【智能制造】工业智能制造的集成优化、如何看懂工业4.0、预测性维护解析

2018 年 12 月 23 日 产业智能官

钢铁工业智能制造的集成优化

原创：孙彦广科技导报

对钢铁工业智能制造的理解

目前，先进制造技术与信息技术深度融合，正推动钢铁工业不断向智能化方向发展，实现钢铁工业由大变强的历史跨越。要实现钢铁工业智能制造，必须深入理解制造流程的本构性特征及其动态运行的物理本质和机理，必须充分理解制造流程动态-有序、协同-连续运行过程的耗散过程和耗散特征，在此基础上，实现基于信息物理系统的集成优化。

根据冶金流程学理论，钢铁工业制造流程的动态运行过程是耗散结构内的耗散过程，物质流在能量流的驱动和作用下，按照设定的“程序”，沿着特定的“流程网络”作开放性、非平衡运行，随“流”而“动”、随“流”而“变”。流程中各自复制单元通过界面相互关联、非线性耦合，在运行规则约束下联网运行。通过各个自复制单元和它们之间“界面”技术的整体性优化、联网结构优化、动态运行过程优化，实现制造流程功能的多目标优化。制造流程需要外界“他组织力”与流程本身“自组织性”结合，化随机变化为受控有序变化。

钢铁工业智能制造的目的，是围绕钢铁流程“钢铁产品制造、能源高效转换、废弃物消纳处理与再资源化”3个功能，提升“他组织力”，进行结构优化与程序优化，实现全流程动态有序、协同连续运行和多目标整体优化（图1）。

图 1 钢铁工业智能化的结构优化和程序优化

钢铁工业智能制造的主要内容为物质流网络、能量流网络、信息流网络三网优化及协同运行。

物质流网络优化的方向是动态有序、协同连续，主要内容包括 3个层次：炼铁、炼钢、轧钢等各工序优化；炼铁与炼钢、炼钢与连铸、连铸与轧钢之间界面优化；全流程物流网络优化等。

能量流网络优化的方向是动态平衡、能质匹配，主要内容包括余热余能高效回收利用、多能源介质之间高效转化、能源管网适当缓冲能力、减少能流网络损耗。

信息流网络优化的方向是自感知、自决策、自执行，主要内容包括在线检测、工业互联、数据集成、数字模型、优化设定和精准控制，实现全流程质量管控、一体化计划调度、物质能量协同优化、多工序优化控制等。

智能化钢厂“结构”优化

流程结构是指工序功能集合、工序关系集合的适应（协调）性，系统运行的动态可调性，结构优化包括流程工序功能集解析-优化、工序关系集协调-优化、流程系统工序集重构-优化多个层次。

流程模型化是流程优化的前提。首先基于流程机理建立物理系统模型，对流程进行结构化（形成合理的流程网络）、概念化（对多因子物质流运行性质的描述）理解基础上，进行的整体物理描述（包括“程序”描述）。进而，基于物理模型建立数字化模型，包括工序数学模型、平面布置图 GIS（地理信息系统）、工序关联语义网络和运行“程序”数字化。

信息是动态调控流程中各个功能因素的纽带，是制造流程集成优化的重要基础之一。流程中各个工序的输入集（I），在经过流程中各个工序（X）作用后形成相应的输出集（O），从输入集到输出集的转变受工序功能集（F）和工序关系集（R）控制的，并经过控制策略集（C）的调控，在这个过程的各个层面形成对应的信息子系统，进而集成到决策中心并形成制造流程信息系统。

融入信息流的流程结构优化过程如图2所示。

图 2 融入信息流的流程结构优化过程

智能化钢厂“程序”优化

智能化钢厂“结构”优化为智能钢厂“程序”优化奠定了基础，是智能化的必要条件，智能化钢厂“程序”优化是智能化的充分条件，两者有机结合，相互促进。智能化钢厂“程序”优化侧重全局性集成优化，通过物质流、能量流、信息流“三网”协同运行，实现多目标优化，使得过程耗散“最小化”。主要优化内容包括全流程产品质量管控、一体化计划调度、物质能量协同、多工序协调优化等。

全流程产品质量管控

全流程产品质量管控的目的是联通产品开发、工艺设计、生产制造、用户使用多个环节，打破信息孤岛，形成图3所示产品质量管控的多回路PDCA闭环。

图3 产品质量管控的多回路PDCA闭环

以扁平材为例，其全流程生产制造环节需研究开发的主要技术内容包括：全制造周期集成质量信息平台、全流程产品质量在线监控、质量在线综合评判诊断、全流程产品质量的溯源分析和质量优化（图4）。

图4 扁平材全流程产品质量管控技术

一体化计划调度

一体化计划调度从内容上包括从销售订单、资源计划、生产计划、作业计划到过程控制的纵向集成，从原料、炼铁、炼钢、轧钢到产品的横向集成，其目标是实现准时交货、在制品减少、工序均衡、运行效率、能源优化等指标的多目标优化（图 5）。将以前分别部署在企业ERP、各分厂 MES、各工序 PCS的计划-执行-控制系统进行有机协同、动态管控。

