TRUMPF Smart Factory: Your route to connected manufacturing
 |
| RS-232/422/485串列設備立即連網 |
来源：of week
為什麼智慧製造和工業4.0是下一個方向?
從最早工匠使用工具開始，科技進步的物質形式基本體現在了製造發展的過程，將科技應用到製造的過程，最能體現人類理性應用工具和技術等先進手段，追求利潤最大化和效率最高的偉大境界。
所以，按照科技發展的邏輯推斷，製造必然向資訊化、智慧化階段發展。簡單來說，很可能是因為人類智慧已經發展到這個階段了，再不表現出來，已經不能彰顯人類的更高級能力。
第1張圖：智慧製造流程全景圖
西門子德國數位化工廠作為優秀的先驅者，用25年的時間已實現75%的生產作業自動化，生產線上的在線監測節點超過1000個，每天採集數據超過5000萬。每年生產零組件30億個，可24小時為客戶供貨，產能較數位化前提高了8倍。
光看數字會覺得，基本上智慧製造的核心關鍵指標都提到了，只是不能直接感受到具體牛在哪兒。HCR慧辰TMT研究部整理了一張智慧製造流程的全景圖(如下)，希望能夠從全局角度，梳理智慧製造的相關參與方和影響因素。
從上圖不難看出智慧製造是個系統工程，即使單點切入也需要系統化規劃後逐一實現。
挑戰1：全連接
缺少任一節點的連接，都有可能影響全面自動化的實現。這裡面會涉及多少連接呢?舉個例子，說一個現在不太多見的產品，比如摩托車，僅發動機就有250多個零件，至於汽車約有30000個左右。
對於製造過程，一個螺絲都不能少，智慧製造的連接也是一樣。除了這些，其他相關訊息包括資金量、管理訊息流、物流訊息流、服務訊息流等各個相關環節，需要全面連接。
在訊息化階段，ERP系統最大的問題點，是逆向流程實現困難。到了智慧化階段，除了連接點，還需要在全面連接點中，設置雙向監控點，和生產管理連接點。
基於時時海量訊息傳遞和多節點控制的需求，需要單獨的連接和數據流轉通道，以保證整個過程不斷點、不丟包，順利完成全過程。另外，是否有智慧產品是與用戶建立直接連接的前提。
挑戰2：全控制
智慧製造將數據流轉作為核心，連接全部製造和相關環節，中間的全部過程都似「暗箱」般，非常需要隨時知道發生了什麼，並予以人為糾偏和預警干涉。每個節點的交互設計和計算能力是實現全控制的基礎。
除了對環節的控制，還需要對智慧設備(包括工業機器人)進行監測和控制。智慧製造的生產線上，將由多個智慧設備來替代人類完成執行工作。人與機器的配合，及人對機器的控制和管理，也是智慧製造挑戰中，比較容易出現掌控外事故的問題點。
挑戰3：資源整合
圖中社會環境和用戶都是智能製造的影響因素。智能製造階段，主要存在的工廠形式為大的製造平台和小型個性化工作室。大平台可以滿足小批量的定制化需求，小工作室更多體現在與用戶的更直接、更短平快的連接。至於智能供應鏈也將出現大的供應鏈整合平台，針對不同個性化需求提供快速、「零庫存」的供應。智能製造系統化工程需整合供應鏈、生產、物流、服務平台、營銷資源等等，才能最大化的實現智能製造的自動化及產能最大化。
智能製造既然有如此高的要求，從以上可以總結出來兩條實現路徑：一條是作為龍頭企業，自行嘗試然後把成功經驗複製到行業內其他企業，推動行業整體進步，從而實現更大範圍的智能製造。另一條是行業內主要企業把相關資源整合在一起，共同嘗試將所有相關環節集中在這一個平台上操作，作為獨立的OEM中心存在。不難推斷，產業聯盟和第三方提供相關解決方案及數據服務或將成為必不可少的存在。
