《新制造,让生产更加智能化》

  • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
  • 编译者: 冯瑞华
  • 发布时间:2019-05-28
  • 新制造作为新一轮科技革命和产业变革的重要驱动力,正在中国大地掀起创新热潮

      数字技术不仅能连接生产与消费,更能从内部改变生产自身的运行方式,在只动数据、不碰生产线的情况下优化生产效率

        

      日前,第二十届大连国际工业博览会开幕,聚焦“智能制造”、关注工业转型升级,成为本届盛会的一大亮点。智能化设备、3D打印技术、工业机器人、现代生物医药……4万平方米的展出面积,集中展示着智能化工业生产的发展潮流。如今,数字化进程正在重塑传统生产链,汇聚成中国新制造的强劲势能。

      数字技术正在重新定义生产链条,自动化、数字化和智能化的新制造呼之欲出。在数字化车间,生产链条的各个环节进行积极的交互、协作、感染与赋能,提高生产效率;在智能化生产线上,身穿深蓝色制服的工人与机器人并肩工作,形成了人机协同的共生生态;而通过3D打印这一颠覆性技术,零部件可以按个性化定制的形状打印出来……一家国际媒体曾这样设想第三次工业革命:软件更加智能,机器人更加灵巧,网络服务更加便捷。这样的趋势,正在越来越多的中国工厂中展现出来。

      微观层面的创新活力,呼应着宏观层面的统计数据。超过200个数字化车间和智能工厂初步建成,工业机器人产量突破14万台,工业企业数字化研发设计工具普及率增至68%,有分析报告预计今年中国智能制造行业市场规模将突破1.9万亿元……这些数字说明,新制造作为新一轮科技革命和产业变革的重要驱动力,正在中国大地掀起创新热潮。

      新制造,能够借助大数据与算法成功实现供给与消费的精准对接,从而实现定制化制造与柔性生产。比如,中华老字号“朱府铜艺”通过消费端数据分析,制造出更适合年轻人偏好的生活化铜雕制品,让传承了5代人的老品牌获得新生;再比如,申洲国际作为一家服装代工企业,得益于大数据等数字技术的赋能,能够对小批量、多批次的市场需求实时响应,实现了高利润、高增长和高市值。通过大数据和云计算分析,可以把线上消费端数据和线下生产端数据打通,运用消费端的大数据逆向优化生产端的产品制造,为制造业转型升级提供新路径。

      事实上,数字技术不仅能从外部打通生产与消费,更能从内部改变生产自身的运行方式。比如说,阿里云的工业大脑借助机器学习等技术对数据进行建模,并传授给机器,让机器来帮助解决日常生产环境当中的问题。有这样一个直观的案例:一家太阳能电池片生产企业,把上千个参数传入“工业大脑”,通过人工智能算法,对所有关联参数进行深度学习计算,在生产过程中实时监测和调控变量,最终将最优参数在大规模生产中精准落地,大幅提升了生产的良品率。在光伏、橡胶、能源、通信、钢铁、石化、水泥等传统行业,通过大数据和云计算,可以在只动数据、不碰生产线的情况下优化生产效率。

      展望未来,随着5G迈向商用,万物互联将会从愿景变为现实。而当生产过程中的人、设备、产品、物料等产生的即时海量数据能够连接起来,工业互联网平台将逐步搭建起来。在这样的平台,生产车间将变成各个环节合作共生的“有机生命体”,生产线将会像人一样思考。而随着人、机、物以及服务间的边界被打破,随着产品全生命周期的数字化和模型化,生产效率将得到质的飞跃。这正是工业互联网展现的新制造愿景,也是中国“互联网+制造”正在努力的方向。

      中国的发展靠的是实体经济,中国的强大还要靠实体经济。在这次科技革命和产业变革中,与世界站在同一个起跑线上的中国,将抓住新工业革命的机会,用新制造推动中国经济的高质量发展。

  • 原文来源:http://opinion.people.com.cn/n1/2019/0528/c1003-31105577.html
相关报告
  • 《工业互联网平台七大软肋制约制造业智能化转型》

