【智能制造】智能制造:任重道远

2019 年 1 月 9 日 产业智能官

2018年11月9日,第31届中国机床工具行业发展论坛暨2019年运营形势研讨会在江苏太仓召开,研讨会上智能研究院研究员、中航工业集团信息技术中心首席顾问宁振波作了题为“智能制造——从三体智能革命说起”的演讲。以下为演讲的内容摘录,供大家学习交流:


非常感谢。我们讲到智能制造一定要思考一个问题,世间万物只有人有智能,我们就拿人与智能工厂做比对。我们思考,一个人的视觉再发达,他的大脑薄弱,这个人有智能吗?答案显然是否定的。

我们再思考,一个智能工厂按照管理学理论分为决策层、管理层和执行层。智能工厂的智能体现在什么地方呢?我个人认为体现在正确的决策管理下建立了自主研发体系。

执行层是什么呢?我们的执行层用了再多的机器人,再多的数字化设备,再多的数控设备,包括自动化的物料配送,它仍然是自动化的概念,不是智能的概念。

2017年广东有一个报告,我主笔写的,什么报告呢?就是广东的经济续虚向实转程规划。我想告诉大家的是,截止2017年底,广东省经信委提供的数据,广东省的所有企业里面90%以上没有研发能力,所以说,惨了吧。

一个智能工厂体现在哪呢?智能制造的核心是制造。制造做不好,通过大量的软件、大量的机器人就能实现智能了吗?不能。没有决策,没有管理(就没有智能)。

第二点,我们关于德国工业4.0曾经打了五年的报告,13年4月份就讲了工业的1.0、2.0、3.0、4.0。现在我们反观这个四步,我不知道大家思考没有,这个四步哪一次工业革命不是几十年甚至上百年的历史?

如果按全球共同的说法,2013年汉诺威博览会德国推出工业4.0算是第四次工业革命开始的话,我们现在才刚刚过了4点。工业4.0是以智能制造为标志的话,我想告诉大家,全球没有智能工厂,中国的智能工厂全是假的。

我再讲一个数据,工业4.0有一个评价标准,这个标准是德国科学工程院以及一些大学共同建立的。前些年初,评价了德国纽伦堡西门子小镇工厂,生产PRC可编址模拟器,4.0是满分的话,纽伦堡的西门子工厂得分是3.5分;接着又评价了德国博世公司,博世很厉害,没有博世就没有德国的汽车工业,它的得分3.4分;请了同样的团队、同样的评价标准评价了中国的华为,得分是2.7分。前年,新华社记者随团访问了纽伦堡,访问了工厂老板,问他:你们现在3.5了,什么时候能达到4.0满分呢?(老板)考虑了很长时间回答记者,十五到二十年以后。

所以,2014年我在上海交通大学一个会议上提出,我们现在消化工业4.0,远远没有到消费工业4.0。

工信部有一个项目,叫智能船舶项目,这个船舶是重大项目,针对民用船舶的。在大连船厂召开专家工作会,一天的智能船舶发展路线研讨会。我只想说这个研讨会的最后的总结:如果把智能制造比喻成一场马拉松比赛的话,中国智能制造作为一名运动员,我们正在热身尚未上场。

我去年参加了一个重要的会议,会议上国资委的领导人讲:“实体制造业是中国经济的压舱石”。是的,尽管我们的国产机床、飞机制造等都有所落后,但这些事情哪一样简单呢?简单的事情都被别人干完了,我们干的事全是难干的事,需要我们花几十年甚至几代人的努力才有可能成功。所以我非常反感把智能制造娱乐化,智能制造不是唱歌、写书法就能出来的。


在说完这些以后我们来思考一下,未来的产品生产模式是怎样的?未来的生产方式是单件大批量、多件小批量和单件定制并存。最难解决的是单件定制,单件定制问题解决了,多件小批量和单件大批量都容易了。

以前就有单件定制,比如说英国的劳斯莱斯汽车,它是为英国皇家成员个性化定制的。因为每辆外形不一样,装饰不一样,配置不一样,所以成本极高。对汽车而言,生产不同的汽车,要用采用不同的模具,仅仅模具就价值上千万,因此过去的个性化定制成本奇高。

于是人们思考,能不能用软件的方式来控制数据的自动流动,解决复杂产品的不确定性,这不就是智能制造吗?但是,软件定义谈何容易?从产品的设计开始,产品设计、产品仿真、工艺设计、工艺仿真、生产过程的全数据化、交付之后的维护维修全都要靠软件。调整软件,产品就变了。因此,智能制造是一个非常难的事情。


