【数字化】制造业数字化转型的实战路线图

2019 年 9 月 10 日 产业智能官
【数字化】制造业数字化转型的实战路线图


制造业数字化转型的实战路线图

转载本文需注明出处:微信公众号EAWorld,违者必究。


中国在2015年发布制造强国战略第一个十年的行动纲领《中国制造2025》,这是中国部署全面推进实施制造强国的战略文件。


按照《中国制造2025》的战略,中国正加快推动新一代信息技术和制造技术融合,核心是智能制造,重点发展智能装备和智能产品,推进生产过程智能化,培育新型生产方式,全面提升企业研发、生产、管理和服务的智能化水平。
从业务和技术层面看,制造业数字化转型的内涵是实现整个制造业价值链的智能化,贯穿研发、工艺规划、生产制造、采购、仓储、营销、服务等各个环节,在产品的设计、制造、使用的生命周期中,实现产品的持续创新,通过将软件以云服务的方式提供,实现应用软件随需而变,通过应需设计,实现个性化设计,通过数字设计与制造一体化,实现定制化生产,通过融入智能感知设备,实现产品性能持续改进。即:
IT基础设施服务 :基于智能传感器、边缘计算建设智能感知系统,基于虚拟化、云计算技术构建it基础设施服务;
个性化设计 :通过互联网获取用户个性化需求,通过灵活柔性组织设计、制造资源和生产流程,实现低成本大规模定制;
智能化生产 :实现从单个机器到产线、车间乃至整个工厂的智能决策和动态优化,显著提升全流程生产效率、提高质量,降低成本;
服务化转型 :通过对产品运行的实时监测,提供远程维护、故障预测、性能优化等服务,推动产品的设计优化,实现企业的服务化转型;
数字化管理 :通过设计、生产、售后环节的资源共享,实现业务协作、工作协同等为主线的协作平台,并实现制造业务的全流程监控和管理。
我们按照上面的总体目标,沿着设计、制造的核心流程,深入探讨制造业数字化转型的路线图。

1.如何构建制造业

数字化转型的IT基础设施?


制造业数字化转型的前提是通过智能传感器、边缘计算等,构建感知系统,捕获感知工厂底层数据: 
基于工业互联网,实现车间设备、产线、工厂、产业链的互联互通,实现互联工厂;
基于物联网技术,实现物理世界数字化标识、提升数控设备及数字化工艺的 比率;实现设备、流程、工艺、人员的数字化。
而后,制造业数字化转型需要强健的IT基础设施支撑,包括弹性的IaaS云计算平台、三维设计SaaS云计算平台等。
如何构建弹性的IaaS云计算平台?
首先,采用服务器、网络、存储虚拟化技术,构建底层的计算资源池、网络资源池和存储资源池,然后,通过云资源管理平台将池化的资源以服务化的方式向外提供。
最佳实践是,服务器虚拟化架构可以采用ESXi、Hypervisor或者KVM,存储虚拟化架构可以采用集中式存储或者分布式存储,网络虚拟化架构可以采用SDN,云资源管理平台可以采用vCloud、Axure或者Openstack,实现自动化、一站式的IT基础设施服务交付。
最佳实践的另一种场景是,以云计算平台为基础,采用docker构建容器云,快速向用户交付基础设施服务。
如何构建三维设计SaaS云计算平台?
三维设计SaaS平台支撑个性化设计等业务场景,它的核心目标是将三维设计软件在图形加速系统的辅助下以服务的方式提供给设计人员使用,关键技术是共享高性能GPU、三维图形加速和远程虚拟桌面。
技术实现原理是,三维图形加速软件通过对OpenGL图形库的重新封装,实现本地用户调用远程GPU资源,多个用户同时共享GPU资源,配合远程虚拟桌面,设计人员共享使用三维设计软件,提高设计协同能力,设计部门可进行协同研发同一产品,解决了地理跨度的难题。
技术实现过程是,三维设计软件的应用主机接收客户端发来的请求,进行高性能的数据计算,生成2D图形,三维图形加速软件所在的渲染主机利用本地的图形处理卡对命令进行3D数据计算和渲染服务,完成3D渲染任务,渲染主机得到的最终图形通过远程虚拟桌面传输到客户端。
最佳实践是, 服务端采用高性能图形工作站作为计算资源,DCV三维图形加速软件提供专业的3D数据计算和渲染服务,Inventor、Alias等三维设计软件进行高性能的数据计算,远程虚拟桌面可以采用realvnc,客户端通过浏览器、DCV endstation、RealVNC client访问SaaS平台,获取DCV渲染的3D图形结果。
另一种场景是,采用Autodesk公司的Fusion云计算平台构建三维设计云计算服务。

2.如何进行个性化设计和智能制造?




