導讀

搞“制造”，應(yīng)精于機械、工藝、產(chǎn)品和自動化等工程問題；而搞“智能”應(yīng)精于工程建模、機器學習（基于在線數(shù)據(jù)）和智能系統(tǒng)架構(gòu)開發(fā)。

本文從機械化、自動化、數(shù)字化和智能化的角度探討各國智能制造現(xiàn)狀，以及中國應(yīng)有的努力方向。

文 | 李炳積，德國工程和美國軟件雙博士，30年歐美亞各國智能制造經(jīng)驗。

各國智能制造現(xiàn)狀

30年來，在智能制造領(lǐng)域，各國從早期側(cè)重于智能設(shè)計的數(shù)值模型和離線模型，發(fā)展到以智能制造過程優(yōu)化為目標在線智能系統(tǒng)，從傳統(tǒng)行業(yè)進軍新興行業(yè)。歐美技術(shù)基礎(chǔ)較好，對高端技術(shù)的開發(fā)相對容易；但是在中國，因技術(shù)基礎(chǔ)的薄弱，要達到同樣的效果，并不容易。

計算機在制造業(yè)的應(yīng)用始于二十世紀50年代，到二十世紀80年代分化成多級計算機控制，其中的二級系統(tǒng)具備今天智能制造系統(tǒng)的所有功能。

在工廠智能系統(tǒng)開發(fā)中，凱斯凱特公司主導開發(fā)了金屬冶煉的電爐、精煉爐和連鑄三套二級系統(tǒng)（智能系統(tǒng)）；美國俄勒岡公司通過智能系統(tǒng)解決其一系列生產(chǎn)過程優(yōu)化問題，比如消除次品，成功開發(fā)出了結(jié)合微觀組織模型、智能自學和不間斷升級的新一代二級系統(tǒng)，將硬而薄產(chǎn)品生產(chǎn)過程中的次品，由原來每天都有次品，優(yōu)化至半年都不曾有同樣的次品。

即使在早先智能制造這一術(shù)語尚未在世界范圍流行的時期，這些公司就已經(jīng)在做高端制造業(yè)的數(shù)據(jù)采集、工程建模、機器學習和智能系統(tǒng)架構(gòu)開發(fā)，通過智能軟件產(chǎn)生出生產(chǎn)過程的最優(yōu)參數(shù)組合，轉(zhuǎn)給基礎(chǔ)自動化執(zhí)行。

中國自二十世紀90年代起在鋼鐵業(yè)引進了一些智能系統(tǒng)（二級系統(tǒng)）；但是西方在模型方面至今仍對中國禁運（只提供可運行的DLL），導致中國在工程建模方面較弱。8千噸的設(shè)備，操作人員看到預(yù)報值超過4千噸時便不敢操作了；還有制定生產(chǎn)規(guī)程時，會出現(xiàn)以錯湊錯等問題。筆者參加了二級系統(tǒng)優(yōu)化項目，期間利用本團隊的模型優(yōu)勢，將南鋼（美國技術(shù)）投資一百多億元的智能產(chǎn)線的投資利用率提高了約70%。之后進入新興行業(yè)，開發(fā)了一系列項目，比如比亞迪鋰電池項目。合作之初，比亞迪用極難建模的極片分切毛刺預(yù)報模型對模型水平進行嚴格考察，要求模型命中率85%，而比亞迪鋰電池項目團隊達到了98%命中率，由此成就了項目二期（毛刺預(yù)警）和項目三期（刀豁口測量裝置及模型預(yù)報），并針對中國制造業(yè)數(shù)據(jù)采集較弱的現(xiàn)狀，成功應(yīng)用行業(yè)上難度極高的軟測量技術(shù)。此間，筆者還完成了一系列其他項目，比如在包括創(chuàng)維、TCL和廣業(yè)等十余家企業(yè)的電子制造項目。

