“智能業務需求影響下的智能製造技術架構”一文中對智能製造技術架構進行了探討，很顯然信息化向智能化的技術架構演變是漸進式的，而且漸進發展的快慢、方式是圍繞各業務單元的智能化進程而定。製造企業的哪些業務單元以及如何實現智能化，並沒有標準答案，不同企業基於各自現狀在努力做著各種嘗試，但總的來說當前還只是處於智能製造發展的前期，業界也沒有成熟的發展路徑可供參考，本節根據作者對智能製造的理解給予分析。
在智能製造技術架構中，物聯網、雲計算和人工智能三者構成了智能製造的核心技術推動力，正是這三者推動製造業務從縱向深度和橫向廣度兩個維度向智能化方向演進。縱向深度智能化指的是不將信息化範圍反饋擴大到整個產業鏈，依然立足於單個企業的角度增強數據採集密度，利用AI智能技術進行知識提取並反饋到執行系統的方式，這也符合信息化階段企業的現狀，以信息化為基礎發揮物聯網和人工智能的優勢，可以作為智能化的起點；但很顯然縱向模式的智能化不能充分利用雲計算的優勢，因此還需要在橫向廣度上智能化，將信息化範圍擴展到整個製造價值鏈，在雲計算模式下對鏈內運營及流程進行智能優化，對外實現向以客戶價值為核心的集群多向協作模式轉變，進而促進商業模式的升級。
智能化推進方法論
基於企業資源約束和智能化推進的複雜度，在所有業務單元同時全面推進智能化是比較困難的，只能根據企業戰略規劃及優先級，統籌規劃智能化推進步驟，逐個業務單元實現是比較可行的路徑。下圖總結了對單個業務單元進行智能化的方法論。
智能化推進方法論
1）智能單元定義：首先要確定價值鏈中要智能化的業務單元。
2）智能方案規劃：根據智能單元定義，初步規劃智能模型及其數據要求，智能模型是智能化的核心及難點，以當前發展迅速的深度學習技術為例，一個成熟的智能分析模型需要經過多次的數據訓練及應用磨合。
3）智能數據採集：根據規劃階段數據要求，對照現有數據找出差異；對缺失的數據採取措施給予完善。數據採集方案根據實際情況差異很大，有的可能要給設備添加傳感器，有的需要改造PLC，有的要用RFID或者二維碼等方式增加數據錄入點，還有的是需要與現有信息系統進行集成，直接獲取歷史數據。要強調的是智能模型訓練對數據的需求是海量的，一般需要相當長時間的積累。
4）智能應用磨合：數據和智能分析模型是智能分析技術的核心，在獲得數據後，要通過大量的數據學習才能形成可用的智能模型，不管是監督、半監督和無監督哪種學習模式，智能模型都在不斷地優化磨合中，每一個成熟的智能模型都是在不斷地重複方案規劃、數據採集和應用磨合中產生的。
5）決策與執行整合：智能模型的運算結果要回到信息系統和自動化設備中，優化製造執行。原有信息系統和自動化設備中很多依賴人工決策的部分，現在要進行改造以自動接收智能決策結果，形成執行與決策系統的集成應用。
因為我們是假設企業已經處於信息化階段，已經有各類信息系統在支撐業務運行，下面我們嘗試下圖信息技術架構中的典型業務領域為藍本，按照智能化推進方法論從縱向維度分析智能化推進，後文將繼續對橫向維度進行分析。
信息化技術架構
縱向深度智能化
a) MES領域
我們以設備維護為例來分析MES支撐的業務領域智能化方法。設備維護包括設備事前的維護計劃制定及執行，事後的異常設備維護管理兩類功能。事前的維護計劃是根據經驗制定的，可能造成過度維護，也可能造成維護不夠的情況，這種不精準的設備維護方式也是造成事後異常設備維護的主要原因。如果可以根據設備實際運行狀況提前進行精準維護，可以最大程度的降低維保浪費，提高設備利用率。這就是我們定義的智能單元。
下一步是進行智能方案規劃，規劃用什麼技術和數據來訓練智能模型。當前通常以深度學習技術來訓練智能分析模型，這種技術依賴於對海量數據的學習，在初期只能是按照基本模型來定義數據的採集需求，規劃智能分析結果與設備管理系統的反饋機制。設備相關數據採集自關鍵控制參數KCC和關鍵產品參數KPC，這些數據往往不是現成的，有的需要增加傳感器進行數據感知，有的需要改造PLC，有的需要增加數據通訊模塊等等，數據採集方案根據現場情況制定的方案也會千差萬別，如果可以在設備採購之初就進行智能化、信息化規劃可以大幅度降低數據採集的難度。
當數據條件滿足後，就可以通過深度學習等人工智能方法對智能分析模型進行訓練，並將分析結果實時反饋給設備管理系統。此時原來的設備維護計劃將不再是依據經驗人工制定，而是依據智能模型的分析結果進行定義，達到精準維護的目標。
MES中的其他業務模塊都可以按照同樣模式探討智能化方法。生產排程是車間運營的重點，業界也有各種APS高級排程工具支持運行，但人為的介入依然不可避免，隨著供應鏈中數據量的增大，數據準確性的改善，智能化高級排程工具相信很快會出現。物流運輸能力的配置和路線優化也有較大的智能優化空間。
b) ERP領域
ERP支持的業務領域從客戶訂單到生產計劃、庫存管理、銷售發運以及相應的財務信息流。這些領域的智能數據採集較少來自設備端，更多的是事務性交易數據。
供應鏈管理領域有著名的牛鞭效應，客戶給的需求量不一定是真正的需求，如果完全按照客戶數據制定生產計劃可能帶來極大浪費，如果不按照客戶數據生產，又可能出現供應不足的情況，如何在最低成本狀態下達到供需平衡是一大挑戰，這可以成為智能化推進的智能點。基於大量的歷史數據，企業的當前產能數據、市場數據等都是數據採集的重點，在訓練出智能模型後，智能分析結果可以直接成為主計劃中的需求依據。
生產排程也有類似的需求，不同生產設施生產能力不一樣，成本也可能不同，客戶需求優先級也不一樣，怎樣排程可以在低成本模式下滿足以上所有目標一直是計劃員比較頭疼的問題，同樣可以考慮以智能化方式來解決。
ERP領域潛在智能化領域還有Make or Buy決策，客戶供應優先級決策等。
c) 設備領域
設備智能化是縱向智能化的重要一環，以生產過程的質量判斷為例，很多離散製造過程中對於質量問題需要質量部門介入人工判斷，如果設備層可以採集足夠的數據，有成熟的智能分析模型，在設備上就可以完成質量異常判斷，提高製造效率。人工智能和邊緣計算的快速發展為設備智能化增添了新的動力，人機協作、機器間協作等應用已經成為工業領域成本效率優化的重要抓手。
d) PLM領域
研發階段決定了產品成本的70%，在研發階段引入智能化研發工具對成本、質量的改善將起到事半功倍的效果，研發階段的智能化工具一般是以人機協作的模式實現，去擴大、延伸人腦活動。比如建立數字化樣機，實現仿真驅動創新，應用虛擬現實與增強現實技術進行設計評審。虛擬現實和增強現實技術，在產品初創階段就能夠對產品的設計方案和產品的相關屬性信息進行直觀的展示和體驗，使整個設計評審過程更便捷和有效，同時能更直觀的發現設計過程中存在的問題。另外在虛擬現實環境下，還能夠進行逼真的產品虛擬使用和維修培訓，以及為用戶提供沉浸式體驗，幫助用戶提前感受企業智能產品的獨特魅力。
閱讀更多 奔向智能製造 的文章
