以提升后續設計和制造的良率。
除了設計和制造環節之間的協同外，材料因素也非常重要。應用材料公司在DTCO的基礎上提出要實現materials to device simulation，原因在于器件尺寸不斷縮小、更多復雜3D幾何形狀被采用以及新材料的引入，半導體器件仿真變得越來越復雜。這就需要采用新的多物理場多尺度仿真工具，將器件性能與材料特性聯系起來，系統研究材料、幾何形狀以及工藝的變化將如何影響器件的電學性能，以此優化器件設計[18]。
materials to device simulation和DTCO在應用材料手中開始呈現融合的趨勢，應用材料公司在2021年發表的一篇論文中提出了Materials to Systems Co-Optimization，希望實現從材料到系統的多尺度協同優化[19]。可以發現這個思路就和上述我們提到的鋰電池“ARTISTIC”項目的非常類似，都是希望將設計仿真從微觀尺度的材料一路擴展到宏觀尺度的終端產品，并以此確定最佳工藝路線和參數（覆蓋前道、中道及后道中多個工藝環節）。
對于我國半導體企業來說，DTCO預計可能成為優化成熟技術節點下的產品競爭力、降低先進工藝開發成本并縮短工藝開發周期的優選方案，可以幫助中國Fab/IDM加快先進工藝開發，縮短TTM（time to market）, 提升相同技術節點下芯片制造良率和可靠性，從而提升核心競爭力。DTCO也將幫助EDA企業沿著產業鏈拓展用戶群，類似的邏輯在剛才提到的鋰電池行業也存在。
從鋰電池和半導體這兩個行業的前沿案例可以看出，制造工藝與產品設計仿真的協同趨勢日益凸顯，而制造業的核心競爭力最終會歸結到如何更加快速地找到匹配材料的最佳制造方法，以及材料方面的開發。因此，我國工業設計仿真軟件需要在實現自主可控的基礎上，進一步實現制造工藝-設計仿真協同優化。
在協同優化中，設計仿真也可以應用于裝備優化，以此實現更佳的工藝效果。例如北方華創在PVD設備研發方面掌握使用了自主研發的腔室設計與仿真模擬技術，其硅外延設備在感應加熱高溫控制技術、氣流場、溫度場模擬仿真技術等方面取得突破，可實現更優異的外延工藝效果。
再比如鋰電設備頭部企業先導智能組建了40人的博士仿真設計團隊集中攻關疊片工藝中的粉塵問題。為什么要解決粉塵問題？因為疊片時產生的細微粉塵堆積在電池芯的表面會影響電池芯質量以及組裝后的電池性能。該團隊通過多物理場仿真模擬對疊片機進行優化設計，保證裝備達到車規級電池制造要求，實現更好品控[20]。
綜合上述兩節內容，我們的視角從裝備工藝環節拓展到了設計仿真環節，可以看出裝備、工藝、材料和產品之間是緊密聯系的。裝備工藝的嵌入式軟件使裝備可以應對不斷變化的材料工藝，在柔性生產情況下形成最優參數組合，獲得高質量產品。研發設計平臺也需要協同制造工藝仿真來優化新產品的開發，降低正向設計耗費成本，提升研發效率和產品良率。
網絡化支撐企業設計仿真
生產制造及服務全流程協同
上一節談到設計仿真，當前企業對于實現高效協同設計仿真的需求越來越迫切。協同設計仿真需要統一的數據接口以及應用云計算、HPC等技術。以汽車行業舉例，產品設計的數據可能會在車企內部的不同部門間流轉，也可能會和外部供應商進行數據交互，但是不同部門使用的軟件平臺不同導致數據交互阻礙很大，具體比如電氣控制、機械、材料、工藝和智能駕駛等各方面的建模各成一個系統，各系統間也缺乏統一的協同交互。
