会员服务 ·

【智能制造】工业互联时代的智能制造与工厂建模

2018 年 9 月 25 日 产业智能官

工业互联时代的智能制造

作者：王兴华来源：中国工业网

伴随着OT(操控技术)、IT(信息技术)、CT(通信技术)等3T技术的深度融合，智能制造与工业互联网向我们走来了。我们即将置身于一个数字化、信息化、网络化的智能工业时代。未来已来，顾首相问，何谓“智能”?“智”从何来?

本文，我们将从工业互联网的大背景下，来解读智能工厂，以及智能工厂的基础建模。

一、说文解字说“智能”

“智”，三字而成，日为金乌,矢为弓箭，口为人言。字义为对太阳东升西落这样的事情对答如流，口出如箭。引申为知万物变化之根本，察万物变化之规律，对事物的过去现在未来的变化了然于胸。

这里面包含了三个层面的含义：一是知万物变化之根本的感知能力和认知能力，二是察万物变化之规律，从而指导自己行为(如日出而作、日落而息)的应激能力和适应能力，三是通过总结，对事物状态和未来变化做出分析和判断的能力。这实际上构成了一个基于“意识——行为——经验”的智能结构体模型：

在这个模型中，智能结构体通过感知和认知形成意识，通过意识约束和指导行为，通过对行为能力和行为过程的总结用提炼形成经验，借助经验对未来的变化做出判断和分析，并在更高的标准上优化和提升自身的意识。

二、工厂如何变得“智能”

让工厂变得智能，就要把工厂变为一个智能结构体，就需要建立工厂的意识，协调工厂的行为，洞察工厂的数据。

(1)建立工厂意识：边缘计算与标准认知

我们要让工厂有意识，首先要建立对工厂物理世界的感知能力。这依赖于以操控技术 (OT)为代表的自动化与工业协议的发展，它为我们用信号量来描述、感知和反馈物理世界提供了基础，这其中包括了传感器、PLC、以太网等技术在工业领域的广泛应用。

在物理世界的边缘，基于OT的边缘计算设备和工业软件对现场作业的工业数据(包括环境数据、设备运行数据、产品数据)进行不间断反馈，形成了对工业物理世界的感知。感知是客观的，被动的。

我们要让工厂有意识，还要建立对工厂物理世界的认知能力。认知是主观的、能动的，是基于工业机理的，是更高层次上的意识。

弦动别曲，叶落知秋。通过感知与认识的结合，建立一个面向产品生命周期的数据采集体系和标准认知能力，才是智能制造的可靠基础。前者通过工业软件的整合和数据采集实现对产品生命周期数据的不间断、低延时、准确、可靠的反馈;后者通过数字化的模型对产品生命周期进行描述，明确定义产品生命周期内各个生产环节的技术经济指标、生产工艺规范、设备运行参数以及操作规程等等，为我们评估性能、发现缺陷、预测故障、优化生产作业流程提供标准和依据。

(2)协调工厂行为：柔性生产与数字主线

在生产制造领域，所有的生产都是有意识的，都是基于市场需求的。无论是面向库存生产还是面向订单生产，产能都是面向市场的。通过销产转换和协同，拉直客户与产品之间的路线，快速、柔性化地调配生产资源，保障低成本、高绩效、高质量的产品交付，是柔性生产的终极目标。

这需要从价值链、产品链、设备链三个管道上对生产过程进行科学有效地组织和管理。笔者以业务链为机体，产品链和设备链为两翼绘制了一个业务信息化、制造数字化和装备数字化的“大飞机模型”，如下图所示：

在图中，一是基于业务协同的价值链管道，以ERP为代表实现业务管理的信息化。从销售订单开始，全面管理生产计划、原料供应、生产制造、完工检验、交付分销和售后服务一系列价值增值环节，实现业务过程的信息化，保障企业生产运营的有效组织和协同。

二是基于制造过程的产品链管道，以PLM+MES为代表实现制造数字化，从产品设计开始，对生产制造过程中的工艺数据、投入产出、能源消耗、过程质量等制造数据进行数字化采集和分析。

三是基于设备运行的设备链管道，实现生产装备的数字化运维和运行监视。

从这三个管道的逻辑模型中，我们可以看到，人(业务、组织)、机(设备、产线)、物(物料、产品)在生产制造环节实现了数字化融合，产生了一条支撑柔性生产的数字主线。这条数字主线整合产品生命周期各环节，集成产品设计数据、计划排产调度数据、人机料法质制造数据、设备运行运维状态数据，为建立柔性生产的数字化模型提供了全维度的数字化洞察。

(3)洞察工厂数据：大数据分析与生产优化

通过数字主线上业务数据、制造数据特别是设备运行数据的采集和集成，形成不间断的工厂大数据流，建立对生产运行的数据洞察，并反馈回业务运营里面去，实现生产的不断优化。比如设备维修计划、预测能力的提升，质量分析可靠性的提升、工艺流程和操作规范优化以及产能利用率的提高等等。