我们再来看,我们作为用户方、需求侧,未来15年后的先进制造业是什么?我个人认为十五年后的先进制造业一定是时空人机一体化。就是生产方式随时、随地、不随人。随时,就什么时间都可以造,随地就是,不论是在月球上、火星上,还是水面的舰艇、水下的潜艇上,都能够随时制造。当然,不随人就是不随个人的技术水平高低影响到产品的质量好坏。所以,基础就是人、机、物的互联。

“人”的互联互通我们已经很清楚了,“机”就是指工业互联网。但是很多人理解错了,工业互联网姓工,不姓网。工业要的是什么?产品、流程,最难的是前端。因此,大家要正确认识,工业互联网的要素是生产要素,而不是消费要素。

比如说三一重工是“工”,它生产的挖掘机和工程设备就是生产要素,它就可以纳入工业互联网的范畴。比如国内的汽车公司生产的汽车就属于物联网的范畴,它是消费要素。如果汽车也算工业互联网的话,那么华为、中兴、小米的手机设备算不算工业互联网呢?不算,它是消费要素,不是生产要素。

物联网最近很热,但是大家要正确认识。京东的物联网做的非常好,他们还试图进入制造业,但是他们的物流是我们企业的外部外流,外部物流除了食品发生霉变过期形态改变,物料的形态几乎不变。但是在企业的内部就麻烦了,车、铣、刨、磨,物料的形态时时刻刻在变,所以,物联网能做企业的内部物流吗?做不了。因此,制造业企业的内部物流一定是工业互联网,不是物联网。


九月份,我们出了一本书《智能制造术语解读》,其中讲到了CPS。CPS很重要,为什么?因为德国工业4.0的第一战略要点建立一个CPS系统,就是虚实、精确预测,如果大家关心CPS的话,可以去网上下载CPS的白皮书,里面有详实的解读,其中最重要就是赛博,赛博是个控制机制。


前几年,南京召开了第一届世界智能制造大会,AMSE美国机械工程学会的主席、德国工业4.0之父等人都在在报告中都提到了便宜的传感器。便宜的传感器可以被大规模使用,智能制造从感知开始,要感知数据,不能像中国五千年的文明史里的“好像、大概、差不多”,这是不行的,一定要数据化。传感器的数据通过网络来传递到后台,有了这些真实的数据,我们才可以在人的支撑下实现智能化,没有人的支撑智能还是一片空白。

实际上,CPS的核心是设备和物料的互联网,我们现在全球的上网人数40亿,预测2020年,全球的设备联网数400亿。我们反复说,虚实却缺一不可,虚就是赛博,实就是PHYSICAL.

大家思考一下,中国的道家文化是“道生一、一生二、二生三、三生万物”,一个复杂系统必然有三个复杂要素才能构成。欧美认为赛博加PHYSICAL构成一个复杂系统,这在中国不行,两个要素怎么构成一个复杂系统呢?于是我们思考赛博是怎么来的?它是人创造的。

人创造了电脑,创造了算法和方法。人可以把自己的知识经验甚至成熟工人的技能转变为软件和模型,人可以将物理实体建模成数字虚体。数字虚体有两个作用,第一个作用是嵌入式系统,比如工程机械开工的情况就反映了我们经济发展的晴雨表。如果我是挖掘机司机,计时工资,我每天上班把挖掘机打开,下班一算八个小时满了,但是挖掘机是否有负载、是否干过活了其他人并不知道,所以就要加装传感器,但是传感器不要一下子装一百个、一千个。第一,数据的正确性,装一个就要保证准确性;第二,在此基础上根据需求追求采集数据的完整性,不展开了。

这么一来,嵌入式系统带来一个重要概念,生产型企业转型为生产服务型企业核心是产品的智能化。另外一个系统就是我们平常设计产品用的CPC等软件,可以把物理模型建成数字虚体。不展开了。

数字化难在哪呢?建模。建模并不简单。1970年,波音777设计的时候用了800种软件,2005年,波音787设计的时候用了8000种,现在已经超过了9000种为什么数字化模型那么重要?当你把一个产品变成软件和模型了,意味着任何电脑之间构建了一座金桥。电脑可以代替你完成你的工作。当电脑干的多了,人干的少了,我们就走向智能了。