為了解決協同仿真的難題，目前業界開發了仿真模型交互接口FMI（Functional Mockup Interface），可適用于不同仿真軟件之間的模型交換，并可將模型封裝為FMU（Functional Mockup Unit）用以協同仿真。
此外，如果涉及一個大型項目研發，不同部門會希望能夠實現同時在線設計仿真，而這就需要云計算和HPC（High performance computing）技術的支持。例如在CAD領域，當前設計方式已經逐漸由單人離線設計向多人在線協同設計轉變。華天軟件研發了基于云架構的CrownCAD。CrownCAD包含其自主研發的三維幾何建模引擎DGM、2D以及3D約束求解引擎DCS，具有高效的參數化應用層機制，這種基于云存儲、云計算、云渲染技術的CAD可以支持超大規模的協同設計[21]。
其實不光是設計仿真環節需要網絡化協同，制造業企業還需要將研發設計、生產制造及服務各個環節的數據和信息模型都打通，以此提升自身經營效率。
由此，我們討論的范圍就從前兩節的生產和設計仿真環節，進一步拓展到產品的運營服務環節。
目前業界嘗試通過搭建工業物聯網平臺（Industrial IoT Platform）或者說工業PaaS平臺來實現全流程協同管理。即制造業企業基于IIOT平臺實現研發設計、生產制造及服務全流程的提升和產品的全生命周期管理。
從這一點上來說，工業物聯網平臺或者說工業PaaS平臺是要搭建一個多方協作的橋梁。例如位于Gartner IIOT魔力象限中位于頭部位置的PTC ThingWorx，就是一個具備設備互聯、數據存儲（集成第三方時序數據庫）、數字建模、智能分析、應用開發及增強現實的整體IIOT解決方案。
PTC在ThingWorx的基礎上，結合自身CAD/PLM/AR等產品線，將制造業研發、制造及服務的業務線整體聯系起來，幫助制造業企業客戶實現內外部協作和產品的全生命周期管理。
上圖以PTC客戶德國的e.Go汽車制造商的情況為例：在研發設計階段，供應商和制造商可以在同一個CAD和PLM系統中基于統一的產品數據進行協作，提高交付效率。制造過程中，操作員可以借助平板電腦上的AR 應用程序來識別他們正在查看的產品的配置，并可實時調用質量檢查的標準以便對照。另外在產品售后服務環節中，企業通過物理VIN編碼追蹤汽車各個零部件；持續更新的部件數字孿生模型將反映發動機、傳動系統等部件的后續變化，企業以此為汽車提供預測性維護服務，保障產品壽命，并將實際運行數據反饋給設計端。
綜合來看，制造業企業實現內部高效協同的挑戰有很多，比如硬件設備種類多，沒有統一的數據接口，各環節不連貫。這也就是為什么提出推進兩化融合，這也就是為什么工業4.0的一個終極目標就是讓軟件定義制造。試想一下，如果所有的制造單元都可以通過軟件柔性拼接（中間由AMR連接工序），所有子系統內的設計仿真模型都可以相互交互，整個工廠具備了強大的互操作性，運營效率就將得到極大提升，制造業企業將不再這么笨重。當然實現這個圖景絕非朝夕之間就能達成，需要長久的努力。
數字化支撐制造業提升管理水平
&企業生產決策智能化
以上闡述的主要是側重技術方面的創新應用，但是對于企業來說技術和管理不可偏廢?，F在很多制造業企業的日常管理方式還很粗糙，例如在紡織業中，印染廠的訂單下放、報工、坯布入庫、領料、成品出庫主要通過人員手工填報完成，實時性差且受人為因素影響大。管理者如果想了解一個訂單的情況可能得花上幾個小時才能準確得知全貌，車間管理者處理生產異常事件效率較低。這些又不是MES系統所能完全解決的。
