观察：智能制造发展的五个阶段，你到哪一阶段了？

智能制造是新一轮的工业革命

从实用和广义的角度上看，智能制造的概念可以总结为：智能制造是以智能技术为代表的技术为指导的先进制造，包括以智能化、网络化、数字化和自动化为特征的先进制造技术的应用，涉及制造过程中的设计、工艺、装备（结构设计和优化、控制、软件、集成）和管理。

(资料图片仅供参考)

与此前历次工业革命相比，制造的核心地位仍未改变，但智能化成为制造的新特征与内涵。

工业革命逐渐解放制造人力。制造本质上是从“原材料”到“产品”的过程，内容可以简化为 工艺设计、工艺参数、过程控制、执行四个步骤。

在历次工业革命中，制造工业走过了机械化、电气化、自动化（数字化）、智能化的道路，在这个过程中，工具（装备）做的事越来越多，人逐步把精力更多的投入到创造性的工作中。

若把“制造”看作从起点到终点的出行问题，制造业历次升级过程可以分别形象为自行车（机械化）-电动车（电气化）-汽车（自动化）-自动驾驶（智能化），其中人更多的参与到决策过程中，对人力的要求越来越低，效率大幅提升。

智能制造的发展是由体系建立到精确模型建立的过程，实现智能制造，首先要解决智能维护大问题，再做智能预测，最后做到无忧系统与大价值。具体来看分为以下五个阶段：

第一阶段：全员生产系统（TPS）。由日本提出来的，建立的5S 标准（整理、整顿、清扫、清洁、素养）是七八十年代整个制造系统当中引以为核心的标准，固化在了组织和对人培训方面。

第二阶段：精益制造和6-Sigma。它的核心价值是如何以数据作为标准建立管理体系，本质是消除浪费。

在这个基础下面包括质量管理体系、产品全生命周期管理体系等等。这个时候数据真正在制造使用过程中发挥作用。

第三阶段：数据驱动的预测性建模分析。以数据驱动的预测性建模分析，指的是怎么把隐性的问题显性化，显性化之后解决隐性的问题，避免显性问题的发生。

第四阶段：以预测为基础的资源有效性运营决策优化。对于过去产生的关联性都能够建模之后，怎么根据系统生产、环境、人员多方要素变化进行实时动态优化。

第五阶段：“信息-物理”系统。它是建立在对于所有设备本身运行的环境、活动目标非常精确建模基础上，这个时候产生知识的应用和传承问题。

智能制造最终要具备状态感知、实时分析、自主决策、精准执行的特征，使得企业更柔性、更智能、更集成化，并且实现了大部分或者全部的智能化技术应用， 目标是实现知识的获取、规模化利用与传承。

目前我国处于转型的最重要时期，还没有完全到达第三个阶段。

制造范式转型，关键在于数据流通与工艺建模工业体系交替的背后是制造范式的改变。

从传统到现代再到智能制造，研发生产流程不断进行重构与组织重建，创新流程的边界日渐模糊。

传统制造下研发/制造流程是串行的，现代制造下变革为并行，在未来智能制造体系下的研发/制造流程将是一体化，所有的过程是并行、并发的，数据的高速、有序的自由流通，各个环节高度互动和协同，组织是灵活动态的组织单元，由此而获得非常高的研发效率。

智能制造是以数据的自动流动解决复杂系统的不确定性，提高资源配置效率。

个性化定制是未来制造发展方向，产品越来越多，工艺越来越复杂，需求越来越复杂，以个性化定制为代表的复杂系统存在一系列问题。

比如成本如何解决，质量如何解决，交货期如何解决，这些问题带来了企业生产的复杂性、多样性和不确定性，而智能制造要解决的就是在制造复杂性提高的形况下的不确定性问题。

在前三次的工业革命中，传统的制造业主要围绕五个核心要素（5M）进行技术升级，分别是：

五个核心要素（5M）

（1）材料（Material）-包括功能、特性等；

（2）机器（Machine）-包括精度、自动化、和生产能力等；

（3）方法（Methods）-包括工艺、效率、和产能等；

（4）测量（Measurement）-包括6-Sigma、传感器监测等；

（5）维护（Maintenance）-包括使用率、故障率、和运维成本等。

这些改善活动都是围绕着人的经验开展的，人是驾驭这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->解决问题->人积累经验。