三、智能工厂的基础建模

工厂建模的目的是为了数字化、结构化的描述和处理生产制造环节的各种信息，按照组织划分的原则、业务协同的规则、数据统计的规则、物料(能源)平衡的原则等一系列共性规则和约束，将生产制造信息与物理世界联系起来。

通过前面 “大飞机模型”的分析,我们知道,人(业务、组织)、机(设备、产线)、物(物料、产品)在生产制造环节实现了数字化融合,那么,工厂作为生产制造环节的主要承载者,其基础建模也一定离不开这三部分,即业务组织建模、物理实体建模和产品工艺建模。

先说业务组织建模。业务组织是企业开展业务工作的基础，也是评价业务绩效的主体责任单元。有了工厂组织模型的定义，就可以按组织的维度洞察业务流程性能和制造过程绩效。一般来说，工厂业务组织模型应该包括一个树形的生产组织架构以及岗位人员、工作制度等基础信息的定义。

再说物理实体建模。物理实体是对生产线、生产单元、生产节点等物理生产资源的抽象和描述。常见的物理实体建模有两种方式，一种是自顶向下的切割式建模，以ERP为代表，一种是自底向上的装配式建模，以MES为代表。

在ERP中，对物理生产资源的描述是高度抽象化的，它站在生产组织和业务管理的角度，向下透视，把物理生产资源切割成一个个工作中心，建立起计划排产、生产统计和成本归集的基本业务单元。

在MES中，由于管理的对象更加贴近实际生产资源，所以就更强调了物理建模的仿真性。它站在实际物理生产场景的角度，把一个个物理生产资源构件化，然后再逐级向上装配，最终形成一个工厂的物理模型。

以化工企业的工厂建模为例，首先在物理边缘建立起与物理生产资源对应的节点模型，如侧线、罐、进出厂点、汇流点、互供点、装置界区节点、计量节点、库位、能源节点等，再向上装配形成物理界区模型，并在ERP与MES的对接处建立ERP工作中心与MES物理实体以及组织模型的映射，如下图所示。

最后说产品工艺建模。工艺模型是产品付诸生产的具体行动方案和路线图，用于定义产品生产的工序和步骤，是产品从原料到中间产品再到最终产品的形态变化过程，是生产平衡、能源平衡、物料平衡的统计模型和工程模型。

工序过程在生产单元上完成，不同工艺路线在相同工序上的工艺要求不同，形成不同工艺的工艺卡片，记录工序上的投入、产出、能耗、工艺参数、作业步骤。

这样，通过三个基本模型和模型间引用关系的定义和构建，来完整描述智能工厂的数字主线，从而建立起智能工厂的数字化模型。

智能技术及其在制造业场景的应用

“ 解读智能技术以及其在制造业场景的应用情况。”

来源 | 数字化企业（ID：e-works）

作者 | 刘畅美编 | 刘畅

▼

制造业中生产过程中每天产生海量的数据，这些数据都存储在数据库里面，而真正能够发挥实际价值的数据却非常少，从而造成数据资源的极大浪费。如何对生产过程中的海量数据进行处理从而发挥数据的价值，将数据不再仅仅是数据，而成为生产的资产是每个制造业管理者都关心的问题。

为了实现对数据的利用，降低生产成本提高生产效率，很多供应商都提出了智能工厂的解决方案。目前社会上提到的智能工厂很多，而真正能够做到智能化的却很少。笔者基于多年在制造业中的工业机理模型经验和在智能技术领域的一些实践，介绍下目前智能技术以及其在制造业场景的应用情况。

人工智能、云计算、大数据、

物联网的关系是什么？

提到智能技术大家首先联想到的就是人工智能、大数据、云计算、物联网等。而很多人对这些名词间的关系模棱两可。因此有必要首先介绍下其间的联系。为了便于读者理解，这里不引用每个名词的通用定义，而采用通俗易懂的方式进行解释。人工智能从狭义角度讲就是以CNN卷积神经网络为代表的模型算法，具体的应用图像识别和语音识别。

目前社会上所有提到的人工智能技术包括人脸识别、自动驾驶、语音交互、阿尔法狗、指纹识别等等均是基于CNN卷积神经网络为核心算法的应用。因此，人工智能本质就是一种算法。云计算本质是一种从资源到架构的全面弹性，通俗的讲，比如对于一台电脑，有100个任务，那么电脑在执行这100个任务时就要有个排队，依次进行，而当数据量很大时，超大的任务量将会造成电脑服务器崩溃。

而云计算就是可以将一台电脑的服务器虚拟成多台电脑，比如我们很多人都用过VMware的虚拟机软件，该软件可以把我们的PC机电脑虚拟成拥有不同内存、存储容量和网络的小电脑，这样100个任务将会同时分解到多台电脑去执行，这就是分布式计算，从而大大提高计算效率。大数据通俗的讲就是海量的数据，具有复杂的数据关系。