對于任何一個制造業企業，管理水平的提升是非常重要的，比如如何對知識進行有效的管理、如何轉變日常生產活動的管理方式和手段等等。數字化技術對管理的支撐作用不可忽視，目前出現一批初創公司開始幫助制造業企業進行移動端的數字化改造，通過交付生產管理SaaS軟件提高企業工廠管理水平，可以提高企業車間管理的協同效率，如專注紡織業的數制科技，還有服務離散制造行業的羚數智能等。
企業日常管理中最重要的部分是生產決策，決策覆蓋的層次會從裝備、產線一直到車間、企業乃至整條上下游供應鏈。幫助企業實現生產決策智能化是智能制造的一個重要方面。目前在企業層次的生產決策方面，大部分企業主要通過高級排產人員依靠自身經驗和業務規則進行排產，工具上還在使用Excel，算法方面仍以啟發式規則算法或遺傳算法等算法為主。但是，單純依賴高級排產人員的經驗很難實現決策的精準性和合理性，特別是在柔性生產的場景中。這就需要基于運籌學和AI算法的APS系統來幫助企業進行排產決策。
企業生產過程中，有效加工時間其實占比很少，90-95%的時間其實都是在等待物料運輸、上下料和定位等中間環節上消耗掉了。部署AGV/AMR可以幫助企業實現生產搬運和倉儲管理的自動化，提升廠內物流的自動化程度，進而可以使生產線上各設備之間的運作更為協同高效，提升企業OEE。在實際實施過程中，AMR的實時調度算法非常重要，而且AMR的實時調度也要和APS系統對企業整體生產調度結合起來，確保決策計劃層和執行層之間數據互通。
值得注意的是，無論是APS還是AMR，都需要注重提煉與企業生產工藝密切相關的調度規則和產能平衡設計，將企業制造資源和工藝流程完全融合，如此才可能滿足客戶對生產過程中產能和效率的需求。
生產決策也可以從一家企業延伸至一條產業鏈的上下游，在上下游企業之間實現協同制造。例如浙江省正在對30個細分行業推行的產業大腦，通過產業鏈的整體數據輔助企業動態決策，可見政府也在這方面進行有益的嘗試。還有比如深圳的云工廠、上海的捷配科技等在嘗試打造分布式制造系統，分布式制造系統在競爭格局分散的行業環節中具有市場價值，如紡織、機加工和SMT等行業。中小型企業由于具有產能利用率不高、外協程度高、信息不對稱，通過制造平臺公司可以實現集中訂單和供應鏈采購，整合產能共享協同，提升整體行業交付效率。國外的Protolabs可以算是這個領域的一個標桿。
人才對于任何一個行業都是非常重要的。這里需要強調的是制造過程本身積累的知識需要通過人才沉淀下來服務于設備設計、工藝優化，逐步凝結成新一代的硬件設備和工業軟件。因此在裝備智能化、生產過程智能化乃至設計仿真與工藝協同的發展過程中，設備工程師和工藝工程師的作用不可忽視。未來也需要越來越多懂工業技術的軟件工程師參與工業數字化、智能化的歷史進程中來，工程師的工作內容也將更多放在工業知識沉淀和數據分析研判方面。
從供給端來看，國內經驗豐富的技術工人數量較少、培訓周期長，且部分領域呈現青黃不接的趨勢，逐漸成為稀缺資源。例如高級焊接工人，高級排產人員，高級工藝工程師（例如半導體刻蝕環節），以及機器人部署調試工程師等等。而這些高級技術人才面對的生產場景普遍具有多品種、小批量的特點，這一特點也在不斷加強。這也意味著如何沉淀積累出可以媲美高端技術人才經驗能力的數據驅動-機理融合模型，并將其封裝成算法軟件，是非常有價值的。
另外初創公司也為制造業創新發展帶來了活力和人才。在近幾年的發展中，智能制造領域的初創企業數量不斷增多，特別是涌現出更多聚焦生產和設計環節、聚焦某一細分領域的初創企業。工業領域門類很多，每一個子門類下面又會有很多細分領域和環節，這種行業特點使得初創公司需要集中一點做出技術創新上的突破，即所謂專精特新。如果一直做跨行業的項目而無法沉淀出一個標準化的產品，這么走下去團隊只能是一個不斷接項目的技術服務商，沒有自己的核心根據地。