图5 一体化计划调度

要实现一体化计划调度，需要研究开发以下关键共性技术：

1）生产路径与规程语义网络表达。

2）基于多智能体（Agents）流程仿真。

3）多层次迭代启发式计划优化。

4）不确定因素（设备故障、质量下降）影响的预测。

5）不确定因素的启发式调度策略（图6）。

图 6 实现一体化计划调度的关键技术

物质流能量流协同

物质流能量流协同是将钢铁企业生产优化的制造执行系统MES和能源优化的能源管理系统EMS进行协同，实现能源的综合智能调控（图7）。物质流能量流协同关注与物质流耦合紧密的能源流的产生-转换-缓冲-使用-回收等能量流网络各个环节，通过能源高效转化、适当缓冲能力、减少能流网络损耗等途径，实现能量流网络动态平衡、能质匹配。

图7 物质流能量流协同

要实现物质流能量流协同，需要研究开发以下关键共性技术：

1）全流程物质流-能量流耦合的能量流网络模型；

2）基于能量流网络模型的动态仿真；

3）多尺度多视角能效评估；

4）多场景能源计划和多介质能源优化；

5）生产预测与能源反馈结合的能源动态闭环控制（图8）。

图8 实现物质流能量流协同的关键技术

多工序协调优化

多工序协调优化是从全流程角度，基于界面技术，将各工序生产管理和过程控制系统进行协同起来进行系统优化，实现全流程连续紧凑、动态有序生产。多工序协调优化与一体化计划调度都强调全流程横向集成，只不过前者更关注生产流程“耗散”，后者更关注订单的完成。

要实现多工序协调优化，需要研究开发以下关键共性技术：

1）全流程物质流网络模型。

2）基于物质流网络模型的动态仿真。

3）工艺路径规程优化。

4）界面协同优化。

5）工艺模型与设定值优化。

6）过程预测控制模型。

7）工艺变量在线连续检测（图9）。

图 9 多工序协调优化及关键技术

钢铁工业智能制造需要突破的一些共性问题

钢铁制造流程具有强耦合性、不确定性、多约束性、多目标性等特征：

1）强耦合性。钢铁流程是一个多工序组成复杂的高温物理化学过程。铁水、钢水、钢坯等在制品的温度调控是产品质量的保障，也是高效生产的前提，要求全流程各工序紧密衔接，连续紧凑。此外，各工序产品质量的遗传性，铁钢、炼铸、铸轧之间工艺界面优化进一步提高了工序间的耦合关联度。

2）不确定性。在实际生产中存在很多随机的和不确定的因素，如外部订单的增减、交货期的改变、环保要求的产量限制，内部各工序加工时间的波动、设备状态的变化、质量偏差、物流瓶颈等，都会干扰全流程各工序顺行，需要动态调整。

3）多约束性。流程生产需要满足交货日期、产品质量、物流能流平衡、工艺路径选择、工序设备产能和作业时间、连铸连浇规程、工装设备周期、物流缓冲容量、节能减排等多方面约束限制条件。

4）多目标性。流程生产目标包括客户交货期、产品质量要求、支持多品种小批量订单生产、设备利用率最优、作业时间最短、生产成本最低、能效高排放达标等，并且这些目标间可能发生冲突。

针对钢铁制造流程的强耦合性、不确定性、多约束性、多目标性等特征，要实现上述智能化钢厂“结构”优化和“程序”优化，需要在建模方法、优化机制、调控策略方面进行探索研究，取得一些突破。

钢铁制造流程网络化建模方法

现有钢铁制造流程建模方法大多基于还原论方法，将流程系统分解为独立的各个子系统，然后以各个子系统运行特性简单叠加代替了流程对象整体的描述和分析，由于流程的非线性耦合性特征，难以描述流程复杂的动态行为。

因此需要探讨一些新的建模方法，如采取简单一致、单体准确、网络耦合、行为涌现的整体论建模方法。简单一致是指对简单事物往往会有一致的看法，尽管人们容易对复杂系统（全流程）的整体行为的认识产生分歧，但对相对简单的单体对象的局部行为和模型的认识往往能够取得一致，从而对基于这些认识较为一致的局部行为所产生出的复杂整体行为也能够理解和接受。为此针对各单体（生产工序、运输设备等）利用以前过程控制研究结果建立满足计划调度要求的相对准确的数学模型。将上述单体模型按照流程的设备配置、工艺路径、连接方式、启停条件进行网络化建模，以反映其相互关联耦合关系。通过输入生产任务、工况条件，在仿真环境下，产生复杂的互动方式和相关行为，利用涌现方法进行观测总结，了解、分析和理解流程复杂系统的行为及其各种影响因素（图10）。

图10 流程网络化建模方法和多目标启发式优化机制

基于交互仿真的启发式优化机制

需要突破的问题有：

1）相互冲突、量纲不一的多目标归一化。

2）具有非线性耦合、动态变化特征的约束条件数字化模型。

3）常规运筹学方法难以应用的整体优化求解。

现有优化机制是首先确定目标函数和约束条件，然后通过问题求解（逆向求解）获得最优解。其局限性在于：（1）以各个子系统约束条件代替了流程对象整体的描述和分析，由于流程的非线性耦合性特征，难以通过各个子系统的约束条件描述流程复杂的动态行为；（2）受限于问题求解算法对约束条件进行了简化处理；（3）目标函数和约束条件的参数取统计平均值，难以反映不同品种、不同生产工况、不同设备状态等不确定因素的变化以及相互耦合的影响，难以实现动态调整和协同优化。

因此，需要探讨一些新的优化机制。例如，首先建立对象（生产流程）详尽的网络化描述模型，然后通过简单规则产生优化初始方案，代入生产流程网络化描述模型动态仿真生产过程计算初始方案的结果（正向求解），将结果与多目标进行对比，确定下一步优化改进方向，通过迭代优化给出多个满意解，最终确定优化方案。

