随着工业4.0的兴起，由人工智能技术、机器人技术和数字化生产制造技术等结合的智能制造技术，正引领新一轮的制造业变革。智能制造技术逐渐涉及产品设计、生产过程、生产管理和售后服务等各个生产环节，随着智能化和产业化的制造技术的广泛应用，促进了智能制造业的发展。那么什么是智能制造，本文带领大家来了解一下。
文/黄成甲
智能制造是一种思维
2013年，德国在汉诺威工业博览会上推出“工业4.0国家战略”，这被认为是人类第四次工业革命的开端，也开启了各个国家在新一轮产业革命中竞争的序幕。世界各主要经济体纷纷从自身的现状与优势出发，制定了应对新一轮制造业革命的国家战略。美国在2012年3月提出了“国家制造业创新网络（NNMI）计划”，在制造业的4个重点领域列出了9个创新中枢项目；日本在2015年6月公布了《2015年版制造业白皮书》，将3D打印、人工智能和智能ICT作为转型升级的轴心；韩国提出了《制造业创新3.0战略行动方案》，在3D打印、大数据、物联网、ICT服务等8项核心智能制造技术中发力；法国提出了《工业新法国2.0》，将智慧物流、新能源开发、智慧城市、未来交通等9个重点领域作为改革的重心。中国也在2015年3月正式出台了《中国制造2025》，作为新一轮工业革命的指导纲要，将工业化与信息化“两化”深度融合发展作为主线，力争在10个重点领域实现突破性发展。
在过去三年中，关于工业4.0的定义和对世界各国战略的解读已有很多，也有许多专家学者和政府机构提出了一系列的实施路径和方案，我们看到政府相继提出了机器换人、智慧工厂、大数据、互联网＋和工匠精神等一系列改革举措。然而，有不少人都表达过这样一种感受：我们越深入分析各个国家的政策，越是去尝试不同的转型路径，反而愈发地感觉迷茫和浮躁。我认为之所以会有这样的感受，是因为大家把智能制造当成了一个技术问题来看待，因此在分析其他国家行动的时候也只是停留在表面的方法和技术上，却忽略了这些行动背后的思维和逻辑。于是当德国有“工业4.0”，我们就有了“中国制造2025”；美国提出“工业互联网”，我们也提出了“互联网＋”；日本精益制造做得好，我们就要大力提倡工匠精神。事实上，智能制造并不仅仅是一个技术体系或文化，更重要的是背后对智慧的理解、解决问题的逻辑和重新定义制造的思维。
智能制造的核心
制造系统的核心要素可以用5个M来表述，即材料、装备、工艺、测量和维护，过去的三次工业革命都是围绕这5个要素进行的技术升级。然而，无论是设备的精度和自动化水平提升，或是使用统计科学进行质量管理，或是状态监测带来的设备可用率改善，又或是精益制造体系带来的工艺和生产效率的进步等，这些活动依然是围绕着人的经验开展的，人依然是驾驭这5个要素的核心。生产系统在技术上无论如何进步，运行逻辑始终是：发生问题—>人根据经验分析问题—>人根据经验调整5个要素—>人积累经验。
而智能制造系统区别于传统制造系统最重要的要素在于第6个M，即建模。并且正是通过这第6个M来驱动其他5个要素，从而解决和避免制造系统的问题。因此，智能制造系统运行的逻辑是：发生问题—>模型（或在人的帮助下）分析问题—>模型调整5个要素—>解决问题—>模型积累经验，并分析问题的根源—>模型调整5个要素—>避免问题。因此，一个制造系统是否能够被称为智能，主要判断其是否具备以下两个特征：
（1）是否能够学习人的经验，从而替代人来分析问题和形成决策。
（2）能否从新的问题中积累经验，从而避免问题的再次发生。
我们不难看出，无论是机器换人、物联网、或是互联网 ，解决的只是5M要素的调整方式和途径，只是在执行端更加高效和自动化，并没有解决智能化的核心问题。
所以说，智能制造所要解决的核心问题是，如何对制造系统中的5M要素的活动进行建模，并通过模型（第6个M）驱动5M要素。智能制造所要解决的核心问题是知识的产生与传承过程。
从大数据到智能制造
大数据并不是目的，而是一个现象，或是看待问题的一种途径和解决问题的一种手段。通过分析数据，从而预测需求、预测制造、解决和避免不可见问题和风险，和利用数据去整合产业链和价值链，这才是大数据的核心目的。
大数据与制造之间的关系可用用下图表示，这里面有3个重要的元素：
大数据与智能制造的关系
（1）问题：制造系统中显性或隐性的问题，比如质量缺陷、精度缺失、设备故障、加工失效、性能下降、成本较高、效率低下等。