我们来看,复杂的产品有多复杂。传统的制造业,机、电、光、流体、热、核这些系统构成一个庞大的复杂产品,所以不仅仅是机械结构要建模,其他系统也要建模。因此就出现了软件工程,软件工程把各专业知识结合起来,就变成了工业软件。智能制造难点在建模,焦点在仿真,大规模工业软件的应用才是走向智能的基础。

智能制造的起源是从波音777开始的。波音777用了八台大型IBM计算机,用了3200套工作站用于搞三维的零件设计和装配设计,用了2万台计算机、PC机、800个相互不关联的软件,形成了14个相互不关联的物料表。由于设计效率提升,波音777就成了波音历史上最挣钱的飞机。当然,大量的软件使用带来了天量的数据。

过去,我们设计、制造、实验是串行的,现在我们是在赛博空间中完成整个产品的设计、工艺、制造和实验,有问题可以就改模型。过去,手工;现在,数字化;未来,智能化。当然,我们还可以把它映射到虚拟实验中,过去是每天必实验,今后的实验是验证性的实验。因为有了精准的模型,可以大量进行验证性的实验,肯定大幅减少问题的出现。

小结一下,智能制造的本质:软件化的工业技术、软件定义生产体系、生产关系优化重构。现在,软件定义变了,传统的思维方式全被推翻了,因此(智能制造)非常难。当然,为了推动智能制造的发展,中国各方面都在助力制造业,帮助制造业转型升级。我们过去的工业是落后的,现在我们有机会跟外国人在同一条起跑线上,因此,希望与在座的各位努力奋斗,助力我们的制造业走向世界。



德勤:预测性维护和智能工厂



不合理的维护策略会导致工厂产能降低5%-20%,工业企业由意外停机造成的损失高达 500 亿美元/年。

——德勤《预测性维护和智能工厂》



预测性维护突破两难境地


以往,由于缺乏准确的方法来判断设备失效的确切时间,设备维护运营者不得不选择是冒着发生故障停机的风险使其寿命最大化,还是提前更换正常部件以最大限度保障设备正常运行。

不过日前德勤提出,新兴的互联技术能够确保设备使用寿命最大化的同时,又能有效避免设备故障。德勤认为,预测性维护(PdM)技术旨在打破原有秩序,通过避免发生意外停机、缩短计划停机时间,最大限度地延长设备使用寿命。

预测性维护能够从关键设备传感器、企业资源规划系统(ERP)、计算机维护管理系统(CMMS)、生产数据等多个系统中快速采集数据。智能工厂管理系统则将数据与先进的预测模块和分析工具相结合,预测设备故障并进行处理,帮助维护人员找到问题的根源。

简言之,智能工厂能够完成机器到机器(M2M)、机器到人(M2H)的交互,同时结合分析和认知技术做出正确决策。



如何实现预测性维护?


预测性维护听上去非常诱人,但是如何实现?德勤提出以下几种技术,探索预测性维护和智能工厂的实现与落地。

>> 物联网

物联网(IoT)可能是预测性维护面临的最大挑战。互联网是将笔记本电脑和移动设备连接到充满HTML编码数据的大型服务器场。物联网与之类似,但数据是从资产到企业服务器的连续流中产生的。

物联网使用温度、振动或电导率等传感器,将设备的操作过程转换为数字信号。数据也可以从其他来源流式传输,例如机器的可编程逻辑控制器(PLC),制造执行系统(MES)终端,CMMS,甚至ERP系统。物联网完成物理-数字-物理(P-D-P)闭环的前半部分(下图1)。

图1:物理-数字-物理闭环



资料来源:德勤大学出版社综合研究中心

>> 分析和可视化

P-D-P闭环的第二步是使用先进的分析技术和预测算法,分析数字信号并进行可视化。

商业智能(BI)等技术不再仅限于数据科学家使用,大量的分析平台开始为非结构化数据、认知技术、机器学习和可视化提供顶层解决方案。从而让制造领域专家和运营分析师,能够更便捷地使用应用程序,独立创建仪表板。

另一个趋势是数据回到边缘端,这意味着数据在“边缘端”生成的同时就被处理,同时将得到的结果直接反馈给设备维护人员。这种方式通过将一些处理工作分配给外部节点,减轻核心网络压力,提升系统性能。