个性化设计和智能制造要求在概念阶段,充分考虑个性化需求,以用户体验为中心,重塑企业的设计、制造模式,精准行动,敏捷运营,生态协同与组织赋能,将工业自动化和信息化高度整合,即整合网络信息和物理系统,构建基于资源、信息、物品、人相关联的信息物理系统(CPS,Cyber-Physical system)。
业务模式是在设计信息、生产信息、用户使用及反馈信息高度智能化集成的基础上,通过智能化方式产生需求,设计师基于基础设计数据进行智能化的用户参与式设计,然后,将设计直接转变为生产信息并执行,完成智能化的柔性生产。紧接着,为用户提供产品的浸入式体验进行营销,最终通过智能互联的智能产品为用户提供产品即服务式的后服务,完成产品的完整生命周期。
那么如何进行个性化设计呢?
个性化设计的业务过程是,设计师根据订单进行数据建模、设计,通过仿真模拟或者3D打印,以真实的触摸和感觉获得反馈对设计进行验证,开发和改进产品创意,自由地进行设计迭代。这个过程中需要贯彻标准化、系列化、模块化的思想,以支持大批量客户定制或产品个性化定制。
技术实现过程呢?
首先,企业需要使用面向研发设计服务的SaaS云计算平台,通过平台提供的CAD设计、CAE仿真及CAM工艺设计、Inventor、Alias等整套设计流程的软件服务,同时利用PDM、PLM管理研发设计过程,基于正向产品研发,进行产品的概念设计,建立产品的三维数字化模型;
然后,产品的全三维数字化模型贯穿产品的设计、制造环节,建立虚拟数字化样机,深入应用虚拟仿真、拓扑优化技术;从生命周期的维度将各个环节的信息进行集成,如三维模型为工艺设计、制造过程所利用,PLM、ERP、MES、WMS等系统实现无缝对接。
个性化设计最佳实践的一种场景是,应用分析工具,根据零部件的承载进行应力分析和拓扑优化,通过拓扑优化来确定和去除那些不影响零件刚性部位的材料,并在满足功能和性能要求的基础上,从多种结构优化的方案中找到功能和性能要求相同但重量更轻的结构,从而实现轻量化的创新设计。然后,再利用3D打印将这些复杂结构制造出来,从而实现整个创新过程。
3D打印的最佳实践是,通过FDM、PolyJet、立体光固化成型、激光烧结、金属粉末层熔融等技术路径,采用工程塑料、高性能塑料、光敏树脂、金属(钛、钴)等材料进行产品模型打印。
然后,如何智能化生产?
制造企业基于产品设计,结合工厂三维设计及物流仿真工具,系统地规划整条生产线上工业机器人的工作路径和工作节拍,驱动智能工业机器人进行柔性制造。
业务过程是,产品设计被传输到备料部门后,由备料部门对产品所需材料进行备料,并将材料加载至智能生产线,生产线上的智能机器人访问网络信息和数据,自主切换生产方式和更换生产材料,在智能生产线上实现个性化定制的工艺传递,机器人根据产品设计和工艺要求进行智能装配,完成生产。
3.如何服务化转型?




服务化转型包含两个部分,一是通过物联网、大数据、云计算、人工智能等新一代技术将企业服务由设备生产销售向设备维护和诊断等服务转移,实现企业商业流程和商业模式的转变,帮助用户“用好设备、管好设备”,提高设备利用效率、降低企业管理成本;二是开展智慧营销,为消费者体验设计完整的流程,通过数据的智能化采集、挖掘和分析,构建具有认知性的数字化体系。
依赖物联网、云计算技术的发展,通过在产品上安装传感器,收集产品运行数据,对产品进行性能、质量实时监控,工程技术人员将更加充分了解当前产品的运行状况,从而对预防性维护等服务进行分层,将其作为额外的服务提供给客户,过渡到真正的产品即服务。
智慧营销的最佳实践是,基于数据的洞察与分析,实现对核心客户群体人员数量、消费频次、消费频率的精准统计,为消费者提供个性化和智能化的服务,拓展进店营销等前沿应用,通过数据分析、人工智能等数字化技术打造营销推广系统。

4.如何数字化管理?