中國企業(yè)的智能制造現(xiàn)狀究竟如何？至少在智能制造的核心環(huán)節(jié)（生產(chǎn)過程的優(yōu)化），比如工程建模、機器學習和智能系統(tǒng)架構(gòu)開發(fā)方面，情況并不樂觀。

現(xiàn)場智能制造項目中，企業(yè)完成了項目的工程問題建模和智能系統(tǒng)開發(fā)，以及關(guān)鍵工具參數(shù)離線測量和在線軟測量，盡管所提供數(shù)據(jù)基本滿足以數(shù)據(jù)看板為代表的數(shù)字化制造，但是現(xiàn)場提供高質(zhì)量數(shù)據(jù)并不容易。這樣智能系統(tǒng)供貨商的成本很大。企業(yè)對于現(xiàn)場遺漏數(shù)據(jù)的問題沒有明確的懲罰制度，導致現(xiàn)場數(shù)據(jù)完整性較差。小企業(yè)往往根本無法采集所需要的高質(zhì)量數(shù)據(jù)。

中國與歐美在核心領(lǐng)域智能制造現(xiàn)狀對比

暫不作信息技術(shù)和數(shù)字制造技術(shù)等方面的對比，也不談在工業(yè)核心軟件方面的差距，僅從智能制造的核心領(lǐng)域——工程建模、機器學習和智能系統(tǒng)架構(gòu)開發(fā)來看，中國企業(yè)相對于歐美的現(xiàn)狀究竟如何？從機械化、自動化、數(shù)字化和智能化四個發(fā)展階段看，中國企業(yè)目前還在哪個階段？

考察智能制造基本要求，從對相關(guān)要求的滿足程度可以探測出各國智能制造的基本現(xiàn)狀。目前機器代人是努力方向之一，但這只是在自動化層面上。要實現(xiàn)最優(yōu)化的機器代人，首先必須對工程問題和工程參數(shù)進行建模，然后利用所采集到的高質(zhì)量數(shù)據(jù)進行模型的機器學習；此后的模型則與機械設(shè)備和生產(chǎn)現(xiàn)狀深度綁定?；谶@些可以開發(fā)出智能系統(tǒng)，繼而產(chǎn)生出即時可變的、一直是最優(yōu)化的生產(chǎn)參數(shù)，交給基礎(chǔ)自動化執(zhí)行。這最優(yōu)化的機器代人正是智能制造。這些，中國目前還不多，主要存在于一些平臺商。

在歐美技術(shù)基礎(chǔ)上做的大量優(yōu)化與擴展（比如開發(fā)了新一代二級系統(tǒng)），因系統(tǒng)之龐大（常有百萬行源程序）和邏輯之復雜，在開發(fā)中國項目時，主要是基于已有源程序改寫。西方的智能系統(tǒng)通常都經(jīng)歷過幾十年的技術(shù)積累，中國在此領(lǐng)域有待于提高。

當生產(chǎn)過程不夠優(yōu)化時，首先在無自動化的情況下進行診斷分析；這可以認為是在機械化層面。直到相關(guān)的問題都解決了，才對自動化問題進行審核。所有這一切都可以通過數(shù)字化加以快速診斷和總體確認，即當現(xiàn)場采集到高質(zhì)量數(shù)據(jù)時，可以通過數(shù)據(jù)鑒別出哪個環(huán)節(jié)是弱點?，F(xiàn)在市面上有一種“IT+OT技術(shù)”（信息技術(shù)+運營技術(shù)），在數(shù)字化階段將所有工程問題簡化成OT（盡管這對智能制造有些過于簡化）。通過數(shù)據(jù)看板，確實可以看出很多問題，但是數(shù)據(jù)看板的使用者必須對生產(chǎn)過程有足夠的的理解。如果生產(chǎn)線只有數(shù)字制造，而沒有智能制造，必須要有工程師對現(xiàn)場的指導，因為操作工人很難從數(shù)據(jù)上看出很多問題，更難根據(jù)復雜的數(shù)據(jù)找出解決方案。