>> 即将到来的“物理-数字-物理”闭环

在对信号进行处理、分析和可视化之后,最终需要将分析结果转换为行为。其中有些是通过指示的结果直接改变设备功能,有些则是通过报警,提醒维护人员完成维修工作。

最终可以设想这样一套流程:预测算法触发公司CMMS系统创建维护工作订单,检查ERP系统中的备件,并自动为所需的任何其它部件创建购买请求;之后维护管理人员只需批准工作流程中的项目,并匹配给相应的工作人员即可。这样的一整套自动化流程将会最大程度地降低时间成本。

以上流程看似面临着很多挑战,但数字化转型的优势远大于这些困难。它的优势包括:

  • 降低材料成本(5%-10%的运营和MRO材料支出)

  • 降低库存运输成本

  • 提高设备正常运行时间和可用性(10%-20%)

  • 减少维护计划时间(20%-50%)

  • 降低总体维护成本(5%-10%)

  • 改善健康安全和环境三位一体的管理体系

  • 减少用于无用信息的提取和验证的时间

  • 花费更多时间在数据驱动的问题解决上

  • 明确计划、绩效和问责制的联系

  • 对决定决策所有权的数据和信息更有信心



维护策略成功的七个核心要素


德勤在报告中指出,虽然技术是预测性维护策略的关键推动因素,但它只是其中的一部分。如果没有基本的构建模块,技术投资可能永远不会产生预期的结果。所以成功的维护策略还需要关注操作流程,需要能够在正确的时间和地点部署所有合适的资源(人力、技术、备件、设备等)。



图源:德勤 Predictive maintenance and the smart factory

企业不论大小,没有一家能够在不考虑维护策略、流程,及支持它们的技术的情况下取得成功。所以可以从现在开始思考以下问题,进一步评估公司需求和维护计划的成熟度。

  • 我们的资产需要多高的可靠度?我们的可用性目标是什么?

  • 我们的技术人员是否具备完成工作的技能?

  • 我们是否在正确的时间、正确的地点提供合适的备件?

  • 我们的流程是否有详细记录,是否可访问且有用?

  • 我们是否有适合工作的工具?

  • 我们如何确定何时更换设备而不是维修?

  • 我们已经拥有哪些未被有效使用的数据?

  • 我们是否在生产系统中确定了关键资产?

  • 是否有一些关键资产可以从预测性维护试点中受益?

  • 整个企业的预测性维护价值是多少?

预测性维护最大的价值是基于剩余使用寿命(RUL)的预测,在维护机会窗内选择成本最低的维护策略和排程计划,同时综合考虑所有设备的维护需求,制定全局最优的维护方案。简言之就是把不确定的信息确定化,并为客户节约成本、提高效率。

根据罗兰贝格与汉诺威工业展览会合作针对153家机械工程运营公司的调研显示:81%的受访公司已布局预测性维护,其中虽有近40%的受访公司已在提供相关技术和服务,但大部分公司仍然在产品研究阶段,或尚未开始任何相关工作。

然而科技的发展日新月异,正在迅速地向工业领域的各个环节渗透,越来越多的预测性分析软件和嵌入式智能IoT被整合到工业产品和生产系统中,企业只有尽快找到一种合适的方法,将大数据转变为高效的企业决策,即将技术与运营完美结合,才能在瞬息万变的市场环境当中所向披靡。

文章主要内容来源于德勤报告 —— Predictive maintenance and the smart factory

报告链接:https://www2.deloitte.com/us/en/pages/operations/articles/predictive-maintenance-and-the-smart-factory.html



建智能工厂,工艺改善是第一步!

无论是智能制造还是工厂变革,工艺改善都是第一步

业内常说,要想实现工业4.0,国内制造企业还有很多的课要补。在要补的课程中,工艺是最基础也是需要最先补的一门课。

在工厂的生产全流程相关业务中,工艺工作处于基础与先导地位。如果说设备是工厂的肌肉,传感器和网络是工厂的神经,那么工艺则是工厂的灵魂。因此,改进工艺工作势在必行。

一、工艺优化

工艺工作的改进要从精益优化现有的工艺开始。实行工艺的标准化,从而推广到工艺精益化,再到研究工艺的稳健化。传统生产也好,或者是工业4.0的智能工厂也好,都是需要精益稳定的制造工艺,这个是当前效率和质量问题的最根本途径。人类的智能是没办法和工厂的“智能”相比的,对制造工艺的要求,智能比传统的生产方式要高很多,在工业4.0的环境下,不稳定的工艺规程会出现预测外的错误,使得智能工厂停止运行。