    • 来源专题:北京市经济和信息化委员会监测服务平台
    • 编译者:zhangmin
    • 发布时间:2018-08-21
    •   从去年下半年以来,党中央、国务院围绕工业互联网做出了一系列的部署,工业互联网的顶层架构、组织体系、推进机制已基本形成,政策体系不断完善,正在步入快速发展的新阶段。在日前举行的北京工业互联网创新发展论坛上,安筱鹏博士表示,当前工业互联网平台发展的主要矛盾是需求迫切但供给能力不足,具体表现为设备连接能力、工业机理模型、云化软件等七大方面,难以满足制造业智能化转型的需要。   主要矛盾是需求迫切但供给能力不足   在推动工业互联网平台发展的过程中,一些企业不同程度反映了各种难点痛点。安筱鹏认为,工业互联网平台发展的主要矛盾是,制造业智能化转型的迫切需求和工业互联网平台供给能力不足之间的矛盾。   工业互联网平台是面向制造业数字化、网络化、智能化需求,构建基于云平台的海量数据采集、汇聚、分析的服务体系,支撑制造资源泛在连接、弹性供给、高效配置的载体。工业互联网平台的本质是基于云平台的制造业数字化、网络化、智能化解决方案。中国是全球制造业规模最大的国家,基于云平台的工业互联网解决方案市场也将会是全球规模最大、增长最快、最复杂的市场。   一是市场规模最大。我国工业体量全球最大,工业互联网应用场景需求更迫切。我国有1000座钢铁高炉、47万个燃煤锅炉、200万台数控机床、30万台的大中型空气压缩机、5万台的内燃机,这么多的设备、产品、装备的优化需要工业互联网的平台,市场需求巨大。   二是市场增长最快。随着两化融合、智能制造、工业互联网等战略组织实施,国内企业对数字化转型的必要性、紧迫性的认识更加充分、投入力度不断加大、效果也日益显现,中国制造业数字化、网络化、智能化改造市场也是全球增长最快的国家之一。   三是市场最复杂。国内不同行业、不同地区的企业,有些处于2.0要补课,有些处于3.0待普及,有个别企业处于4.0需示范,多元化的发展阶段、差异化的改造需求、碎片化的市场订单,构成中国制造业数字化改造最复杂的市场。   七大软肋制约制造业智能化转型   作为全球市场最大、增长最快、最复杂的市场,制造业智能化转型的需求就摆在我们面前。当前工业互联网最突出的矛盾和问题就是我们工业互联网平台的供给能力不足,难以满足制造业智能化转型的需要。主要表现在以下七个方面:    一是设备连接能力不足。面对多种协议并存的异构设备,面对国内制造业数字化、网络化、水平本身较低的现实,如何把异构设备连接起来、把数据汇集起来,实现在边缘或云端计算,无论是平台企业还是一些细分领域的小企业,这方面的能力均不足,缺乏完整、高效、低成本的设备连接和数据采集方案。   二是工业机理模型不足。平台功能丰富性取决于积累沉积的各类工业知识完整性,实现工业技术、经验、知识的模型化、标准化、软件化、复用化,以优化研发设计、生产制造、运营管理等资源配置效率。工业机理、工艺流程、模型方法经验和知识积累不足,是当前我国制约平台功能完善的主要矛盾。   