比如在建智能產(chǎn)線時，因為不明確什么是智能制造，而將只建成了具有基礎(chǔ)自動化、MES和ERP的產(chǎn)線，誤認為是智能產(chǎn)線。此類產(chǎn)線缺乏的正是智能制造的核心：智能系統(tǒng)。這類只有數(shù)據(jù)看板的產(chǎn)線只有工程師可以運行，問題較多，甚至出現(xiàn)了對此類智能產(chǎn)線投入則“快死”，不投入則“慢死”的兩難境地。

機械化確保產(chǎn)品能生產(chǎn)出來，自動化使得產(chǎn)品能自動生產(chǎn)出來（機器代人），數(shù)字化以大量數(shù)據(jù)便于審核，以確保機械化和自動化的實現(xiàn)，而智能化確保最優(yōu)化和無人操作（最優(yōu)化的機器代人）。

中國和歐美國家所處的機械化、自動化、數(shù)字化和智能化階段目前國內(nèi)很多較弱的企業(yè)仍然在機械化階段，較好的企業(yè)則在機械化、自動化和數(shù)字化階段。雖然通過數(shù)據(jù)看板能看出很多問題，但這只是在自動化和數(shù)字化領(lǐng)域的“補課”。中國企業(yè)數(shù)據(jù)質(zhì)量是各家的軟肋。歐美國家的機器代人階段早已完成，生產(chǎn)線主要依賴于自動化而非人工；而且絕大多數(shù)歐美國家數(shù)字化的需求已經(jīng)基本上得到滿足。在智能化方面，很多較好的歐美企業(yè)有較好的智能系統(tǒng)，稍微差的企業(yè)也正在努力嘗試智能系統(tǒng)。

目前中國的智能制造主要在制造過程的首尾兩端，比如智能倉儲、來料及成品的運送等等，而對智能制造的主體過程，比如生產(chǎn)過程的優(yōu)化，涉及的不是很多。歐美國家正在努力推進智能制造。在智能制造中，大量工作都編入智能系統(tǒng)中了，工程師或技術(shù)人員主要在后臺持續(xù)優(yōu)化此系統(tǒng)；優(yōu)化后的系統(tǒng)由現(xiàn)場人員操作以完成生產(chǎn)；同時經(jīng)理人員注重觀察此系統(tǒng)。這樣大家勁往一處使，生產(chǎn)持續(xù)優(yōu)化。

政府資金應(yīng)扶持數(shù)據(jù)質(zhì)量達到要求的企業(yè)

在這樣的現(xiàn)狀下，中國政府應(yīng)該出臺怎樣的扶植政策？

兩化貫標之后，政府的產(chǎn)業(yè)扶持資金更多轉(zhuǎn)移到智能制造領(lǐng)域。政府對智能制造的扶持，應(yīng)該考慮到下述的幾點。

側(cè)重于扶持智能化（對于自動化，數(shù)字化和智能化的扶持加以區(qū)別。很多企業(yè)在自動化和數(shù)字化方面已經(jīng)嘗到了甜頭，縱然在這些領(lǐng)域扶持力度不夠，他們也會為著自己的利益而努力；但是中國的智能化剛剛開頭，智能化的要求除了計算機系統(tǒng)和數(shù)據(jù)采集之外，更需要很深入的工程背景，所以智能化的難度要比數(shù)字化高很多；同時，由于中國技術(shù)基礎(chǔ)的薄弱，在智能化領(lǐng)域的努力，在短期內(nèi)投入產(chǎn)出比相對來說比較低，就更需要政府的扶持，否則中國的智能化將發(fā)展緩慢。

側(cè)重于扶持核心領(lǐng)域生產(chǎn)過程的優(yōu)化（有別于外圍領(lǐng)域比如智能倉儲）。核心領(lǐng)域智能制造技術(shù)含量高，作用大，需要的投入巨大，因而目前較少；外圍領(lǐng)域比如智能倉儲、AGV小車等，目前已漸成氣候，已經(jīng)可以為企業(yè)帶來較好利潤，縱使不重點扶持，企業(yè)也會努力推進此領(lǐng)域。