物联网通俗讲就是通过网络协议将生产过程中的仪器仪表、视频、语音、文本等数据全部进行连接。为了通俗理解他们间的关系，笔者将其关系表示如下图所示，并以一方高人的成长历程作为比喻。

物联网、互联网比喻作为一个人的成长环境，通过在社会、学校、环境中的不断学习，将会收获海量的知识，这些海量的知识就是大数据。要想有效的利用海量知识并发挥其价值需要各种数据模型（包括统计分析、机器学习、人工智能、工艺机理模型）对数据进行训练，这种训练的过程比喻为一个军师（或者老师）对人的指导、培养过程。而数据模型的分析训练需要云计算进行快速高效的迭代，从而形成丰富的知识经验，成为一方领域的高人。而云计算就相当于人类的大脑。

数据模型包括哪些？

如何对模型进行选择?

由以上分析可知，一方高人的形成包括数据采集层、数据存储层、数据模型层、数据计算层，其中数据采集和数据存储依托于目前的MES系统已经能够很容易的实现。数据计算依托于阿里云、华为云、百度云的计算服务也能容易做到。目前的核心限制环节在于数据模型层，即如何将生产中产生的大数据通过数据模型转换为有价值的信息。因此，笔者在本节着重对数据模型的选择进行介绍。

对于数据模型的分类仁者见仁智者见智，没有统一的定义，笔者结合多年的工作经验，认为主要分为以下四类，包括统计分析、机器学习、深度学习以及工艺模型。

由于篇幅关系，本文将不再具体解释每个模型的具有原理和算法，后续将会详细讨论。数据模型详细具体分类如下图所示，由图可知，统计分析模型主要包括线性回归、多元线性回归、非线性回归、spc分析、相关性分析等；机器学习模型主要包括逻辑回归、支持向量机、k-means聚类、神经网络学习、决策树、贝叶斯模型、随机森林等；深度学习（人工智能）主要包括CNN卷积神经网络网络等；工艺模型主要涉及冶金或者化工行业的物理化学反应，包括热力学和动力学相关理论知识，生物发酵化学反应以及基于边界条件的最优解等问题。

以上介绍了数据模型的分类，那么如何对模型进行选择呢？

由于每个模型有其特殊的需求，本文主要根据数据的类型、数据量以及应用业务场景的不同将其分为分类、回归、聚类、降维、深度学习五大类，如下图所示。通过该图结合生产的数据类型、数据量以及数据实现的目标从而有效的选择需要的数据模型。

智能技术在制造业中有哪些应用？

对于智能技术，笔者认为从广义角度讲，凡是能够代替人工操作并能够有效提高工作效率的都可称作为智能技术；从狭义角度讲，智能技术主要是以机器学习、深度学习等复杂算法为核心，并将数据转换为有价值信息的技术。

因此，智能技术在制造业中的应用从广义角度讲可以概括为运营管理、智能模型、智能装备等方面，每个方面包含内容如下图所示。其中运营管理包括财务管理、供应链、资金管理、人力资源、协同办公、智能物流、设备管理、能源管理、安环管理和自动报表等。智能模型主要包括统计分析、机器学习、工艺模型、企业大数据、成分预测、设备预警、智能调度、辅助决策以及人工智能等。智能装备主要包括机器人、自动化装备等。

从狭义角度讲，智能技术在制造业中的应用主要包括以下7个方面，其中统计分析主要依托于柱状图、饼状图、散点图等实现对生产重要数据的实时展示和辅助决策等；图像智能识别技术主要应用在车牌识别、人脸识别、钢铁企业表面质检检测系统、标记号码自动识别等；语音智能识别技术主要依托于科大讯飞等成熟产品，实现在局部区域进行人机对话操作，从而减少人员数量；基于实时数据的智能预测主要基于生产过程实时的工艺数据和检化验数据依托于智能模型对终点成分进行预测判定，以及根据设备重要工艺参数进行智能故障预警等。

基于历史数据的智能预测主要是针对无法实时获取生产实时数据的类型，需要根据历史数据通过智能模型对终点成分、温度、压力以及设备故障等进行预测报警，还包括通过历史数据的判定分析，结合智能模型，发现现场操作人员的数据作弊问题。

基于聚类分析的专家系统主要包括通过对历史数据多维度的分析，通过聚类算法实现对产品质量以及新产品性能等进行智能预测。基于边界条件的最有决策问题主要针对于一定限制条件下，对于某个目标通过建立线性方程组实现线性规划求解，从而实现最佳成本优化以及不同价格物料的最优匹配，典型的应用场景为配料过程。对于更加具体的应用场景，将会在后续文章进行详细介绍。

工业互联网

产业智能官 AI-CPS

加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。