三是数据分析能力不足。构建基于海量工业大数据分析体系是工业互联网区别于传统数字化、网络化、智能化解决方案的最重要的特征,当前工业研发、生产、采购、配送、设备管理等都需要高水平的数据模型和大数据分析能力,目前国内许多平台类企业面临的共同挑战就是工业大数据分析技术、人才严重不足,供给能力远远满足不了市场需求。   四是云化工业软件不足。工业互联网的功能是通过构建面对特定的工业场景工业App,推动工业技术、经验、知识和最佳实践的模型化、软件化与再封装。传统各类工业软件(研发设计、经营管理、资产优化)通过体系重构、代码重写的方式部署到了云端,成为“云化”软件。由于传统工业软件基本缺失,“云化”软件也将成为“无米之炊”,缺乏工业软件、体系架构,也无所谓体系重构、代码重写。   五是解决方案能力不足。工业互联网平台是一个系统解决方案的平台,出发点和落脚点是解决制造业数字化、网络化、智能化的问题,提高核心竞争力。国内平台企业战略规划、业务咨询、平台建设、工业App开发、工具软件的集成等能力远远不足,整合控制系统、通信协议、生产装备、管理工具、专业软件等各类资源的能力不足,集业务流程咨询、软件部署实施、平台二次开发、系统运行维护等于一体的综合能力欠缺。   六是生态构建能力不足。生态竞争是工业互联网平台竞争制高点,生态建设能力的关键是一方面在于如何吸引海量开发者在平台上开发各种微服务组件和工业App,另一方面在于如何吸引更多的企业使用平台上的各种应用和服务,最终形成一种双向迭代的机制。但目前许多平台企业打造生态意识薄弱、缺乏经验、投入不够,可能会错失发展良机。   七是安全保障能力不足。工业互联网平台建设步伐不断加快,对安全的需求更加迫切,从原有的工控安全演进到设备、网络、数据的安全,在这个过程中,工业互联网平台安全领域的技术、管理、标准、政策法规体系方面的供给能力都不足。   五举措提升工业互联网平台供给能力   当前制约工业互联网发展的一个最突出的矛盾就是,制造业智能化转型的需求和工业互联网平台的供给能力不足。安筱鹏指出,下一步,从工业互联网平台建设和应用推广来说,将重点开展五个方面的工作。   一是打造两类工业互联网平台。一类是能够参与全球竞争的跨行业跨领域工业互联网平台,另一类是量大面广的行业级工业互联网平台。二是培育三类工业App。包括基础共性、行业通用和企业专用工业App。三是推动九大工业设备上云。以工业设备上云为切入点,通过杀手级的应用牵引工业互联网平台技术和商业模式的迭代升级,带来工业互联网平台的功能演进和规模商用。四是开展四类试验测试。通过开展跨行业跨领域工业互联网平台、特定行业工业互联网平台、特定区域工业互联网平台和工业互联网平台测试床建设,促进技术的快速迭代。五是进一步完善公共服务体系。加快完善标准、监测、安全等公共服务体系,提升工业互联网平台供给能力,尽快培育一批有影响力的工业互联网平台。  
  • 《AI走进工业物联网 逐步打造制造智能化》

    • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
    • 编译者:冯瑞华
    • 发布时间:2019-01-09
    • 1969年PLC问世后,自动化技术在制造领域逐渐站稳脚步,如今已是全球制造系统的核心架构,由于制造系统讲究稳定,因此对新技术、新架构的接受速度向来缓慢,不过近年来消费市场快速变动,对全球制造业带来严峻挑战, 导入智能化架构成为业者永续经营的必要策略,而在新世代的制造系统中,工业物联网不仅成为核心架构,更会与AI(人工智能)结合,落实智能化愿景。 所有场域应用的物联网,其架构都相同,都是由传感器、通讯网络与云端管理平台所组成的3层架构,由传感器撷取设备数据,再经由通讯网络传送到上层云端平台储存、运算,最后再以分析出来的数据作为系统运作的决策参考,而在整体架构中, AI过去多被建置在上层的云端平台,透过强大的机器学习算法,分析由终端感测层传回的海量数据。 不过,机器学习算法需要一定的运算时间,其目的也多在解决制造业类似像是制程排程优化的长时间问题,对于制程中会遇到的实时问题反应与控制指令回馈会缓不济急,近两年边缘运算概念兴起,成为工业物联网的实时性问题的最佳答案。 上层AI多用于长期规划 边缘运算的做法是让终端设备具有一定的运算能力,具有边缘运算设计的工业物联网架构,必须先建立起一套数据流模式,当传感器撷取到设备的状态数据后,就将数据传送到通讯层的网关,网关再依照系统建构时的设定让数据分流, 需要实时处理数据传送到前端控制器,让自动化设备可以快速反应,需要储存累绩为长期数据的数据,则送往数据库储存,上层再透过运算平台分析出结果,提供管理者作为决策参考,因此现在完整的工业物联网, 其AI会被分别设计在会有终端与云端两部分,让分布式与集中式运算在架构中并存,彼此各司所职。 再从设备供应端在工业物联网的研究议题来看,现在主要是集中在4个方向,包括生产系统、产品质量、制程优化与数字建模。 在这4大方向中,各有其需要解决的问题,像是生产系统中,设备的状态感测、监控与预诊,产品质量的检测、预测,制程优化的参数设定、能源运用,数字建模的数字双生平泰建立等,透过工业物联网的数据撷取与分析,将可逐步解决这些问题, 提升系统整体效能。 在工业物联网中,AI主要用来做制程的优化与长期规画等非实时性决策,例如现在消费性市场的产品类别多样,制程系统的换线将成为常态,透过大数据与AI的运算,就可尽量缩短换线生产的停机时间,让排程优化。 进行产线排程时,需从机器环境、制程加工特性与限制、排程目标,依据工作到达达生产现场的情况区分,可分静态及动态排程两种,静态排程是到达生产现场时,其制造数目?固定且可一次完成的任务进行排程,后续如果出现新工作, 再并入下一次制程处理。 动态排程则是若制程连续、产品随机,而且数目不固定的到达生产现场,须不断的更新生?排程。 就上述两种排程方式来看,静态排程通常为少样多样方式,AI在其中要解决的问题,主要是透过深度学习算法分析各环节的时间与质量,不断的改进工序,让效能与质量优化;动态排程则用于少量多样生产,AI会针对不同产品的工序, 建立起换线模式,有不同产品上线时,即启动专属换线模式,尽量缩短停机时间,同时让产品维持固定质量。 边缘运算效益可快速浮现 由于工业物联网上层的AI建置,效益需要一段时间才浮现,不会是立竿见影的发生,而且对制造业者来说并非当务之急,因此目前投入者大多为大型制造业,中小规模的业者,则以底层的边缘运算为主。 目前中小企业的工业物联网建置,制造设备的预知保养与制程检测仍是两大主要功能,由于设备的无预警停机,将会造成整体产线停摆,轻则产在线的半成品报废,重则交期延宕影响商誉,设备保养过去多采人工记录方式,人员再按照时间维护, 不过这种方式除了有可能因人员疏失或懈怠,未能定时作业外,设备也有可能在未达维护时间时故障。 工业物联网中的设备预知保养可分两类,一种是直接在管理系统上设计提醒功能,主动告知相关人员维修时间,另一种则是由传感器侦测设备状态,若是出现异常,AI则会依据出现的状态频率,判断可能发生的情况,再做不同处理, 例如传感器发现马达的震动,有可能是轴心歪斜,系统会依据震动的大小与频率判断马达现在的状态,如果有可能会立即损坏,就马上告知设备维护人员停机更换,如果没有立即危险,则会让马达持续运作,并记录该马达的状况, 让管理人员自行决定维护时间,让产线可以维持稳定的运作效能。 边缘运算的另一种主要功能是制程检测,从目前AI的发展来看,图像处理占有70%以上的应用,在工业物联网架构中也是如此。 过去制程中多靠人眼检测产品质量,由于人眼容易疲劳,随着工作时间的拉长,检测质量会逐渐降低,再者,部分消费性产品的体积越来越小,产线速度越来越快,人眼已难以负荷,现在已被取代机器视觉所取代。 