二、数字双胞胎

为了工艺精益稳健,我们要引入工业4.0里面一个很重要的东西——数字双胞胎,就是将现实中的环境与状态,在虚拟的数字空间中模拟出来,创造一个和真实工厂一样样的数字工厂,然后对工艺、规划、流程进行验证、反馈和完善,这样做可以很好地提高工作的稳定,可以为企业节省很多的时间和资源。

三、转变工艺思想

想要变革,那就从最初的思想开始转变。对于传统的工艺人员来说,主要的工作就是很单一的流程工艺规范,到工业4.0时期,这些工艺技术人员主要的工作就是要提炼工艺思考逻辑,不断地补充、完善、优化庞大的工艺数据库,维护工艺的知识数据,剩下的工艺设计工作就全部由计算机来完成。不合时宜的传统工艺思想,这些都会影响生产效率。

四、机器研究和快换夹具的应用

我们一直说工业4.0是智能化的,但是它并不是要取代人,智能工厂不是无人工厂,而是为了让人和机器更好的配合,让劳动生产的效率达到最高。在智能工作之中,我们要消除人工环境的不稳定因素,想要现如今实现高度化的无人自动生产时不现实也不经济,我们需要在这个环节引进的是机器,提高稳定有效率的机器人。机器和快换夹具配合使用,保证柔性的情况下提高生产效率与稳定性。

五、信息系统的集成

对现有的各工艺信息系统进行集成,来实现单一的数据源,保证互联互通。实现所有的业务在统一的平台下运作是工业4.0的重要目标之一。现如今我们工艺信息化的水平是相对较高的,但是信息化建设缺乏整体的统筹策划,各个信息系统相对独立,没有共享的信息资源,从而形成了一个个信息孤岛。所以我们需要对信息系统进行一个平台的集成工作,提升整体业务效率。

在实现工业4.0的道路上,我们要走的路还很长,要补的课还很多,但这些都不是问题,只要我们抓住机遇,制定切实可行的计划,一步一个脚印地前进,在这一过程中我们就可以提高自己,这样工业4.0也会离我们越来越近。




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



版权声明产业智能官(ID:AI-CPS推荐的文章,除非确实无法确认,我们都会注明作者和来源,涉权烦请联系协商解决,联系、投稿邮箱:erp_vip@hotmail.com。



登录查看更多
3

相关内容

商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
少标签数据学习,54页ppt
专知会员服务
197+阅读 · 2020年5月22日
人机对抗智能技术
专知会员服务
201+阅读 · 2020年5月3日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
新时期我国信息技术产业的发展
专知会员服务
69+阅读 · 2020年1月18日
2019中国硬科技发展白皮书 193页
专知会员服务
81+阅读 · 2019年12月13日
【白皮书】“物联网+区块链”应用与发展白皮书-2019
专知会员服务
93+阅读 · 2019年11月13日
【工业智能】人工智能在智能制造中的应用
产业智能官
22+阅读 · 2019年1月11日
【智能制造】新一代智能制造:人工智能与智能制造
产业智能官
17+阅读 · 2018年8月11日
【智能制造】智能制造的核心——智能决策
产业智能官
12+阅读 · 2018年4月11日
【智能制造】智能制造技术与数字化工厂应用!
产业智能官
13+阅读 · 2018年2月21日
【工业大数据】李杰:工业大数据的前半生和后半生
产业智能官
6+阅读 · 2017年11月30日
A Survey on Edge Intelligence
Arxiv
50+阅读 · 2020年3月26日
Seeing What a GAN Cannot Generate
Arxiv
8+阅读 · 2019年10月24日
Arxiv
5+阅读 · 2019年4月21日
Arxiv
5+阅读 · 2018年5月1日
Arxiv
4+阅读 · 2018年4月10日
Arxiv
10+阅读 · 2018年3月23日
VIP会员
相关VIP内容
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
少标签数据学习,54页ppt
专知会员服务
197+阅读 · 2020年5月22日
人机对抗智能技术
专知会员服务
201+阅读 · 2020年5月3日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
新时期我国信息技术产业的发展
专知会员服务
69+阅读 · 2020年1月18日
2019中国硬科技发展白皮书 193页
专知会员服务
81+阅读 · 2019年12月13日
【白皮书】“物联网+区块链”应用与发展白皮书-2019
专知会员服务
93+阅读 · 2019年11月13日
Top
微信扫码咨询专知VIP会员