依據(jù)數(shù)據(jù)滿足智能制造高要求的程度進行資金扶持。促使企業(yè)注重數(shù)據(jù)質(zhì)量：數(shù)字化只有在達到智能制造的數(shù)據(jù)質(zhì)量要求時才應(yīng)該得到資金扶持；如果數(shù)據(jù)不齊全，甚至有假數(shù)據(jù)等，不應(yīng)該扶持。

培訓資金注重扶持有智能制造經(jīng)驗的培訓方。只有做過智能制造的人才會搞智能制造，才可能教會學員智能制造；政府的智能制造培訓基金，只應(yīng)該扶持具有相關(guān)培訓資質(zhì)的培訓方；不懂智能制造的人，也可以百度出一堆介紹智能制造重要性以及介紹別的公司“做了什么”的素材；要杜絕這方面，使得政府的培訓基金真正起作用。

中國應(yīng)建立嚴格數(shù)據(jù)質(zhì)量獎懲制度

歐美在智能化階段，中國智能化剛開始。大多數(shù)中國企業(yè)的機械化階段已基本完成，正在自動化和數(shù)字化階段。

機器代人是典型的自動化。數(shù)字化的數(shù)據(jù)看板，能夠使得機械化和自動化的狀況一目了然，因而具有強大的應(yīng)用前景。歐美國家的機械化和自動化早已完成，因此機器代人已不是主要問題。除了極少數(shù)企業(yè)外，歐美國家的數(shù)字化也已經(jīng)完成。

數(shù)字化中，數(shù)據(jù)質(zhì)量是關(guān)鍵。中國企業(yè)數(shù)據(jù)質(zhì)量不足是關(guān)鍵障礙。除了技術(shù)之外，管理是阻礙數(shù)據(jù)質(zhì)量的主要因素，多數(shù)企業(yè)對數(shù)據(jù)丟失沒有足夠的懲罰力度。智能化是凌駕于機械化、自動化和數(shù)字化之上的最高級制造過程，對數(shù)據(jù)質(zhì)量的要求遠遠高于數(shù)字化。

首先需要對一系列待研究的工程問題或工程參數(shù)建立模型，這就需要對工藝、產(chǎn)品、設(shè)備和自動化等工程領(lǐng)域極為熟悉；其次，需要采集高質(zhì)量的在線數(shù)據(jù)，并基于此數(shù)據(jù)對工程模型進行機器學習，使之與生產(chǎn)線充分綁定。然后建立智能系統(tǒng)，將生產(chǎn)線的模型和大量的場景用例結(jié)合到智能系統(tǒng)中，并產(chǎn)生出即時可變的最優(yōu)化的生產(chǎn)參數(shù)組合，交給基礎(chǔ)自動化執(zhí)行。

可見，智能制造是最優(yōu)化的機器代人。目前中國只在制造的頭尾部分比如智能倉儲方面進行了一定的智能制造，而在制造過程甚為稀少，主要是一些平臺開發(fā)商。歐美國家技術(shù)較好的公司已經(jīng)成功應(yīng)用了智能制造，而技術(shù)一般的公司尚在努力中。

中國推進智能制造的主要策略是在數(shù)字化、自動化甚至在機械化方面的補課，鼓勵自動化和數(shù)字化，同時鼓勵智能化的開發(fā)與實施。中國各個企業(yè)要嚴格在技術(shù)和管理層面重視數(shù)據(jù)質(zhì)量，在數(shù)據(jù)質(zhì)量方面要有嚴格的獎懲制度。應(yīng)該減少智能產(chǎn)線建設(shè)中忽視智能系統(tǒng)的行為。中國當前在何為真正的智能制造方面誤解頗多，很多作為智能制造必要基礎(chǔ)的數(shù)字制造甚至自動化制造，被當成了智能制造。

責任編輯：lq