现在的机器视觉判断速度非常快,且精准度越来越高,不过其运作模式仍是贴合大量制造的制程为设计,其快速与精准的辨识,仅能适用于少数类型,在少量多样或混线生产的制程中仍力有未逮,而AI则可让机器视觉拥有学习能力, 未来的设备将可透过算法自我学习,遇到不一样的产品种类或瑕疵时,即可自主判断,不必再由管理人员重新设定、调整判别模式。 感知运算会是下一步 在现有的设备预诊与制测检测之后,制造系统的边缘运算接下来将会有那些重点应用? 易用性将会是下一个趋势,而要让设备易用,感知会是系统的必要设计理念。 相对于现在的工业物联网中,边缘运算只能找出系统问题,感知运算则可找到问题的原因,并直接提出最佳解决方式,制造系统的智能化设计,必须针对不同用户提供适用功能,决策者、管理者、操作者所需的信息大不相同, 第一线的设备作业者遇到问题时,往往面临极大的时间压力,此时系统并不需要问题以外的信息,只需要系统直接告知问题所在,甚至提出可行的解决方式,像是设备故障,系统会直接在画面显示或以语音提示,告知操作人员先按下某个按键, 让系统先恢复安全状态,之后再提示紧急状态的发生原因。 这就是感知运算最大的优势所在,随着IT领域软硬件技术提升与制造业对智能化概念的逐渐接受,感知运算将成为制造业的应用会越来越多。 观察发展现况,工业4.0在制造业已是大势所趋,无论是设备应应商或制造业者,导入工业物联网的动作也都转趋积极,不过有成效者仍占少数,之前研究机构麦肯锡(McKinsey)就曾针对欧、美、日等地的制造大厂进行调查, 根据调查显示,建置相关系统的企业中,仅有四成认为有获得成效或确实改善了制程,此一结果虽然不至于太惨,但与当初预期仍有一段距离。 至于台湾地区市场,由于制造业族群分布零散,工业4.0要落实在不同产业中仍有困难,原因在于无论是技术成熟度、策略方针到问题痛点,不同型态的制造业,其差异都相当大,因此制造业导入工业物联网的第一步,就是先审视自己所处的位置, 以找出最合适的解决方案。 业者指出,各族群制程系统的技术成熟度不同,对工业物联网的功能需求差异也极大,例如传产可能连第一步将设备连网的阶段都还未达到,更遑论AI,但也有产业已在深入研究AI、机器学习等技术的深化应用,让设备自主优化。 你在工业4.0的哪一阶段? 至于制造业要审视本身在工业4.0中所占的位置,则可透过讯息物理系统(Cyber Physics System)当中的5C架构来进行评判标准, 5C标准非常适合用来检视工业4.0技术的成熟度,并辅助企业审视各阶段所需的代表性能力与技术,顺利导入工业物联网。 5C架构从最底层初阶技术至最高层高阶应用共可分为五个能力组成,分别是链接(Connect)、转化(Covert)、虚拟(Cyber)、感知(Cognition)以及自我配置(Configure)。 第一阶段的链接,最主要是整合OT与IT系统,透过联网技术让机器与机器间能够互相通讯、进行串联。 其次是转化,这阶段是让设备机台在初步的连网后,将撷取到的信息转换为具有分析价值的数据信息,例如设备的失效或良率的分析。 其中,设备端点须具备分析、智能化的能力是这一阶段中非常关键的能力。 在第三个阶段虚拟中,则是强调虚拟化的数字双生(Digital Twins),在所有机台都连网之后,形成另外一个虚拟、同步化的工厂运行,而其数字工厂具备感知、预测能力,可预测「 非计划内」的设备故障,当故障讯息被数字工厂撷取后,更可以仿真接下来如何执行优化的重新排程,例如像日本近年就非常致力于推动数字工厂的运行。 至于第四层感知阶段,主要则是导入如机器学习、深度学习等一系列的人工智能技术,让机器可自我学习、进化,并从大数据分析中不断进行推算与仿真,进而在设备端预防机器故障与良率不佳的状况。 最后一个阶段自我配置,则是能够机器能够藉由感知、学习的结果,以自主的方式改变机器设备的设定,就好比自动驾驶的概念,利用系统对环境变化的判断与分析自动更改执行命令。 而工厂的机器同样也能够根据感测系统、订单需求等的变化重新排程,订立优化的结果,这也是目前工业4.0追求的最高层级。 透过不同阶段的认知,制造业即可掌握目前自身系统所在的位置,并根据自身问题,向系统整合商提出功能需求,例如产品质量不佳,就以图像处理强化质量控管;要提升效能,则可侦测设备的使用状态,提升OEE(整体设备效率), 而这些功能都可透过简单的AI设置,加快效益的浮现速度。 谈到AI,过去多认为是遥不可及的概念,但其实AI可分为强AI与弱AI,在工业物联网的边缘运算中,通常只需要用到有限效能的弱AI,就可有效提升效能,因此制造业者不必认为太过遥远就一径排斥,可与系统厂商沟通讨论,先从影响不大 、成本不高之处先行建置,再视成效决定下一步动作,透过不断的尝试、修正与导入,企业就可在有限的成本与风险下逐步转型,维持市场竞争力。