中國的制造業，無論是流程制造還是離散制造，都遇到了進一步發展的瓶頸期。對于流程制造來說，如水泥、鋼鐵，表現比較明顯的是能源利用率的提升問題——特別是進入雙碳時代后，制造業的環保需求逐步加大。對于離散制造來說，突出問題是需求側市場變化太快，工廠的投入和產能存在巨大不確定性。

　　智能制造的八大場景有六大場景著眼于產線的微觀智能，分別是自適應控制、生產工藝優化、能耗優化、專家知識系統、智能質檢、預測性維護；另外兩大大場景著眼于大型組織的數據歸一與協同的宏觀智能，分別是數據移動在線、產銷協同與柔性制造。從微觀到宏觀，這九大場景已經基本覆蓋了智能制造的所有關鍵環節，完全可以作為回答智能制造現階段問題的著力點。

01

場景一：數據移動在線化

　　去年12月工信部等八個部門正式印發《“十四五”智能制造發展規劃》，明確到2035年，規模以上制造業企業全面普及數字化網絡化，重點行業骨干企業基本實現智能化。
 

　　人員的排班排產、產線的調度優化、貨物流轉、金融周轉等運營效率的提速，都需要生產經營數據的在線化與移動化。數據的在線可以讓企業管理人員在生產、經營過程中，依據實時數據不斷調優決策。

　　制造行業解決方案2.0從對生產狀況影響最大的人和設備著手，讓設備數據、成本數據實時呈現。通過生產碼、庫位碼、報工碼、物料碼等四個生產環節的二維碼，解決制造企業最核心的進（采購）、銷（銷售）、存（倉儲）、生產環節數據在線化和移動化的難題。

02

場景二：自適應控制

　　利用生產裝備和工藝的自動化是智能制造在過去幾十年追求的重要目標，但是由于生產設備和生產現場的復雜性、生產原料的不穩定性和環境變化，生產產線完全依賴傳統的PLC（可編程邏輯控制器）、DCS（分散控制系統）很難做到自動控制，依賴產線工人根據經驗判斷各種異常進行頻繁的操作控制，也會因為疲勞和經驗的差異出現波動。
 

　　融合數據感知和AI決策的自適應控制應運而生。自適應控制基于產線的機理進行建模，根據歷史記錄，生產結果數據對模型進行訓練和優化，將模型下發到生產端根據產線實時數據推理生產參數并推薦，最后結合控制技術對生產線進行閉環控制。

　　不同工藝專家技術水平不同，調出來的效果相差較大。而培養一位合格的工藝專家需要1--2年的時間，一旦離崗，經驗也隨之帶走。

03

場景三：工藝優化

　　工藝，是一家企業如何利用生產工具對各種原材料、半成品進行加工或處理，使之成為產品的方法，包括鑄造、鍛壓、機械加工、熱處理、焊接、裝配、油漆等工藝類別。
 

　　一方面，各個行業都有自己的通用數字工具和自動化設備，如CAPP（計算機輔助工藝過程設計系統）。另一方面，企業自主研發創新、經驗總結的加工方法，可以成為企業自己的獨門秘籍，比如毛坯制作、機械加工、熱處理等各個環節先后順序的優化，都可以提高生產效率、降低生產成本、提升產品質量，是一家工業企業最核心的競爭力。

　　每家制造業企業都規定了產品的工藝路線、機器設備和加工模具的種類、品名及編號、檢驗方法等，是組織生產和工人進行生產操作的重要依據。

　　過去20年中國制造業的工藝優化，主要聚焦于兩個方面：引進國外的輔助工藝設計系統和培養有經驗的專家。今天，則轉向了數據智能。

04

場景四：能耗優化

　　能耗優化直接關乎“十四五規劃和2035遠景目標”中“雙碳目標”的達成，已經成為流程制造企業發展的重中之重?！吨袊鲜泄咎寂欧排判邪瘢?021）》顯示，登榜的100家A股和港股上市的高碳排放公司，分布在石化、化工、建材（水泥）、鋼鐵、有色、造紙、電力、航空八大高耗能行業。八大重點高能耗行業中的六個，都屬于“大制造業”。傳統制造業的高端化、智能化、綠色化，提高了制造業對新技術的發展要求。
 

　　水泥行業有著很高的煤耗和電耗，水泥的“兩磨一燒”工藝（生料磨、回轉窯與水泥粉磨），是保障水泥品質穩定的主要因素。

　　第一步：數據采集與清洗。結合工藝專家經驗，水泥工業大腦首先將生產系統、控制系統、設備管理系統、能源管理系統中的海量數據進行提取，包括質檢數據、DCS數據、環境數據等。同時對數據進行清洗，剔除噪音數據或無效數據，補充缺失數據，為下一步模型訓練提供高質量的數據資產。

　　第二步：模型搭建。采用先進的機器學習算法、神經網絡算法，結合先進過程控制模型，對所收集到的多維度數據進行建模，真實還原水泥產線上的實際生產過程。并通過對大數據模型的參數進行調節，以實現從輸入參數到輸出參數的非線性映射關系。

　　第三步：機器學習。通過采集六個月的歷史數據，分析多達上百個變量之間的耦合關系，并對模型的輸出進行預測，使風、煤、料的最佳組合范圍可量化、可視化，達到同等產量熟料質量最好；同等質量情況下，產量最高；或是同質同產情況下，能耗最低。

　　第四步：在線控制。最終生產線工藝參數的設定，會結合工藝參數范圍、步長信息、工藝參數實時值等，由水泥工業大腦進行多變量綜合分析，實時針對各工況的產量、質量、能耗多目標進行尋優，推薦一組最佳的工藝參數實時反寫回分散控制系統，實現水泥核心生產過程的自動駕駛、無人值守。