反馈预测结合调控策略

需要突破以下问题，形成反馈预测结合的调控策略：

1）难检测工艺变量的软测量。

2）机理、经验、数据相融合的对象模型。

3）基于经验的异常因素前馈控制。

4）具有对象模型的预测控制（图11）。

图11 反馈预测结合调控策略

钢铁工业智能制造的推进路径

针对钢铁工业这种典型的流程制造业所具有的连续化、工艺体系复杂、生产过程不确定因素多、制造过程中间产品形态、性质及最终产品多样化的产业技术特点，需要在明确智能制造发展需求的基础上，循序渐进发展。

企业发展智能制造应该与企业本身的战略定位、商业模式一致

各钢铁企业战略定位、商业模式不同，通过两化深度融合和智能制造提升企业实现发展战略所需的各项能力也不同。企业需要因企施策，根据自身的业务发展现状、市场定位、客户需求和资金投入等因素，选择合适的目标，确定智能制造的发展方向和实施路径。

企业在实施智能制造时，宜采取逐级递进的技术路径

智能制造是从低级向高级循序演进的过程。目前，中国钢铁企业间智能制造能力成熟度差异较大，因此，基础弱的企业需要在规范级、集成级层面下工夫，夯实基础，如产品质量和工艺规程数字化、标准化，各工序过程控制系统和工艺过程模型完善和提升，冶金流程物质流、能量流网络的改造和优化等。基础好的企业应向优化级、引领级提升，力争取得突破。

参考文献（略）

作者简介：孙彦广，冶金自动化研究设计院，教授级高工，研究方向为钢铁工业智能制造。

注：本文发表于《科技导报》2018 年第21 期，敬请关注。

李序蒙教授：教你看懂工业4.0

不懂专业技术，摸工业4.0这头大象的两个绝招

作为非技术专业的管理者，不懂工业4.0专业技术不用着急，不用怕。首先，你得大概知道这个是起什么作用的？在整个构架里，整个制造系统中，在整个工业互联网中，它是起什么作用的？这个要求不高。比如今天谈到OPCUA，我第一次接触时查了很多的资料，力图要弄懂OPCUA。我还找了很多的专家谈，后来我发现了不用这样。比如微软的AML是干什么的，你不用懂技术，只要懂得，它会使得机器与机器之间，机器与云端之间的连接变得便利，容易实现，使得你不需要做大量的开发工作，很多重复性的工作不用了；在往深了就不用了解了。至于它的结构是什么，由什么部分组成，尤其是那些技术特征，你可以不知道。

第二，谁会这个？也就是你得知道你的需求，谁能够满足，了解这个行当里面，哪家供应商是最棒的，哪家研究机构擅长做你需求的技术，就找懂这个技术的人或机构。有了这两点，就及格了，非专业的人，专业方面能做到这两点，算及格。

大众汽车的案例

我们昨天下午去了大众汽车，12秒换颜色，5分钟换模具，每个材料乃至车身都带身份证，一扫，就知道是哪个客户的，哪个订单的，什么样的零件在什么位置，按照什么标准把它装上去。它是混线生产，而且是单线定制，这些东西加在一起，你们得出什么结论？我告诉大家，这套系统已经做了10年了，每年都在迭代，每年都在更新、升级，到了现在这个样子。而且未来会更加升级，甚至升级速度还会更快。当中有很多失败，它这是为了干什么？你要是老板，你会怎么想？你要花钱，目的是什么？所以，了解下大众的历史，10年前面对的挑战，就是全球消费市场需求个性化。

竞争，每个车厂都希望自己能够比竞争对手更快的推出新一代的产品。品种越来越多，上市速度要求越来越高，生命周期越来越短。那我们朝着消费者需求去做吧，发现没钱赚。为什么呢？因为只要走到个性化，走到客制品，我们的交付，我们的设计，供应链，制造，整个物流配送系统，都会变得异常的复杂。差错率会提高，品质会下降，交付率会降低，所以成本会很高，这就带来了矛盾。怎么解决这个问题呢？

1产品结构：平台化+模块化，应对市场需求个性化

你看在大众汽车，我让大家一定要拿那个平板，去拍一拍墙上的那个MEB平台。MEB是它在电动车，新一代的面向未来的系统。

汽车产业，正在经历两个大的技术变迁。从传统的化石能源，石油动力转向了新能源，电动汽车；第二个就是从有人开的，转向了自动驾驶，或者叫做智能网联汽车。这两个大的变化，就会使得整个汽车行业的，从技术结构，产品形态，乃至于产业链的生态都发生变化。大众开发MEB，MEB是面向未来的，到目前为止还没有一款汽车是MEB。我记得第一台会是在2019年，2020年。它到2025,30%的车由MEB平台开发，到2035年，所有的燃油车将不再生产。现在所有的大众的汽车，电动的，混动车，都是基于燃油车的平台。MEB是新能源的汽车平台。那平台是什么概念？平台是一种产品形态，平台产品和模块化是相伴相生的，目的是解决，需求是个性化，又要保证成本的优势和生产效率的优势，怎么办？那就只能用模块化和平台化来应对个性化，这个是它最重大的决策。这10年来，大众就在全球率先推出了平台，这是它应对个性化的第一措施。

