Smart Factory Explainer
leiphpne 贊記窩粉
在看圖之前，先想一個問題，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，生產線上的線上監測節點超過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，具體厲害在哪兒。
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。
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，比如摩托車，僅發動機就有 250 多個零件，至於汽車約有 30,000 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，其他相關資訊包括資金量、管理資訊流、物流資訊流、服務資訊流等，各個相關環節需要全面連接。
在資訊化階段，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。
基於時時海量資訊傳遞，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。
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，都是智慧製造的影響因素。智慧製造階段，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客製化需求，小工作室更多體現在與用戶的更直接、更短平快的連接。
至於智慧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。智慧製造系統化工程需整合供應鏈、生產、物流、服務平台、行銷資源等等，才能最大化的實現智慧製造的自動化，及產能最大化。
智慧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慧製造。
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，智慧製造即使還沒實現，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，和數位化程度不同的企業，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，是智慧製造效率的基礎。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
這裡涉及到網路通道，及網路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，無論是從頻寬（即時數據承載量）還是網速要求，目前的網路資源，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，數據將成為智慧製造的生命線，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，這些年網路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2016年6月20日公佈了一個通過刺激被稱為「智慧製造業」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，是美國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。
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裡摸爬滾打，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。
對於智慧製造的發展來說，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。172181219
AKD 寰楚專業級全系列監控設備
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，是智慧製造效率的基礎。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
這裡涉及到網路通道，及網路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，無論是從頻寬（即時數據承載量）還是網速要求，目前的網路資源，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，數據將成為智慧製造的生命線，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，這些年網路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2016年6月20日公佈了一個通過刺激被稱為「智慧製造業」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，是美國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。
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裡摸爬滾打，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。
對於智慧製造的發展來說，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。172181219
 |
| AKD 寰楚專業級全系列監控設備 |
0 comments:
張貼留言