建模是智能制造与传统制造最大区别。智能制造系统区别于传统制造系统的最重要的要素在于第6个M：建模（Modeling—数据和知识建模，包括监测、预测、优化和防范等），并通过这第6个M来驱动其他5个传统要素，从而解决和避免制造系统的问题，消除系统中的不确定性。

因此，智能制造运行的逻辑是：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，工艺模型担任大脑的角色，成为整个制造系统的核心。

数字孪生技术的背后是数字模型

数字孪生体现的是数字模型和实体的双向进化过程。数字孪生是指充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程。

在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。举例来讲，导航软件中城市的实体道路和软件中的虚拟道路就是“数字孪生”。

数字孪生体现了软件、硬件、和物联网回馈的机制，运行实体的数据是数字孪生的营养液输送线，反过来，很多模拟或指令信息可以从数字孪生输送到实体，以达到诊断或者预防的目的，是一个双向进化的过程。

通过产品数字孪生体的定义可以看出：

1）产品数字孪生体是产品物理实体在信息空间中集成的仿真模型，是产品物理实体的全生命周期数字化档案，并实现产品全生命周期数据和全价值链数据的统一集成管理；

2）产品数字孪生体是通过与产品物理实体之间不断进行数据和信息交互而完善的；

3）产品数字孪生体的最终表现形式是产品物理实体的完整和精确数字化描述；

4）产品数字孪生体可用来模拟、监控、诊断、预测和控制产品物理实体在现实物理环境中的形成过程和状态。

在这其中，数据流通与交换起到十分重要的作用，其为产品数字孪生体提供访问、整合和转换能力，其目标是贯通产品生命周期和价值链，实现全面追溯、双向共享/交互信息、价值链协同。

数字孪生是CPS 关键技术。CPS 通过构筑信息空间与物理空间数据交互的闭环通道，能够实现信息虚体与物理实体之间的交互联动。数字孪生体的出现为实现CPS 提供了清晰的思路、方法及实施途径。

以物理实体建模产生的静态模型为基础，通过实时数据采集、数据集成和监控，动态跟踪物理实体的工作状态和工作进展（如采集测量结果、追溯信息等），将物理空间中的物理实体在信息空间进行全要素重建，形成具有感知、分析、决策、执行能力的数字孪生体。

软件定义制造，智能制造本质是软件化的工业基础

软件是智能的核心。工业软件建立了数字自动流动规则体系，操控着规划、制作和运用阶段的产品全生命周期数据，是数据流通的桥梁，是工业制造的大脑。

同时，工业软件内部蕴含制造运行规律，并根据数据对规律建模，从而优化制造过程。可以说，软件定义着产品整个制造流程，使得整个制造的流程更加灵活与易拓展，从研发、管理、生产、产品等各个方面赋能，重新定义制造。

软件定义制造。以信息物理系统为例，赛博物理系统（CPS）本质是构建一套赛博（Cyber）空间与物理（Physical）空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系，解决生产制造、应用服务过程中的复杂性和不确定性问题，提高资源配置效率，实现资源优化。

这一闭环赋能体系概括为“一硬”（ 感知和自动控制）、“一软”（工业软件）、“一网”（工业网络）、“一平台”（工业云和智能服务平台）。

其中工业软件代表了信息物理系统的思维认识，是感知控制、信息传输、分析决策背后的世界观、价值观和方法论，可以说是工业软件定义了CPS。

工业软件是对工业各类工业生产环节规律的代码化，支撑了绝大多数的生产制造过程。作为面向制造业的CPS，软件就成为了实现CPS 功能的核心载体之一。

工业软件不但可以控制产品和装备运行，而且可以把产品和装备运行的状态实时展现出来，通过分析、优化，作用到产品、装备的运行，甚至是设计环节，实现迭代优化。

关键词： 工业革命 生命周期 制造系统