2 制造系统：从设计到交付的高度柔性化（工业4.0）

第二个重大的措施，叫工业4.0。以前就是叫做信息化和工业化的深度融合（两化融合），是互联网的技术，信息化的技术，向制造的价值链的深层次，深度渗透，那个时候还叫做两化融合，现在叫做工业4.0 。

它用了那么多的技术，实现的就是在多品种，小批量，乃至个性化定制这样环境下，价值创造的整个链条，如果是工厂的话，就是整个工厂的生产工序都可以变的高度柔性化。不光是可以生产大批量，个性化的产品，而且生产效率还很高。我能够像量产型的产线一样的效率和成本，来生产多品种，小批量乃至个性化的定制需求。所以一方面整个产品的结构，是平台化和模块化，另一方面是制造系统，从设计到交付，要变得有更高的柔性，但是前面的突破做到了，后面的突破就慢下来了。为什么慢了？因为它涉及到每一个工业过程。它不光涉及的是加工过程，它还涉及到检测。如果没有快速，高效，精准的检测，它不能做到多品种，小批量和个性化的需求的情况，高效率和低成本，这个做不到。所以无论是加工，还是检测，都是运用了大量的数字化技术、自动化技术、乃至于工业大数据和物联网，人工智能的技术。因为只有这些技术同时不断的迭代和进步，在加工和检测两大类的环节中，持续的迭代和优化，才能做到这一点。我们从冲压到总装，看一看大众汽车的数字化柔性生产线。

冲压环节：5分钟快速换线

冲压环节，可以做到5分钟换模。冲压机旁边，就是调试机，对模具进行调整，也就是下一个模具要加工，事先就可以将模具准备好，然后装进去就能才能做到冲压。这样使得预调机，可以实现快速换线，才能做到5分钟换线。那现在真正的难点是在于，我不知道冲着冲着，它会什么时候坏掉；它没有坏，我换下一个模具，没有问题；但它有可能坏掉，而我们根本发现不了；这个时候注意看，这个冲压设备有1500个传感器，这个智能化技术，预测性维护的技术，同样在大众汽车厂应用。

焊接环节：大数据中寻找规律，发现让你的眼睛、经验、见识发现不了的因果关系

车身这道工序，还没有喷漆的车身就是白车身；把钣金件焊接起来，把它拧好；光是焊接这个工序，白车身一共有500个钣金件，80-120个装配站，一条装备线有1500--2000个定位线，有4000个焊点。这种尺寸误差2毫米，但这么多钣金件，一个一个焊接、连接起来，误差会叠加。叠加后，你会发现，每一个工件单独加工，都能达到最高的标准，但是组装以后误差超标。有一套理论叫做SOV，工业大数据的运用，使得SOV的方法论的威力发挥出来。我有那么多的加工程序，最后变成白车身，每到程序加工后的数据和最后组成白车身之后的质量数据，组成大数据，全部采集出来，进行分析。今天李鹏博士讲的那么多点，然后要找出因果关系，我看到底哪个钣金件，它的加工工序当中的哪个参数进行了变化后，会导致最终的结果影响最大，到底应该怎么调，从大量的数据中去寻找规律。这个规律用老师傅的经验是没有办法发现的。所以互联互通后，采集的数据后，能起作用，最重要的是能发现人的眼睛，人的经验和见识发现不了的因果关系，从而针对性的采取措施，解决问题。

算法本身的优化也需要多年的积累

这是汽车行业的一次革命，但这个技术本身不是大众发明的，是美国密西根大学的教授发明的。他创立了这个理论，但那个时候是靠人工来算的。现在有了每一道工序后，都有了检测，有了数据，然后白车身还有质量数据，每一道工艺参数还有数据，那这些数据就叫自我优化，工艺就会自我优化。这个在工业4.0时代，有没有这个？其实也有，那就真的不能告诉别人，怎么来做；这个叫做工业知识，它需要沉淀下来，现在这些工业知识，不旦已经数字化而且软件化，算法化。那个是别人最为核心的东西，为什么别人可以那么快的速度，那么高效率，还可以那么低成本，生产出那么高品质的汽车。原因在这个地方。国内那么多民族品牌，自主品牌的，工厂看上去丰田和大众差不多，都有那么多机器人生产，信息化系统也有，自动化水平也一样，为什么出来的产品质量不一样呢？为什么生产交付不一样能力，为什么品质不一样呢？我告诉你原因就在这个地方。差距在这里。换句话说，你把数据抓出来后，算法的开发不一样，算法本身的优化，也需要多少年积累下来，才能发现人的经验，靠老师傅的五官发觉不了的内在逻辑关系。

机器视觉

还有一个难点，引擎盖装在车身上，是焊在车身上的吗？不是焊的，是装上去的，拧上去的。引擎盖是人装的，还是机器装的，你看是机器装的，你看这就是自动化技术。这是他们自己开发的系统，叫做机器人之眼。ISRA视觉定位系系统，又称机器人之眼。摄像头用了做什么，就是用来定位的。视频定位，机器视觉，然后我们把它准确的装上。汽车的婚礼，三秒的婚礼（汽车动力地盘与车身的结合，行业称“婚礼”），也是用的机器视觉。不一定是可视光，也可能结构光，或者有激光。这些都是他们的智能技术，涂装更是如此，只是我们没有参观。再看总装，总装也有很多，FID的技术，核心总装线，这只是一个，就是身份识别加核心装备只是其中之一，三秒完成的婚礼，一定要用到机器视觉，不可能不用。