綜上所述，智能製造即使還沒實現也是符合社會經濟發展規律的，本來就是一件任重道遠的事兒。另外，所謂挑戰對於不同發展階段和數字化程度不同的企業意義不太一樣，不能一概而論。
第2張圖：智能製造數據流圖
挑戰4：數據採集及整合應用
企業內外大小數據的採集及整合應用是智能製造效率的基礎。智慧產品相關數據的獲取也將是產品升級的基礎數據。數據採集及整合能力，尤其是外部環境數據、行業數據和用戶數據的獲取整合能力最耗費成本，也最能體現企業資源整合實力。
智慧製造對於企業數據能力的要求包括數據入口掌控數量、數據採集方式(眾包之後新的模式)、數據中心規劃和實現能力、數據計算資源以及智慧算法的駕馭能力等等。
挑戰5：數據傳遞通道與時時交互
這裡涉及到網絡通道及網絡上多節點協議標準建設。多節點交互、監測和控制，以及跨行業、跨領域、跨產品等多場景的要求，需要建立新的、系統性的、統一的協議標準，除了整體架構和基礎物聯網外，至少先從同一行業(領域)開始細化和建立統一標準。
另外，無論是從帶寬(實時數據承載量)還是網速要求，目前的網絡資源顯然支持不了智慧製造的發展要求。現在大家把希望寄予5G，寄望於物聯網新的協議標準。還能說什麼呢，共同期待吧。
挑戰6：數據模型的多場景創建與打通
一個統計方法吃八方，一個數據模型佔領全天下的幸福時光，不會再有了。儘管大數據和智慧算法就，那些真正考驗智慧製造的是基於不同場景和條件的數據架構，搭建和模型應用，以及多模式和場景下的數據及數據模型打通。
任何事情都會有偏差，即使沒有偏差，也需要根據外部的變化進行及時調整，完全依賴機器對數據的解讀和歸納也不太可能。因此，還需要能夠洞察行業發展和業務路線的專業分析師對規則進行調整、優化、升級和廢除。
未來，數據將成為智能製造的生命線，數據收集、儲存、快速調撥、模型搭建、規則創建及整合、計算和應用，每個環節都與連接、控制和自動化息息相關。
HCR慧辰TMT研究部認為，數據服務能力未來將成為第三方服務的重要發展領域和方向，數據專家和工程師都會成為炙手可熱的人才。
有專家說，即使只從三大產業的角度看，這些年互聯網一直致力於影響第三產業，接下來必然在農業和工業(製造業)發力，而且很有前景。
但是從挑戰的難度來看，僅僅依靠商業的力量是不夠的。目前，世界前二經濟體均在此領域有所動作，美國政府6月20日公佈了一個通過刺激被稱為「智能製造業」的方法來推動美國製造業的復興的法案。
智慧製造創新研究所是歐巴馬政府頒布的第九個製造中心，並將在美國範圍內發起5個地區製造創新中心，每個中心將專注於本地區的相關技術遷移和勞動力開發。
對岸中國政府去年5月亦由國務院頒佈製造強國中長期發展戰略規劃《中國製造2025》，預計2025年製造業重點領域全面實現智能化，試點示範項目運營成本降低50%，產品生產週期縮短50%，不良品率降低50%。
政策驅動、人才儲備、企業投入、科研支持這些都是必要條件。新技術的開發和應用難免要在無數個坑里摸爬滾打，多少英烈仰天長嘆生不逢時，也只能對抓住技術與市場最好契合時點成為英雄的人翻個白眼，繼續義無反顧趟下一個泥坑。
對於智能製造的發展來說，最需要的還是那些敢於趟過一個又一個坑點，拍拍泥土，總結經驗教訓，繼續下一輪嘗試的勇士。沒有迎接挑戰的決心，便沒有迎接勝利的機會。
0 comments:
張貼留言