　　以上自適應控制、工藝優化、能耗優化的案例能夠清晰地看到，基本解決方案路徑：收集歷史數據--鎖定關鍵參數--構建算法模型--用實時數據驗證算法模型，并進行調優--輸出動態參數推薦，或連接自動化控制系統。

05

場景五：專家知識系統

　　從以上場景，不難發現：在工業領域，傳統經驗知識的總結環節非常需要數據智能技術的加持。即便是有些制造業企業建立了數字化的專家系統，把專家經驗進行文檔累積，但是實際情況中，把數據經驗輸入到專家系統費時費力，每條記錄的經驗數據之間缺乏聯系，仍然很難形成“數據資產”。
 

　　在智能制造的時代，AI知識圖譜作為人工智能的一個分支領域，具有“知識抽取”和“知識關聯”的能力，值得被作為一個單獨的解決方案提供給更多的制造業企業，在業內被稱為專家知識系統。

06

場景六：智能質檢

　　制造業的質量檢測，可以應用于產品的最終質檢、物料制造的表檢，利用AI視覺識別技術來模擬人的視覺功能，從客觀圖像中提取信息，加以理解并進行處理，最終用于實際檢測、測量和控制。AI視覺系統被應用于各行業的生產中，如觸摸屏、激光加工、太陽能電池板、半導體、食品飲料、制藥、消費電子產品加工、汽車制造等提升產品成品率和良品率，是一種應用較為廣泛和成熟的解決方案。
 

　　因為依靠人的視覺進行的質量檢測，會受到疲勞程度、精神集中程度的較大影響，所以只能采用抽檢的方法，才能節省相應人力，即便如此，準確的穩定性也會因為人的原因出現波動。阿里云機器視覺智能技術采用深度學習和圖像處理算法，比傳統機器視覺檢測更精準、漏檢率更低。在數據中臺的基礎上，進行數據的采集、標注、訓練和算法模型調優，自動識別圖像中的瑕疵或故障。

07

場景七：預測性維護

　　工業企業的設備管理維護手段的發展經歷了四個階段：被動性維護（RM）、狀態性維護（CM）、預防性維護（PM）、預測性維護（PHM）。

　　顧名思義，被動性維護（RM）就是在設備壞了之后再開始相關的維護維修工作，比如場景四給出的“虛擬配網調度員”解決方案；狀態性維護（CM）是基于設備運行狀態和現象對設備進行相關的維護維修工作；預防性維護（PM）就是在設備出現問題之前，基于可靠性分析和設備運行經驗定期對設備進行維護工作；預測性維護（PHM）是在設備出現問題之前，結合可靠性分析、設備機理、設備運行維護的歷史經驗以及設備運行狀態對設備的壽命、故障、異常及健康情況作出相對應的分析和預測，讓設備維護團隊能夠在故障發生之前，提前做好維護措施，避免設備故障發生，提前做好備件儲備、降低設備的停機時間。

　　預測性維護能減少設備周期性的維護成本和備件成本，實現對設備全生命周期的精準把控。做到設備故障提前預防，維護維修策略精準高效，設備管理維護成本精細可控。

　　現階段的工業企業還停留在狀態性維護和預防性維護的階段，大多數企業都是通過周期性的人工定檢以確保當前狀態下設備無異常，先進的企業還會基于可靠性做一些設備狀態分析的巡檢計劃以實現預防性的維護。

　　鑒于IoT的成本優勢和部署靈活的優勢，很多企業開始積累關鍵設備上的傳感器、檢測儀表等數據，對設備的故障及時發現，預先處理，降低停機損失，已經逐步向預測性維護的方向發展。但受制于工業企業薄弱的數據和算法基礎，即便是擁有了大量的設備運行數據，也無法高效、合理地管理數據和利用數據，隱藏在這些設備數據之中的價值很難發揮出來。這給工業設備預測性維護的先行企業帶來了極大的困擾。

08

場景八：產銷協同柔性制造

　　在離散制造場景中，如快消品、小家電、家具、消費電子產品的制造，隨著消費者定制化需求越來越多，隨著需求側秒殺、促銷活動變得越來越頻繁，多品種、小批量按需生產的柔性能力要求越來越高。
 

　　但按訂單組織生產是離散制造業的行業慣例，傳統APS（排程排產系統）在訂單在突然涌入臨時變更時，很難發揮效果。

　　為了實現產銷協同、柔性制造，阿里云給出的“調度優化-產銷協同”解決方案主要包含六個方面：

一、通過MRP（物資需求計劃）運算計算精確的物料需求；

二、精細化設計工序與設備的生產計劃和人員需求，提升主計劃排產速度和效率；

三、使計劃結果可視化，提升計劃協同性；

四、與MES、ERP信息化系統聯動，滾動計劃；

五、分析物料欠料的需求時間和數量，推送欠料信息，輔助物料跟催；

六、進行訂單的預測，計算預計產能需求，預估產能的瓶頸工序，提前預測轉發訂單。

      在實踐中，動脈智能作為生產智能制造整體解決方案供應商，以MES系統幫助紡織、機加工、食品行業企業兩化融合推進，賦能工業制造企業，提供包括制造數據管理、計劃排程管理、生產調度管理、庫存管理、質量管理、人力資源管理、工作中心/設備管理、工具工裝管理、采購管理、成本管理、項目看板管理、生產過程控制、底層數據集成分析、上層數據集成分解等管理模塊，為企業打造一個扎實、可靠、全面、可行的制造協同管理平臺。實現降本增效，邁向智能制造轉型。