制造企业数字化管理的内涵是建立生产管控系统和运营管理系统,实现设计协同、计划协同、供应协同和工厂协同,智能排产和智能调度。
数字化管理的技术内涵是应用信息化系统,根据业务需求和策略,进行生产过程链全生命周期管理等内容,实现制造企业的设计、排产、生产、销售、服务等管理活动。
技术实现是,整合生产环节各类制造资源、支持用户在线开展生产计划及任务管理,根据设计文件、设备信息,进行生产派工;管理生产订单、采购物料、物料及零部件出入库、质量报表等;生产过程中,设备情况、加工进度可在线查看,并通过在线质量管理,保证最终产品符合要求;实现生产至销售各环节的管理,帮助企业从云端获得标准业务流程管理规范,提升业务实践能力。
最佳实践是,建设生产管控系统和运营管理系统,包括ERP、制造企业生产过程执行系统(MES)、进阶生产规划及排程系统(APS)、主数据管理(MDM)、人力资产管理系统(HCM)、客户关系管理系统(CRM)、企业资产管理系统(EAM)、供应商关系管理系统(SRM)、业务流程管理系统(BPM)等系统,满足企业生产制造过程中的资源管理、生产执行管理、资源数据采集管理等主要需求,实现生产执行过程的管理、生产资源保障以及生产过程中的设备、人、物的管理。
总体而言,制造业数字化转型是一个完美的闭环,包括智能感知、智慧决策、智能生产、智能服务、智慧分析(事后)、深度学习等过程。



延展阅读:

数字化农业的实战路线图

原创: 郭昆山 EAWorld 

转载本文需注明出处:微信公众号EAWorld,违者必究。



农业是中国13亿人的生存之本,是国家的根基产业,同时,中国也是农业大国,拥有5亿6千万的农村人口和133万平方公里的农业耕地。
2018年12月29日,十三届全国人大常委会第七次会议通过了关于修改农村土地承包法的决定,正式确立了农村承包地所有权、承包权、经营权“三权分置”制度,发展家庭农场和农民合作社,这为中国农村的土地集中化经营和农业规模化生产奠定了法律基础,同时集中化和规模化经营的土地为农业自动化、智能化生产提供了物质基础。
农业的价值体现在农作物,而农作物是天地万物生发过程的产物,与自然灾害、天气、空气、阳光、土壤、水等自然环境高度相关,人类为了生存,改造自然,在农业生产过程中应用农业科技,以提高农业产量和农业活动效率,在信息化时代,人类将信息科技应用于农业,农业正在走向数字化时代。
日本早在2004年即开始建设农业物联网,普及农用机器人,美国已经推广农业专家系统,物联网、人工智能等应用也正在推广。2015年我国开始大力推广农业信息化和数字化建设,目前仍处于起步阶段,落后国外先进水平近15年。




1.农业为何要数字化?




农业所赖以发展的自然环境是惟一的、排他的,土壤等稀缺资源是不可再生的,所以农业发展必须是可持续发展,如果想可持续发展,就要有意识的保护性利用自然资源,也就是说,在利用土壤、水过程中必须保证土壤和水是健康的。
土壤和水怎么个健康法呢?健康的基本要求是,土壤和水的酸碱度、成分、养分、污染度、密度等需要满足农业种植的需求。通过数字化手段监测土壤、水分等关键要素,是数字化的拿手本领,所以,农业需要数字化来支持可持续发展。
同时,通过数字化分析和预警,可以减少自然灾害损失,通过自动化播种,保证科学间隔和准确投放种子,从而增加产量;通过智能化的杀虫、灌溉、施肥,减少农药、化肥、水量消耗,降低成本,对农业可以增产增效。




2.农业如何数字化?