拧螺丝，也要用到工业4.0的技术。图上右边这把枪，叫做智能拧紧器机。这是谁做的？博世公司的Lawrence。Lawrence做的智能拧紧器，设计师设计的时候，拿着仿真软件画设计图时，拧多少圈，拧紧，事先都经过仿真的。仿真之后，拧多少圈，往回多少，这个都是设计师事先设计好的，3D模型都有数据。这个数据就会传递给拧紧器，有这个数据。一找到这个螺丝，有FID，拧15圈，往回半圈。每个螺丝，拧多少圈，回多少圈，都不一样的，这个数据实际拧完后，是不是这么多，会不会扭力不够。我需要把实际数据返回数据库。这个时候你在看，这个零件，这个模型，它之前是通过仿真设计，3D模型，既有它的尺寸，数据，要拧多少圈，实际拧多少圈，数据回来来。物理数据和现实数据对应起来，就叫做数字双胞胎。

智能检测

非接触的光能测量。2秒钟把1600万个测量点全部测完，你没有这些快速精准的检测和测量，你是做不到快速反应的。我们想象中是做到极致，每个客户的需求不一样来了，但他们都能高效率的交付给消费者。从设计开始就效率很高，做到高的仿真，自动形成BOM，产品BOM、工艺BOM。只要订单来了，剩下事情全都在数字世界就分解了，然后形成对供应商的采购订单和生产计划。

人机协作

人机协作，是工业4.0的一个重要应用。预测性维护、人机协作、智能检测都是应用，是手段，是技术。人机协作是放大人的能力，把不擅长的事情交给机器做，人擅长做的事情交给人做。今天这个老实说，机器做的事情，对性能要求高，对容错的需求要求很低。人做的事情，是容错的需求高，对性能要求低。

IT解决复杂管理的问题

这么复杂的系统，如何管理？就是靠信息系统。管理规模一定是由管理体系的复杂性决定的。要做体系驾驭复杂性，否则管理成本会很高，抵消业务增长带来的好处。

工业4.0不仅是供给侧，还更重要的是需求侧。产品本身的智能化，产品智能化以后还要反过来与制造系统能互联互通。

工业4.0到底是什么？

中国工业4.0实践与德国的差距

国内许多号称工业4.0的公司做的大部分还是系统集成。德国在做关键硬件，关键软件，标准和云平台，四件事情，这些全都是控制未来的产业链的。

智能化

大脑计算

先理解智能化。4.0与其他三个时代最大的区别是智能化，要理解什么是智能化。下面是人类的神经系统对外界刺激反应的示意图，理解的人类怎么反应的，就理解的智能化。

边缘计算

人有两个神经中枢，一个是脊髓，脊髓相对于边缘计算，能够对传感信号做出快速反应。速度快，但是计算很弱。不可以做优化，但是可以做快速反应和决策。

云计算

相当于大脑计算，算完了以后，发出指令去改变，去优化。看到这个烫的东西，手没有过去，这就是大脑计算，这就是智能化。所有智能化的系统都是一样的，如波士顿动力机器人，Google Assistant等。

原理

采集——感知——分析——决策——反应的闭环。

智慧农业：不是农业机械服务商，而是农业综合服务商，做到精准控肥，精准植保。控制了土地的数据和平台，然后是收购。

智能化技术在工业领域就叫做工业4.0 ，智能制造。

远景

单台设备有智慧---生产线有智慧---整个工厂由智慧---整个企业有智慧，远景是整个价值链都是有智慧，这个是未来的生态。

德国人和中国人眼里的工业4.0

博世，工业4.0做得比较成熟

博世是丰田的学生，但不叫TPS，而叫BPS，这是博世自己的精益生产系统。每座工厂或者每个事业部都有自己的工业4.0的小组，在小组的平行同时建立一个精益生产小组。两个小组归一个BOSS主导。工厂之间、事业部之间、地区之间、国家之间每年PK评奖。去年开始，把分散在各个工厂和事业部的队伍集中起来成立一家贵公司，做自动化设备，智能装备，智能制造的系统集成。这家公司是全球最有实力、规模最大的集成商。我们现在有很多所谓的集成商实际上是没有这个能力的。

新一代智能制造：自学习能力

分析、判断、决策、自学习，有自己学习新知识的能力，这就是人工智能。新一代的智能制造是有学习能力的制造系统。

智慧工厂的架构很像人体的神经系统。周济院长提出说新一代智能制造的概念，叫HCPS 。加了H，帮助我们更好理解智能制造。（即从仿生学角度理解智能制造）

中国人理解的工业4.0

中国工程院研究，作了《中国智能制造战略研究报告》，重要的5张PPT。

并行推进，融合发展

人家已经研究很深入了，我们连信息化都没有开始，管理、技术、设计、工艺基本功都很差；应该坚持并行推进，融合发展。

三个层次：

第一，数字化，也就是平时说的信息化。首先解决是管理规范化和业务工作的效率问题。一定找到最急需找到的短板，先用上可以增加收益，这就有更好的改良空间。

第二，精益生产，精益生产就是补短板。马云说，人工智能改变了制造业以后，新制造的核心就是数据，就是智能算法，不再是制造本身。郭台铭说前半句对，人工智能将会改变制造业，但后半句不对，新制造的核心还是制造。我是支持郭台铭的，未来的工业互联网的巨头，一定不是诞生在互联网公司，而是是诞生在一流的制造公司。互联互通的目的是数据，有了数据可以做到可视化，可以学习，找到规律，发现问题和解决问题。工业4.0灵魂是互联互通后的数字化。