（2）数据：从制造系统的5M要素中获得的，能够反映问题发生的过程和原因的数据。也就是说数据的获取应该是以问题为导向，目的是去了解、解决和避免问题。
（3）知识：制造系统的核心，也就是我们平时所说的know-how，包括制程、工艺、设计、流程和诊断等。知识来源于解决制造系统问题的过程，而大数据分析可以理解为迅速获取和积累知识的一种手段。
因此，大数据与智能制造之间的关系可以总结为：制造系统中问题的发生和解决的过程中会产生大量的数据，通过对大数据的分析和挖掘可以了解问题产生的过程、造成的影响和解决的方式；当这些信息被抽象化建模后转化成知识，再利用知识去认识、解决和避免问题。当这个过程能够自发自动地循环进行时，即我们所说的智能制造。从这个关系中不难看出，问题和知识是目的，而数据则是一直手段。在上图的要素中，当把“数据”换成“人”之后就是“工匠精神”，换成“自动化生产线和装备”之后就是德国的“工业4.0，换成”互联网“之后就变成了”互联网 “。
工匠精神
工业4.0
互联网 工业
今天我们来谈利用大数据实现智能制造，是因为大数据的研究已经成为了一个日益受到关注的行为，而在制造系统和商业环境变得日益复杂的今天，利用大数据去推动智能制造，解决问题和积累知识或许是更加高效和便捷的方式。利用大数据推动智能制造主要有以下3个方向：
（1）把问题变成数据，利用数据对问题的产生和解决进行建模，把经验变成可持续的价值。
（2）把数据变成知识，从“可见解决问题”延伸到“不可见问题”，不仅要明白“how”，还要去理解“why”。
（3）把知识再变成数据，这里的数据指的是生产中的指令、工业参数和可执行的决策，从根本上去解决和避免问题。
在第一个方向上最成功的应用案例应该是美国在20世纪90年代开展的“2mm计划”，利用统计科学对汽车的设计和生产过程中的质量问题进行建模和管理，随后推广到了飞机制造等其他先进制造领域，对美国制造精度的提升起了重要的推动作用。
在第二个方向上的典型应用是制造系统中的数据预测性分析，包括虚拟量测、健康管理、衰退预测等。核心是通过先进的分析算法对数据中的隐性知识进行挖掘和建模，并在制造过程中预测和避免问题。
第三个方向上的典型应用是反向工程，即从问题的结果出发，利用知识反向推出问题发生的原因和过程；或是从产品最终的结果出，反向推出产品的设计和制造过程，以及这样去设计和制造的原因。这不仅需要知识，还需要了解知识之间的相关性和逻辑关系。
智能制造在发达国家的转型
仔细观察第四次工业革命的进行过程，我们不难发现，与之前几次工业革命具有典型的技术不同，这次工业革命中每个国家所选择的路径和侧重点有非常明显的不同，这一方面取决于各个国家的制造业基础和国情，另一方面，更重要的是各个国家在制造文化和哲学方面的差异。在过去近200年的工业积累中，美国、日本、德国等工业强国都形成了非常鲜明的制造哲学，其根源是对知识的理解、积累和传承方式的差异。同时，各个国家在整个制造业的上、下游中也形成了非常明显的竞争力差异，在产业链的不同位置都有各自的相对优势。
第一，对知识的理解、积累和传承方式的差异决定了制造哲学和文化
在智能制造中的问题、数据和知识三者的关系上，从不断解决和理解新问题的过程中获取经验，再把经验抽象化的这个过程即为制造中获取知识的过程。解决问题的手段和方法决定了所获得知识的形式，而将知识抽象化加以运用的过程和形式则决定了知识传承的形式。这个过程可以通过人来完成、数据来完成、设备来完成，或是系统来完成，这也是决定一个国家制造哲学的最根本原因。
日本：通过组织文化和人的训练不断改善，在知识的承载和传承上非常依赖人
日本独特的克忍、服从和集体观念文化也深深地影响了日本的制造文化，其最主要的特征就是通过组织的不断优化、文化建设和人的训练来解决生产系统中的问题。这一点相信国内许多制造企业都感同身受，因为大家在接受精益培训的时候被反复强调的3个方面就是“公司文化”“三级组织”和“人才训练”。最典型的体现就是日本在20世纪70年代提出的以“全生产系统维护（TPM）”为核心的生产管理体系。其核心思想可以用“三全”来概括：全效率、全系统和全员参与。实现方式主要包括在3个方面的改善：提高工作技能、改进团队精神和改善工作环境。以致在20世纪90年代以后日本选择“精益制造”作为其转型方向，而非6-sigma质量管理体系。日本企业在人才的培养方面也是不遗余力的，尤其是雇员终身制文化，将雇员与企业的命运紧密联系在一起，使得人的经验和知识能够在企业内部积累、运用和传承。