数字化的内涵是随着业务的需求和技术的发展而演变的,基础业务信息的数据化管理是第一个阶段,在这个阶段,业务的关键要素信息抽象为数据,并将数据进行生命周期管理,为业务的数字化奠定基础。 然后,业务流程自动化成为自然之选,这个阶段,业务自动化依赖于人脑的经验参数配置。 随着人工智能和深度学习的技术突破,业务顺势而为,数字化进入智能化和智慧化时代。
农业是数字化程度最低的产业,因此数字化的内涵依地区、条件不同而可能同时包含着三层含义,即农业全产业链的关键要素信息管理、农业过程的自动化和智能化、智慧农业等。
最佳实践是构建统一的智慧农业平台,从底层的智能感知、大数据分析平台到上层的智能化种植、采收和农产品营销,但是如果特定阶段和条件,不允许全程数字化,可针对特定环节进行数字化,最后整合。
下面,我们沿着农业关键环节,看看农业的数字化实战如何推进。
农业的业务流程抽象为决策、监测、育种、犁地、播种、杀虫、施肥、灌溉、采收、仓储等关键业务环节。 其中育种是个独立的复杂科学过程,本文中不做探讨。
决策环节 ,目前中国农业正在从大规模制造向精准定制转型,即通过用户需求来拉动前端的农业生产转型升级。 因此要以市场为导向,以终端消费者的需求为起点。 在种植一种作物前,政府基于农业气象、地理信息、农作物品种的地区产量、价格、需求量、成本等因素对农作物品种进行数据分析,研究市场需要的农产品是什么品种、什么形状、什么甜度、什么颜色等,并向农民提供农作物市场需求信息,同时根据本地区的气候条件、耕地面积、种植传统、土壤、降雨量、光照等自然环境匹配适合当地种植的农作物品种,给予农民种植建议,然后农民根据这些建议进行种植,最大程度地满足市场需求。
决策环节的另一种场景是,通过社群或者其它触点交互,抓住用户的精准需求,通过交互定制种植产生溢价,形成生态,围绕粮食,瓜果,蔬菜,肉禽四大类农产品衍生用户个性化需求,驱动全流程的互联互通和透明可视,满足用户体验。
农业监测 包括环境监测、土壤监测、植株成活率监测、病虫害监测等。 环境监测 通过温度传感器、湿度传感器、光照传感器等监测温度、湿度、光照等环境因素,作为农业的基础环境数据,供决策和分析使用。 土壤可见-近红外光谱总体反射率相对较低,在可见光谱波段主要受到土壤有机质、氧化铁等赋色成分的影响。 因此,可以通过卫星和无人机遥感对土壤等地物固有的反射光谱特性进行分析,实现土壤成份遥感监测 农作物在可见光-近红外光谱波段中,反射率主要受到作物色素、细胞结构和含水率的影响,特别是在可见光红光波段有很强吸收波段,在近红外波段有很强的反射特性,因此基于无人机遥感能够统计农作物数量,监测植株成活率 病虫害会造成作物叶片细胞结构色素、水分、氮元素等性质发生变化,从而引起反射光谱的变化,所以病虫害作物的反射光谱和正常作物可见光到热红外波段的反射光谱有明显差异,所以利用遥感监测技术跟追病虫害进展情况,有利于展开精准治理工作,做到及时发现、及时处理,也有利于早期防治。
犁地环节 ,通过卫星导航系统确定地面位置,无人驾驶拖拉机上的车载计算机存储田间的数字化地图,然后通过全球定位系统自动导行,农民可以依据土壤成分和深度、计划种植的作物等,设定拖拉机的土壤耕深,同样可以通过智慧化的数据分析、智能设定拖拉机的运行参数,完成犁地。
播种环节 ,农民依据土壤成分和深度、计划种植的作物等因素通过播深调控装置准确地调节、控制和指示播种深度,通过种肥箱的自动控制系统可根据每行种肥箱存量监视装置提供的信息,自动向各行种肥箱吹送种子和肥料,通过智能化监视装置可以实时监测,并显示公顷播量、粒距、作业速度和作业面积等指标。
灌溉、施肥、杀虫环节 通过监测系统、分析系统、控制和传输系统实现。 监测系统 的传感器从农场每个区域收集精确的土壤、水、植物、天气等数据,传感器站根据启用GPS的智能应用程序,传输和更新土壤、水、植物、天气等数据。 分析系统 基于数据分析结果,显示出灌溉与施肥操作建议,并在特定时间向农民通报每个地块需要的水、肥料和农药量,而且控制和传输系统将灌溉与施肥操作建议实时转换为精确的灌溉施肥周期,相应地控制灌溉施肥系统,自动启动灌溉施肥。 利用塑料管道密封输水,根据作物需求,适时适量缓慢均匀地把含有肥、药的水送到植物根系或喷洒在茎叶上,为每个作物及时地提供恰当量的水、养分等。 同时测量每个植物的压力水平,以确定何时停止灌溉。 这种方式相对于大畦漫灌对水、肥料、农药的节约在50%以上,降低农业成本,同时,降低农药对环境的损害。
采收环节 ,收割机装备有传感器和GPS定位系统,可实时测出作物的含水量,小区产量等参数,形成作物产量图,为农民提供技术支撑。 农民利用发动机的转速检测行进速度、收割状态,依据农作物品种、高度、苗株的纵向和横向间隔、种子类型等,通过变速机构,进行作业速度的自动控制。
仓储系统 主要的数字化内容是仓储空间和粮食的温度、湿度、害虫等的监测系统、智能的通风和通气系统等,保证粮食处于正常状态且未被害虫损坏,保障粮食储存安全。  
总体而言,农业数字化过程是最复杂的过程,关节点还是自然条件,需要依据自然条件,因地制宜的将农业全产业链的政府、科研、企业、农民、农资、农机、农技、供应链信息联通,建立共创共赢的生态圈,并将农业决策、种植、监测等过程进行自动化、智能化、智慧化,线上链接用户需求,线下创新智慧农业,使农业价值最大化。
我们依然在路上,正在向着智慧农业前进。