一流的数据不可能来源于二流的工业过程，只能来自于一流的工业过程。要有高质量的数据产生。一定把精益生产做好，先练好基本功。

第三，未来怎么走？哪个环节要做传感器，做了传感器以后怎么优化？到底怎么解决设备维护问题，还是为了解决工艺参数，还是为了解决产品本身问题？

三种范式

第一种范式：数字化。

第二种范式：互联网+制造：数字化+网络化。连到设备了，设备也实现互联互通，连到云端，但是整个系统不能持续改进学习。

第三种范式：新一代智能制造，不光像人一样，会不断做出反应。更重要的是，反应能力会不断学习提升。有学习能力也就是有人工智能渗透能力。

三种范式要齐头并进。

如果一定要做，可以在局部先做。针对重要的设备单独做物联网系统。

智能制造的基本结构是HCPS：人、信息、物理系统。我们来看一看这个系统是如何进化的：

传统人机系统

实际上是人和设备之间的互动，机器代替部分体力劳动；因为设备的性能比人强。人自己感知设备，负责决策，人进行控制操作机器，从操作机器的过程中学习和了解用机器、调机器。

第一代的智能制造，在人和机之间增加了信息系统。信息系统完成一部分脑力劳动，感知分析决策向信息系统复制迁移。一部分工作老师傅让给信息系统。从重复、清晰、确定比较高的计算开始。

现在所谓新一代的智能制造，本质的特征是有了学习能力。把学习能力也让渡了一部分给了信息系统，代替了大量脑力，也包括部分创造性的脑力。

今天单个企业没必要从第一种范式做起，有可能齐头并进。具体落实到每一个企业，要针对企业的挑战，机会和现实资源能力，要量身定做。

公司的发展战略是什么？
定义的我的机会和发展方向是什么？
我的市场，我的竞争提出的要求是什么？

启发：

没有一流的工艺过程，基本功不行，不要惦记智能制造。

因地制宜，量身定做，合理齐头并进，融合发展。认清你的战略方向所定义的核心能力，找出未来战略所需要的未来的核心能力，并持续投入，需要什么能力，就投入什么能力。

工业4.0：增加连接的作用

作为管理者，理解了工业4.0是什么是不够的，更重要的是了解为什么要有工业4.0，或者说工业4.0对企业经营能力、竞争优势和经营绩效是如何做贡献的？它的价值是什么？怎么实现的？要把这个机理搞清楚。我们用一张图，说明这个道理：

首先，工业4.0的核心就是连接。工业社会的进步史，就是一步不断增加连接的历史。无论是生产环节还是交换环节，都是增加连接，减少信息不对称。

接下来，连接的目的是数据采集处理分析，采集处理分析的目的是利用，利用数据促进生产效率和交换效率的提高，从而提高企业经营绩效，促进产业进步。

这是通过四个方面的机理起作用的：

减少不对称——可视化。可视化是效率非常重要的来源。
消除时空障碍——网络化。设备、产品、任务、知识、人互联互通，这样生产过程就可能突破时空限制。
形成反应闭环——设备或者制造系统。具有自我感知能力，能够感知到任务的变化，并自主配置、采取相应的程序、工艺完成任务……形成随机应变的反应闭环。
提高认知能力——学习。发现问题，分析问题的根本原因，并找到解决问题的办法，只有人工智能才能做到这一点。

工业4.0：中国的机会在哪里？

机会的来源

一个是竞争趋势，二是机会牵引。更重要的是机会牵引，机会来源于两个地方：

第一，需求侧。需求快速变化，越来越不确定

第二，技术端。各种新技术的进步使得快速响应高效反应客户需求成为可能。

未来工业4.0时代，整个工制造世界发生翻天覆地改变，新的世界工厂是否在中国？新的工厂谁去帮助中国建设？......

工业4.0时代中国的机会在哪里？

第一优势是人多，市场大。二是中国的设备是最多的，工业大数据，数据来源从设备来的，设备在中国用。上下游的产业链配套体系在中国手里。不管是设备还是企业之间的互联互通，都在中国，中国最大的机会是在工业大数据。

但还是要再次重复：没有一流的工业过程，产生不了一流的数据。数据都有问题，哪来的算法和智能感知、自我优化和自我配置？更加谈不到工业人工智能，工业云平台。

预测性维护为制造业带来5大好处！预测性维护是如何降低工厂成本的？

随着物联网技术的快速发展，在各个行业中产生了不同的结果。物联网进入了工业领域，被叫作工业物联网（IIoT）。预测性维护是IIOT的最大价值之一。

下文将总结预测性维护为制造业带来5大好处：

1、预防硬件故障

数据驱动的预测分析可消除任何预防性维护策略的猜测，还能让工程师在机器脱机和休眠时安排并启动修理。

例如，通用汽车(GM)在生产在线涂装新车时会先使用传感器监控工厂温度。毕竟环境若太冷或太热，涂料设置不正确，设备就可能故障。其他制造商则使用自动通知传感器来辨识性能下滑、意外瓶颈或潜在危险。

2、优化维护例程

预测分析通常能找出需关注的机器或零件，工厂技术人员就能根据需要调整工具和备件的库存，而能为工厂车间节省时间、金钱和空间。有些机器也会执行自我维护，且因无需技术人员而能进一步提高效率。

3、加强工作场所安全

未正确维护的设备或容易发生故障而无警告的机器对工人的健康和安全将造成严重风险。机器故障也会造成时间、生产力和利润的严重损失。这些意外事件可能导致整个工厂暂时关闭，直到问题解决为止。