日本企业解决问题的方式通常是：发生问题→人员迅速到现场、确认现物、探究现实（三现），并解决问题→分析问题产生的原因，通过改善来避免问题。最终的知识落在了人的身上，人的技能提升之后，解决和避免问题的能力也就上升了（见下图）。除了企业内部以外，日本还有独特的“企业金字塔梯队”文化，即以一个巨型企业（通常是产业链最下游，直接面对最终客户），如丰田、三菱等为核心，形成一个完整产业链上的企业集群，企业之间保持长期的合作，并且互相帮助对方进行改善和提升。这样能够保证知识在一个更大的体系中不断地积累、流通和传承。
日本的制造哲学
因此对于日本企业而言，员工是最重要的价值，对人的信任远远胜于对设备、数据和系统的信任，所有的自动化或是信息化建设也都是围绕着帮助人去工作为目的，所以日本企业从来不会谈机器换人或是无人工厂。如果中国想要学习工匠精神，那么最应该借鉴的是日本孕育工匠的组织文化和制度。但是这样的文化在近几年遇到了一个十分巨大的挑战，就是日本的老龄化和制造业年轻一代大量短缺的问题，使得没有人能够去传承这些知识。日本也意识到了自己在数据和信息系统方面的缺失，开始在这些方面发力。这一点在日本的工业价值链（Industrial Value Chain Initiative，IVI）产业联盟的构架和目标上能够清晰地看到。该联盟提出的19条工作项目中有7条与大数据直接相关，分别是：①远程工厂的操作监控和管理；②设备生命周期管理；③生产线实时数据的动态管理；④设备集成的实时维护；⑤实时数据分析和预测维护；⑥云共享和维护数据的策划实施检查改进（plan-do-check action cycle）；⑦通过制造执行系统（MES）将自动化生产线、运输和人工检测进行集成；⑧自主的制造执行系统在公司外工作；⑨能处理意外情况的制造执行系统；⑩达到从实时数据获取制造知识；⑪以智能数据作为质量保证（故障的早期发现和阻止）；⑫中小型企业制造系统使用机器人；⑬制造技术与管理的无缝集成；⑭设计和制造的物料清单与可追溯管理的集成；⑮人与机器合作的工作方式的工厂的标准化；⑯连接中小企业；⑰信息物理生产和物理一体化；⑱远程站点的B2B收货服务；⑲面向用户的大规模定制。
具体的实施构架如下图所示，其中包括4个主要模块：①数据采集与执行（设备端接口）；②标准化的数据平台；③先进的数据分析算法；④专家系统为核心的决策支持工具。
日本“工业4.1J”架构
可以说日本的转型战略是应对其人口结构问题和社会矛盾的无奈之举，核心是要解决替代人的知识获取和传承方式。日本在转型过程中同样面临着许多挑战，首先是数据积累的缺失，使得知识和经验从人转移到信息化体系和制造系统的过程中缺少了依据和判断标准。其次是日本工业企业保守的文化造成软件和IT技术人才的缺失，正如日本经产省公布的《2015年制造白皮书》中所表达的忧虑：“相对于在德国和美国正在加快的制造业变革，现在还没有（日本）企业表现出重视软件的姿态。”
德国：通过设备和生产系统的不断升级，将知识固化在设备上
德国的先进设备和自动化的生产线是举世闻名的，可以说在装备制造业的实力上有着傲视群雄的资格。同时德国人严谨的风格，以及其独特的“学徒制”（co-op）高等教育模式，使得德国制造业的风格非常务实，理论研究与工业应用的结合也最紧密。然而德国也很早就面临劳动力短缺的问题，在2015年各国竞争力指数的报告中，劳动力是德国唯一弱于创新驱动型国家平均水平的一项。因此，德国不得不通过研发更先进的装备和高度集成自动的生产线来弥补这个不足。
德国的制造业解决问题的逻辑是：发生问题→人（或装备）解决问题→将解决问题的知识和流程固化到装备和生产线中→对相似问题自动解决或避免（见下图）。举个比较直观的例子来比较日本和德国解决问题方式的不同：如果产线上经常发生物料分拣出错的现象，那么日本的解决方式很有可能是改善物料辨识度（颜色等）、员工训练，以及设置复查制度。而德国则很可能会设计一个射频识别（RFID）扫码自动分拣系统，或是利用图像识别＋机械手臂自动进行分拣。又比如，德国很早就将误差补偿、刀具寿命预测、多轴同步性算法、主轴震颤补偿等解决方式以功能包的形式固化到了机床中，因此即便是对制造工艺和操作并不熟练的工人也能够生产出可靠的产品。