3S Market deliver Smart and Valuable information for Business
今日主題 工業4.0、智慧城市與環保節能、車聯網、經營管理探討
|
3S Market 最讚報
| |||||
工業4.0與智慧工廠
| Netgear ProSAFE Plus Gigabit Web Managed Smart Switch | German/Deutsch 4K | iDomiX | |||||
車聯網與智慧車載
| ||||||
智慧城市與環保節能
| ||||||
經營管理探討
| ||||||
2016年10月7日 星期五
‧ 2016\10\07\3S Market Daily 智慧產業新聞
．兩張圖看清智慧製造 6 大挑戰
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。
．智慧製造概念解讀 機器人自動化和大數據
關於智慧製造的邏輯，有很多角度，包括智慧製造與快速反應;智慧製造與人工智慧;智慧化與自動化;智慧化與代替人;智慧製造與知識管理;智慧製造與雲計算、大數據;智慧製造的必要性可行性等。
要把智慧製造的邏輯理清楚，就必須把這些概念之間的關係理清楚。
智慧製造與快速反應
如果把這些角度中，選取最適合代表智慧製造的角度，大概有兩個方面：一個是ICT技術(數位化、網路化)，這是手段;一個是快速反應，這是目標。
把快速反應作為目標時，ICT技術只是手段之一，還要配合軟體、硬體、組織、商業模式手段。但ICT技術同時是關鍵性、標誌性的手段：恰恰是ICT技術的進步，卻為智慧製造發出洪荒之力——ICT技術的迅速發展，才使得過去的一些設想有條件變成現實。
ICT技術是怎樣促進快速反應的呢?有幾個方面的原因：
第一，可以用資訊實現多方的協同工作。一條新的資訊可能涉及到多個部門的工作(如產品設計的改動)。如果可以共享資訊，就可以把串行工作變成並行，並減少協同中的差錯。
第二，可以實現知識的複用。一個人發現的知識(包括產品部件的設計)，可以被其他人、被後繼者重用，省下了不必要的開發。
第三，物質資源的共享(分享經濟)，減少了獲得資源的時間。
第四，縮短了決策週期。把資訊全面整盒起來，就可以讓電腦做出科學的決策、而不是人去控制或團隊開會決策，大大縮短從資訊感知到執行的時間。在工業4.0的體系中，縮短生產組織的決策週期，可能是成敗的關鍵之一。
第五，提高工作效率的工具。電腦仿真、CAD等手段，使得人們可以在數位世界裡做試驗，從而以提高效率。
智慧製造與人工智慧
智慧製造與人工智慧有著微妙的關係。我們知道，人工智慧原本有三個學派：電腦學派、生理學派和控制論學派。與智慧製造關係最為密切的是控制論學派。
從控制論產生的那一刻起，就關注資訊和通信，就重視資訊處理與行為活動的結合，就把感知、決策、執行的綜合看做是(智慧的)生命體與(傳統)機器的跟本區別。工業4.0中的核心概念之一是虛擬實體系統CPS（Cyber-Physical System），而這個概念來自於控制論。
智慧化與自動化
我們認為智慧化是自動化的延伸和發展。智慧製造與傳統自動化又有什麼不同呢?其中一個重要差別是：資訊的來源和協同的範圍大大擴張了。
控制論產生的時候，對象往往是機器級別的，現在這是車間、工廠、企業、供應鏈、乃至全球。協同的範圍擴大了、關注的問題要多得多。
過去的自動化主要針對批量生產。在智慧製造的時代，產品更新換代速度快、批量小，甚至可能要在流水線上，生產客製化訂製的產品。與大批量生產相比，生產組織高度複雜、品質控制難度大增、成本和能耗可能會顯著升高，採購和供貨的壓力大。
這些相關的新問題，必須被迅速感知、及時處理。從技術上看，在過去的自動化產線上，人們一般試圖把生產的「邊界」盡量固定下來、通過抑制干擾來保證品質、成本和效率;在智慧化產線上，更強調出現問題，即時應對這些干擾。
這時，智慧製造的相關技術，如大數據監控、資訊整合就成了「雪中送炭」。然而，無論如何，我們都希望不必要的干擾盡量地少、時間和資源的浪費盡量地少。
這樣，生產管理才能盡可能簡單、盡可能高效。我們發現：如果精益生產搞得好，推進智慧製造就是比較容易。
智慧化與代替人
智慧化的首要目標往往是快速反應，而不是代替人。但是，代替人確實也是目的之一、甚至是非常重要的目標。其實，讓機器代替人進行決策和執行，有利於快速反應，並取得更好的控制效果。
所以，機器人、無人工廠等技術，常常能促進智慧化的發展。一般的語境下，自動化多數是指實體設備或產線的自動化，而在智慧製造的時代，同時強調知識和數據流動的自動化。
要實現快速反應，除了ICT技術，還要配套其他的東西。首先，從資訊感知的角度看，有些資訊的獲取，不是僅憑ICT技術就能解決的。
比如，要快速響應，可能需要獲得用戶和供應商的資訊。但這要有商業模式和法規的支撐才行。
其次，從決策的角度看，在可以預見的未來，人類會在很多方面作為主要的決策者，而這就要有組織模式的支持。
第三，決策的執行往往需要有實體設備的支持。
第四，智慧體系的改進和學習提升，離不開人的參與。
智慧製造與知識管理
智慧製造與知識管理有什麼關係呢?智慧體現在決策的過程和效果上;決策是用知識處理資訊，而資訊是用數據承載的。由此可見，(用數位結構和程序描述)知識是實現智慧製造不可缺少的環節。
前面曾經談到智慧製造與精益生產的關係，潛伏著這樣的觀點：智慧製造所需要的知識，可能是碎片化的——把碎片化、非結構化的知識，如何管理起來，是我們不得不面對的挑戰。
智慧製造與雲計算、大數據
智慧製造與雲計算、大數據什麼關係?筆者認為，雲計算是工具性的、要根據工作的需要來配置，大數據一般是輔助性的，主要從事後台的工作。它們可以讓智慧製造系統運行得更好，但未必是必需的。
智慧製造的必要性可行性
推進智慧製造有必要性又有可行性。在社會層面，勞動力危機、老齡化是支撐必要性的重要因素;在企業層面，快速響應市場變化是關鍵因素。其可行性是與過去相比較而言的、是ICT技術的發展導致的。
但是，推進智慧製造技術會遇到「玻璃牆」：比如，研發設計與服務要佔到足夠大的比重;產品品質要盡可能地佔據制高點。如果沒有這些條件，企業可能就先要進行轉型，因為智慧製造未必能解決落後企業的問題——就像御廚解決不了吃不飽飯的問題。
轉型不僅是企業家的事，也是政府的事。政府需要建立一個推崇高質量的健康市場、而不是品質逆淘汰的劣質市場。