4、提升产品质量和客户服务

机器突然故障也会让准备装运或分配的货物容易受到损坏。组装机器人或数控机床一旦在生产过程中停止，则特定零件及其所包含的原材料将立即浪费。举例来说，工具机大厂Caterpillar迅速接受了物联网技术，其客户和合作伙伴享受到许多实实在在的好处。

其中，包括节省40%的燃料成本，90%的设备正常运行时间及增加数千美元的获利。最终结果是，Caterpillar提升其品牌形象，客户改善其分配资源的方式，消费者最终为整体服务支付更少的费用，达到三赢局面。

5、利用物联网预测分析

根据最新的研究，到2022年智能工厂市场规模将超过2,000亿美元。其成长得益于物联网、大数据和预测分析等创新。这些技术能将生产力和获利提升到全新高度。从制造商到消费者，这是有利于所有人的一大突破，而且这一切都将在未来几年内实现。

预测性维护是如何降低工厂成本的？

导读：预测性维护对于重要资产进行数据采集有监控，目前比较见于工业、商业、公共事业和建筑设备等机器的监控。在工业领域中，监控关键机器和电气设备的状态，可以避免过程停机和实现投资回报的最大化。

成本控制是制造业长远发展的关键，一直以来，制造商在寻求降低成本，提高投资回报率的动作并没有停止过。随着物联网、大数据等技术的不断突破，生产成本控制有了一个更好的解决方案，那就是机器监控和预测性维护，它可以帮助工厂减少停机，从而获得越来越高的经济效益。

预测性维护对于重要资产进行数据采集有监控，目前比较见于工业、商业、公共事业和建筑设备等机器的监控。在工业领域中，监控关键机器和电气设备的状态，可以避免过程停机和实现投资回报的最大化。

对于工厂主管或者管理者，可以使用传感器采集设备数据来保持生产系统的稳定性，管理和技术人员都能从这些数据中获得好处，如提升机器效率，获得更多成本效益或者更轻松地维护管理设备。那么，过程机械的状态监测和预测性维护是如何降低生产成本的，维护人员需要掌握哪些基础知识，本文将为大家做一个全面的解读。

什么是预测性维护？

机器监测也称为状态监测或预测性维护，是指通过传感器监测电气设备以收集诊断数据的实践。为此，数据记录仪和数据采集系统被用来监测所有类型的设备，包括发动机、电机、锅炉等等，这些资产都注重投资回报率。

随着物联网技术的普及应用，重型工业正在转向基于传感器的数据采集，通过数据分析来解决一些重大的问题，其中最主要的问题是造成流程延迟和停止的流程停机。据业内预测，状况监测是一个稳步增长的业务实践，市场总额将近110亿美元。

除了状态监测之外，这些应用还包括许多不同类型的需求，如运行时间/正常运行时间测量、预防性维护、性能跟踪、能源监测/保存、故障隔离、质量控制等等。

状态监测怎样防止停机？

对于工厂经理或技术人员来说，需要不断优化机器效率以获得更高的产出。而对提供商来说，需要为客户提供合理的方案进行设备监控。状态监测应用包括有重型机械、油和气、能源、汽车和运输等。

机器监控可以是定期的或持续地进行，根据计划的时间表进行定期测量，或者采取不定期的测量。定期监测是按照既定的时间表进行，例如监督员每天在特定的时间进行，或者通过数据采集系统自动进行。

同时，数据采集系统通过自动化手段，不断地进行基于传感器的数据采集或连续测量。持续监控具有相当大的优势，能更可靠和更清楚地指示机器损坏或即将发生的过程停机。

数据采集系统人员需要确保任何未来的设备是否适合生产需求，确保产品易于学习和操作。同时，采购代理采购商可以通过采购机器监控解决方案来帮助减少客户的停机时间。

通常的状态监测解决方案包括数据采集系统、数据记录器、便携式测量系统、电流/电压记录器、振动监测系统等。

数据采集系统

数据采集系统包括通用记录仪和专用记录仪，其中专用记录仪是指具有特定功能的数据记录仪，例如温度记录仪或AC电压测量仪等，如果你需要节省成本，只需要测量一个或两个值就可以预测出来。

例如，利用专用事件记录器来跟踪机器运行时间或零件的状态，记录外部输入的电压和电流大小，以及用振动分析器来查看旋转或移动设备的动态行为。

一般来说，通用输入数据记录仪可配备各种传感器，同时记录许多不同的参数，如温度、电流、电压、压力、流量或几乎任何其他值，以实时跟踪机器状况。通用记录仪的解决方案更灵活一些，但相对单一用途设备来说会显得更昂贵。

传感器阵列

数据采集系统包含各种内部或外部传感器类型，如温度、电流和电压传感器，以连续采集机器数据，并将其与用户设置的参数（如正常工作温度、能量和功率因数）进行比较。

例如，为了监测锅炉，用户可以首先在其金属侧安装K型热电偶，并将引线拖回数据记录器或数据采集系统。然后操作员配置系统从热电偶传感器采样，例如每20分钟一次。这一步骤通常被称为数据采集或数据采样，这一步必须使用精确的传感器和精确的监测系统来执行，以确保可靠的状态监测。

监控设备随后将该温度数据存储在其内部存储器中，或者在无线远程监控系统的情况下，将其自动发送到远程PC或云存储服务器。无论是定期进行还是持续监控，一旦以这种方式收集了足够的数据，就可以使用专用软件查看机器的状况了。