聚焦一個行業，行業內某個環節上企業的需求特點大致類似，這就為初創企業技術沉淀和規?；瘎撛炝藯l件。依托核心產品技術平臺進行新產品開發，開發過程中形成的新技術也會反哺平臺，新產品也可能進一步衍生出新的產品技術平臺。平臺與產品相互促進，可以實現從單點突破到多環節覆蓋。硬件裝備制造商如此，軟件服務商也是如此。之后會再寫文章分析這一點。
對于智能制造領域的初創公司來講，形成自身議價能力和技術壁壘主要還是靠做深入生產和設計環節的工藝優化和產品優化，因為客戶只有看到初創公司用技術和產品給他們明顯改善提升了他們的生產和設計過程，客戶才會有較高的付費意愿。設計仿真的重要性不言而喻。聚焦工藝優化在企業后續發展上也有規?；臐摿?/strong>，因為一種工藝是可以用在多種工業場景和環節中的，初創企業可以將工藝智能化技術進行跨行業的復用，無論是在產品標準化和橫向拓展上都會有一定的優勢。當然光是焊接技術就有很多細分種類，企業也需要有選擇地進行技術研發和市場拓展。
無論是設計仿真還是工藝智能，初創公司都需要明確技術對應的是一個存量市場還是一個增量新興市場，選擇什么樣的市場以及選擇什么樣的客戶群，會深刻影響企業的發展路徑和速度。好的客戶會對產品技術提出更高的要求，會加速公司產品技術研發上的良性循環。這里客戶的優質與否不完全取決于客戶規模的大小。
中國制造業的信息化、自動化和智能化程度在各行業之間分布并不均勻，如果初創企業選擇一個較為傳統的行業如紡織業，可以先通過輕量級的生產管理系統實現數字化改造，幫助中小紡織企業管理者看到數字化管理帶來的效益，再深入到印染工藝環節和排產決策中去，之后去幫助企業逐步實現上下游間的協同。
因此對于數字化和自動化程度不高的行業和企業，解決數字化是第一步，接下來需要創業團隊解決智能化的問題。初創公司能否滿足企業智能化階段的需求，這就要考慮團隊的算法技術能力和對工業機理的理解深度。故而智能制造領域的創業團隊既需要有掌握新一代信息技術和先進制造技術的新生力量，也需要有懂工業場景需求、目標領域工業機理的老法師。
綜合以上對于智能制造各方面的討論，本文著重強調智能制造需要聚焦本源，即裝備和工藝，并將設計仿真和制造工藝協同起來，以滿足企業降低生產研發成本、提高生產研發效率、提升產品良率的核心訴求。
隨著我國制造業向中高端邁進，正向設計日益重要，創新的源泉將著眼于材料、工藝（包含物理和化學的）以及兩者之間的匹配優化。企業設計仿真、生產制造及服務各環節內部和之間的互操作性和協同性對提升企業競爭力也非常重要，這些需要新的網絡技術支撐。此外，企業還要通過數字化、智能化技術提升管理決策水平和精準性。
至此，本文分析了裝備工藝、正向設計仿真及生產決策這三個智能制造的重要支柱。最后我們再從企業經營和產業發展的角度分析一下智能制造的價值。
從企業經營角度看智能制造的價值，ROE=銷售凈利率×總資產周轉率×權益乘數
實現柔性生產，縮短產能爬坡和中間換線周期等可以提高總資產周轉率，進而提高ROE。實現實時參數控制決策，優化工藝以降低生產成本，即提升凈利率。降低對高級技術人員的依賴及其人工成本也有助于企業提高凈利率。