也正是这个原因成就了德国世界第一的装备制造业大国地位。除了在生产现场追求问题的自动解决之外，在企业的管理和经营方面也能够看到其尽力减少人为影响因素的努力。比如最好的企业资源管理（ERP）、生产执行系统（MES）、自动排程系统（APS）等软件供应商都来自德国，大量的信息录入和计划的生成及追溯通过软件自动完成，尽量减少人为因素带来的不确定性。然而德国同样对数据的采集缺少积累，因为在德国的制造系统中对故障和缺陷采用零容忍的态度，出现了问题就通过装备端的改进一劳永逸地解决，在德国人的意识中不允许出现问题，也就自然不会由问题产生数据，最直接的表现就是找遍德国的高校和企业几乎没有人在做设备预诊与健康管理（PHM）和虚拟测量等质量预测性分析。另外由于德国生产线的高度自动化和集成化，使得其整体设备效率（OEE）非常稳定，利用数据进行优化的空间也较小。
德国依靠装备和工业产品的出口获得了巨大的经济回报，因为产品优秀的质量和可靠性，使得德国制造拥有非常好的品牌口碑。然而德国近年来也发现了一个问题，那就是大多数工业产品本身只能够卖一次，所以卖给一个客户之后也就少了一个客户。同时，随着一些发展中国家的装备制造和工业能力的崛起，德国的市场也在不断被挤压。因此，在2008—2012年的5年时间里德国工业出口几乎没有增长。由此，德国开始意识到卖装备不如卖整套的解决方案，甚至同时如果还能够卖服务就更好了。于是德国提出的工业4.0计划，其背后是德国在制造系统中所积累的知识体系集成后所产生的系统产品，同时将德国制造的知识以软件或是工具包的形式提供给客户作为增值服务，从而实现在客户身上的可持续的盈利能力。这一点从德国的工业4.0设计框架中能够十分明显地看到，整个框架中的核心要素就是“整合”，包括纵向的整合、横向的整合和端到端的整合等，这简直太像德国制造体系的风格了，既是德国所擅长的，也为其提供增值服务提供了途径。所以第四次工业革命中德国的主要目的是利用知识进一步提升其工业产品出口的竞争力，并产生直接的经济回报。
德国的制造哲学
美国：从数据和移民中获得新的知识，并擅长颠覆和重新定义问题
与日本和德国相比，美国在解决问题的方式中最注重数据的作用，无论是客户的需求分析、客户关系管理、生产过程中的质量管理、设备的健康管理、供应链管理、产品的服役期管理和服务等方面都大量地依靠数据进行，如下图所示。这也造成了20世纪90年代后美国与日本选择了两种不同的制造系统改善方式，美国企业普遍选择了非常依赖数据的6-sigma体系，而日本选择了非常依赖人和制度的精益管理体系。中国的制造企业在2000年以后的质量和管理改革大多选择了精益体系这条道路，一方面因为中国与日本文化的相似性，更多的还是因为中国企业普遍缺乏数据的积累和信息化基础，这个问题到现在也依然没有解决。除了从生产系统中获取数据以外，美国还在21世纪初提出了“产品全生命周期管理（PLM）”的概念，核心是对所有与产品相关的数据在整个生命周期内进行管理，管理的对象即为产品的数据，目的是全生命周期的增值服务和实现到设计端的数据闭环（closed-loop design）。
美国制造业创新的哲学
数据也是美国获取知识的最重要途径，不仅仅是对数据积累的重视，更重要的是对数据分析的重视，以及企业决策从数据所反映出来的事实出发的管理文化。从数据中挖掘出的不同因素之间的关联性、事物之间的因果关系，对一个现象定性和定量的描述和某一个问题发生的过程等，都可以通过分析数据后建立的模型来描述，这也是知识形成和传承的过程。除了利用知识去解决问题以外，美国也非常擅长利用知识进行颠覆式创新，从而对问题进行重新定义。例如美国的航空发动机制造业，降低发动机的油耗是需要解决的重要问题。大多数企业会从设计、材料、工艺、控制优化等角度去解决这个问题，然而通用电气公司（GE）发现飞机的油耗与飞行员的驾驶习惯以及发动机的保养情况非常相关，于是就从制造端跳出来转向运维端去解决这个问题，收到的效果比从制造端的改善还要明显。这也就是GE在推广工业互联网时所提出的“1％的力量（Power of1％）”的依据和信心来源，其实与制造并没有太大的关系。所以美国在智能制造革命中的关键词依然是“颠覆”，这一点从其新的战略布局中可以清楚地看到，利用工业互联网颠覆制造业的价值体系，利用数字化、新材料和新的生产方式（3D打印等）去颠覆制造业的生产方式。