先进制造业+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”:先进制造业OT(自动化+机器人+工艺+精益)和工业互联网IT(云计算+大数据+物联网+区块链+人工智能)产业智能化技术深度融合,在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的产业智能化平台;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。


产业智能化平台作为第四次工业革命的核心驱动力,将进一步释放历次科技革命和产业变革积蓄的巨大能量,并创造新的强大引擎; 重构设计、生产、物流、服务等经济活动各环节,形成从宏观到微观各领域的智能化新需求,催生 新技术、新产品、新产业、新业态和新模式; 引发经济结构重大变革,深刻改变人类生产生活方式和思维模式,实现社会生产力的整体跃升。

产业智能化技术分支用来的今天,制造业者必须了解如何将“智能技术”全面渗入整个公司、产品、业务等商业场景中, 利用工业互联网形成数字化、网络化和智能化力量,实现行业的重新布局、企业的重新构建和焕然新生。

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
17

相关内容

云计算(Cloud computing)是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需提供给计算机和其他设备。整个运行方式很像电网,类似之前的网格计算。
小贴士
相关资讯
相关VIP内容
专知会员服务
109+阅读 · 2020年3月31日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
53+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
36+阅读 · 2020年1月18日
电力人工智能发展报告,33页ppt
专知会员服务
42+阅读 · 2019年12月25日
【大数据白皮书 2019】中国信息通信研究院
专知会员服务
69+阅读 · 2019年12月12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
40+阅读 · 2019年11月13日
相关论文
Ankit Pal,Muru Selvakumar,Malaikannan Sankarasubbu
35+阅读 · 2020年3月22日
Text Level Graph Neural Network for Text Classification
Lianzhe Huang,Dehong Ma,Sujian Li,Xiaodong Zhang,Houfeng WANG
7+阅读 · 2019年10月8日
TinyBERT: Distilling BERT for Natural Language Understanding
Xiaoqi Jiao,Yichun Yin,Lifeng Shang,Xin Jiang,Xiao Chen,Linlin Li,Fang Wang,Qun Liu
8+阅读 · 2019年9月23日
Junlang Zhan,Hai Zhao
3+阅读 · 2019年3月1日
Marek Rei,Anders Søgaard
3+阅读 · 2018年11月14日
Mehdi Mohammadi,Ala Al-Fuqaha,Mohsen Guizani,Jun-Seok Oh
3+阅读 · 2018年10月9日
Zhang-Wei Hong,Chen Yu-Ming,Shih-Yang Su,Tzu-Yun Shann,Yi-Hsiang Chang,Hsuan-Kung Yang,Brian Hsi-Lin Ho,Chih-Chieh Tu,Yueh-Chuan Chang,Tsu-Ching Hsiao,Hsin-Wei Hsiao,Sih-Pin Lai,Chun-Yi Lee
4+阅读 · 2018年4月29日
Yogarshi Vyas,Xing Niu,Marine Carpuat
3+阅读 · 2018年3月29日
Ou Wu,Tao Yang,Mengyang Li,Ming Li
6+阅读 · 2018年3月21日
Top