從產業角度看，制造業一方面需要自動化智能化裝備和工藝智能技術實現規模效應和柔性制造，不斷降低制造成本、提高交付效率，特別是在產能擴張周期，這一點在鋰電設備和鋰電池行業近兩年的發展中表現尤為明顯。另一方面產業發展不可能一直停留在追求生產規模效應的階段，還需要通過設計仿真技術進行正向設計，以持續實現產品創新、裝備創新和工藝創新。值得注意的是，制造和設計兩方面不是割裂的，是可以協同優化、相互促進的。從這一點上看，中國龐大的制造規模如果加上先進的設計仿真技術，將會是如虎添翼。
最后需要強調的是，技術的經濟性和易用性永遠是決定技術能否大規模應用的重要因素。比如支撐算法優化的硬件資源價格、算法迭代升級的成本，還有企業能否直接獲得一個包含AutoML平臺在內的產品方便日后自己訓練模型，軟件是否支持低代碼開發？這些因素都可能影響企業是否選擇新方案。還有在工業軟件部署方面，部署周期如果很長或者拓展性差導致后期維護成本很高，這些都會阻礙企業選擇上一個新的軟件系統。所以也就出現了基于微服務架構的新型MES軟件服務商，例如數益工聯等。
智能制造對我國從制造大國邁向制造強國甚至創造強國具有重要作用。實現智能制造還有很多挑戰，中國還需要突破諸多關鍵核心技術和裝備，例如設計仿真、基于機理和數據驅動的混合建模、生產智能決策、協同優化等技術和五軸機床、大規模集成電路制造裝備、智能焊接機器人等高端裝備。本文提到的DTCO、鋰電池模擬平臺、機器人自適應實時決策等也都存在諸多技術挑戰，比如DTCO中器件電學模型（spice model）的提取，這些需要無數市場主體去投入研發加快新技術的產業化。
“科技創新對中國來說不僅是發展問題，更是生存問題[22]。”制造業是關鍵核心技術的策源地，也是核心技術應用的試驗田。無論是中小企業，還是大型企業，都必須實現技術創新驅動的高質量發展。
從產業整體發展階段來看，我國已經從來料加工組裝、模仿創新逐漸向自主創新邁進。過去我國制造業主要通過加工和仿制產品向海外企業學習追趕，而模仿先進成熟的工藝和產品自然沒有正向設計的需求，自然也就沒有投入更多精力資源在正向設計方面。所以這一點上可以看出過去的發展特點導致了當前工業“五基”薄弱，特別是工業基礎軟件方面。但我們不可能停留在模仿創新階段，主觀上沒有這個意愿，客觀實際上也不允許，因為產業發展如逆水行舟不進則退。
技術的突破需要企業選擇自主開發產品，而不是依附在某一海外品牌的供應鏈或者技術體系內。這一點在高鐵和汽車行業上體現得極為明顯。當企業以自主研發理念創新、性能先進的商業產品為目標時，企業將產生更強的創新動力和學習能力[23,24]。
企業在自主開發產品中突破技術瓶頸、掌握正向設計能力。這一點也已經在或將在新能源汽車、鋰電池及設備、半導體等行業中顯現。如果這一產品尚未出現或成形，同時又是先進生產力的方向，那么意味著將創造一個新興產業，一如上世紀誕生的大飛機、汽車、半導體以及互聯網。希望中國未來可以成為這類科技創新的發源地，同時注重打造出面向大眾的品牌產品及產業鏈，實現C端品牌帶動B端制造產業鏈[25]。
通過研發應用數字化、智能化和先進制造技術，中國制造業企業將有能力進一步實現工藝流程和產品升級，逐步從價值鏈的低附加值位置躍遷到高附加值位置，掌握新興產業的產業鏈話語權，不斷占據利潤率更高、技術含金量更高的價值鏈，最終實現全球價值鏈框架內的產業升級[26]。微觀上企業的技術、產品和品牌每進步一分，我國制造業的貿易利益獲取能力就有可能增強一分，就將在宏觀上提升我國在全球價值鏈和收入鏈上的位置。
實現智能制造道阻且長，十四五智能制造規劃中提出了到2035年，重點行業骨干企業基本實現智能化。這意味著智能制造是一項長期的系統工程。相信在未來十幾年的發展中，中國一定會涌現出越來越多創新驅動的智能制造企業！
股權代碼：668911