可视化和软件分析

状态监视软件允许用户一次性查看来自多台分布式机器的数据，并分析这些数据以确定故障时间，然后，才能进一步计划停机维护。例如，在生产运行过程中，任何机器操作值的突然变化都可以被即时检测和响应。最重要的是，维护工作和过程停机时间可以按时安排和执行，以帮助避免过程延迟和关闭，从而实现长期的投资回报。

数据分析是通过专门的数据采集软件进行的，使用自定义软件应用程序，根据用户设置的过滤器对数据进行分析，并通过图表和趋势表格显示需要进行哪些维护或修复操作。

完整的软件系统将提供数据采集、分析、可视化和自动化。无论有多少台机器在监控，最终用户应该能够清楚，合理地了解所有测量系统。掌握这些数据后，工厂主管和技术人员可以向管理层进行汇报。

2019中国智能制造十大趋势发布

赛迪顾问

12月17日，由工信部赛迪研究院、日中经济协会和新能源产业技术综合开发机构联合主办的“第二届中日智能制造交流研讨会”在北京隆重召开。本次研讨会上，赛迪顾问股份有限公司副总裁董凯作了“2019中国智能制造十大趋势”的主题演讲，提出了中国智能制造转型升级十大趋势。

赛迪顾问股份有限公司副总裁董凯

在“中国智能制造十大趋势”主题演讲中，董凯基于我国“政产学研”智能制造协同生态圈发展模式，以及智能制造“以示范带动应用、以应用带动集成、以集成带动装备”发展思路，从发展前景、技术融合、商业模式等方面提出了2019中国智能制造十大趋势。

趋势一：短期阴霾难挡智能制造发展持续升温的步伐

目前，我国工业机器人在汽车制造、电子产品制造等成熟度高的领域应用率逐渐饱和。随着企业数字化、网络化、智能化改造的内生需求和动力逐渐增长，智能制造将逐渐向以冶金、石化、纺织、工程机械等传统领域渗透，智能制造发展将持续升温。

趋势二：技术纵深程度高的工业场景有望成为“AI+”广泛应用的突破点

人工智能与工业的深度融合将逐步从通用性技术领域向技术纵深程度高的专业技术场景转变，实现从上游设计、原料投递，到中游制造、人机协作，再到下游服务、监测运维，最终再指导工业设计和技术升级的应用闭环。

趋势三：构建精准数据流闭环将成为打造智能制造生态体系的关键

随着工业数据属性发生根本性改变，工业大数据价值越来越被重视。未来工业数据将呈现从消费数据、工业大数据到精准数据流的转变，构建从采集、分析、转化、反馈等环节的精准数据流闭环将成为打造智能制造生态体系的关键。

趋势四：行业及场景的聚焦将引领互联网企业进军工业领域

互联网企业进军工业领域具有天然的技术和平台优势，我国“互联网+智能制造”已取得初步成效，包括阿里云产业大脑、百度智慧工厂以及京东智慧供应链等。未来聚焦智能制造具体行业及场景，将成为互联网企业发展智能制造的重要切入点。

趋势五：行业级工业互联网平台将率先探索出市场化商业模式

通用性行业平台由于纵深程度有限，市场供给与需求并不匹配，使得企业上云意愿不强，尚未探索出成熟的市场化模式。行业级工业互联网平台由于兼具聚焦和普适双重特性，面对智能制造各行业不同需求，有望率先探索出可行的市场化商业模式。

趋势六：工业企业附加值提升关键点将由设备价值挖掘转向用户价值挖掘

工业发展进程正在从企业产品牵引用户需求转变为用户需求引领企业生产，智能制造对于工业领域附加值的提升也应该逐步从生产制造环节的降本增效，转向提供高附加值衍生服务，即“智能制造“生产的”智能产品”提供的“智能服务”，将成为工业企业附加值提升的关键。

趋势七：安全性将成为企业智能化升级决策的重要依据

工业核心数据、关键技术专利、企业用户数据等数字化资产已成为企业核心资产。目前我国数据安全法规体系和监督机制尚不健全，一定程度上抑制了企业智能化升级步伐。未来，提高数据全生命周期安全性，增加企业上云信任度和意愿，将成为中国企业智能化升级决策的重要依据。

趋势八：智能制造系统集成发展将深度根植行业

智能制造系统解决方案作为综合性集成服务，既要面对“两头占款”带来的资金压力，还要满足团队对于专业人才的高需求，多领域“全面出击”的发展路线将给企业来带沉重的包袱。未来，深度聚焦细分行业的系统集成商有望扛起产业发展大旗。

趋势九：超高附加值制造领域将成为增材制造在工业领域的最优切入点

增材制造技术具有生产成本下限高、上限低的特性，在桌面级应用及简单工艺大规模制造场景都不具备成本优势，规模化商用迟迟不能铺开，而以发动机、风电叶片、潜艇螺旋桨等为代表的超高附加值、超大型定制化单品制造领域，有望成为增材制造技术在工业领域的最优切入点。

趋势十：汽车、3C等行业将引领数字孪生技术加速普及

数字孪生技术作为企业数字化升级和智能工厂建设的第一选择，将从数字产品孪生、生产制造流程数字孪生和设备数字孪生三个层面，优先在工艺成熟度较高的汽车制造、电子制造领域铺开。预计到2020年，至少50%年收入超过10亿元的制造商将为其产品或资产启动至少一项数字孪生项目。

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。