中国的制造业，无论是流程制造还是离散制造，都遇到了进一步发展的瓶颈期。对于流程制造来说，如水泥、钢铁，表现比较明显的是能源利用率的提升问题——特别是进入双碳时代后，制造业的环保需求逐步加大。对于离散制造来说，突出问题是需求侧市场变化太快，工厂的投入和产能存在巨大不确定性。

　　智能制造的八大场景有六大场景着眼于产线的微观智能，分别是自适应控制、生产工艺优化、能耗优化、专家知识系统、智能质检、预测性维护；另外两大大场景着眼于大型组织的数据归一与协同的宏观智能，分别是数据移动在线、产销协同与柔性制造。从微观到宏观，这九大场景已经基本覆盖了智能制造的所有关键环节，完全可以作为回答智能制造现阶段问题的着力点。

01

场景一：数据移动在线化

　　去年12月工信部等八个部门正式印发《“十四五”智能制造发展规划》，明确到2035年，规模以上制造业企业全面普及数字化网络化，重点行业骨干企业基本实现智能化。
 

　　人员的排班排产、产线的调度优化、货物流转、金融周转等运营效率的提速，都需要生产经营数据的在线化与移动化。数据的在线可以让企业管理人员在生产、经营过程中，依据实时数据不断调优决策。

　　制造行业解决方案2.0从对生产状况影响最大的人和设备着手，让设备数据、成本数据实时呈现。通过生产码、库位码、报工码、物料码等四个生产环节的二维码，解决制造企业最核心的进（采购）、销（销售）、存（仓储）、生产环节数据在线化和移动化的难题。

02

场景二：自适应控制

　　利用生产装备和工艺的自动化是智能制造在过去几十年追求的重要目标，但是由于生产设备和生产现场的复杂性、生产原料的不稳定性和环境变化，生产产线完全依赖传统的PLC（可编程逻辑控制器）、DCS（分散控制系统）很难做到自动控制，依赖产线工人根据经验判断各种异常进行频繁的操作控制，也会因为疲劳和经验的差异出现波动。
 

　　融合数据感知和AI决策的自适应控制应运而生。自适应控制基于产线的机理进行建模，根据历史记录，生产结果数据对模型进行训练和优化，将模型下发到生产端根据产线实时数据推理生产参数并推荐，最后结合控制技术对生产线进行闭环控制。

　　不同工艺专家技术水平不同，调出来的效果相差较大。而培养一位合格的工艺专家需要1--2年的时间，一旦离岗，经验也随之带走。

03

场景三：工艺优化

　　工艺，是一家企业如何利用生产工具对各种原材料、半成品进行加工或处理，使之成为产品的方法，包括铸造、锻压、机械加工、热处理、焊接、装配、油漆等工艺类别。
 

　　一方面，各个行业都有自己的通用数字工具和自动化设备，如CAPP（计算机辅助工艺过程设计系统）。另一方面，企业自主研发创新、经验总结的加工方法，可以成为企业自己的独门秘籍，比如毛坯制作、机械加工、热处理等各个环节先后顺序的优化，都可以提高生产效率、降低生产成本、提升产品质量，是一家工业企业最核心的竞争力。

　　每家制造业企业都规定了产品的工艺路线、机器设备和加工模具的种类、品名及编号、检验方法等，是组织生产和工人进行生产操作的重要依据。

　　过去20年中国制造业的工艺优化，主要聚焦于两个方面：引进国外的辅助工艺设计系统和培养有经验的专家。今天，则转向了数据智能。

04

场景四：能耗优化

　　能耗优化直接关乎“十四五规划和2035远景目标”中“双碳目标”的达成，已经成为流程制造企业发展的重中之重。《中国上市公司碳排放排行榜（2021）》显示，登榜的100家A股和港股上市的高碳排放公司，分布在石化、化工、建材（水泥）、钢铁、有色、造纸、电力、航空八大高耗能行业。八大重点高能耗行业中的六个，都属于“大制造业”。传统制造业的高端化、智能化、绿色化，提高了制造业对新技术的发展要求。
 

　　水泥行业有着很高的煤耗和电耗，水泥的“两磨一烧”工艺（生料磨、回转窑与水泥粉磨），是保障水泥品质稳定的主要因素。

　　第一步：数据采集与清洗。结合工艺专家经验，水泥工业大脑首先将生产系统、控制系统、设备管理系统、能源管理系统中的海量数据进行提取，包括质检数据、DCS数据、环境数据等。同时对数据进行清洗，剔除噪音数据或无效数据，补充缺失数据，为下一步模型训练提供高质量的数据资产。

　　第二步：模型搭建。采用先进的机器学习算法、神经网络算法，结合先进过程控制模型，对所收集到的多维度数据进行建模，真实还原水泥产线上的实际生产过程。并通过对大数据模型的参数进行调节，以实现从输入参数到输出参数的非线性映射关系。

　　第三步：机器学习。通过采集六个月的历史数据，分析多达上百个变量之间的耦合关系，并对模型的输出进行预测，使风、煤、料的最佳组合范围可量化、可视化，达到同等产量熟料质量最好；同等质量情况下，产量最高；或是同质同产情况下，能耗最低。

　　第四步：在线控制。最终生产线工艺参数的设定，会结合工艺参数范围、步长信息、工艺参数实时值等，由水泥工业大脑进行多变量综合分析，实时针对各工况的产量、质量、能耗多目标进行寻优，推荐一组最佳的工艺参数实时反写回分散控制系统，实现水泥核心生产过程的自动驾驶、无人值守。

　　以上自适应控制、工艺优化、能耗优化的案例能够清晰地看到，基本解决方案路径：收集历史数据--锁定关键参数--构建算法模型--用实时数据验证算法模型，并进行调优--输出动态参数推荐，或连接自动化控制系统。

05

场景五：专家知识系统

　　从以上场景，不难发现：在工业领域，传统经验知识的总结环节非常需要数据智能技术的加持。即便是有些制造业企业建立了数字化的专家系统，把专家经验进行文档累积，但是实际情况中，把数据经验输入到专家系统费时费力，每条记录的经验数据之间缺乏联系，仍然很难形成“数据资产”。
 

　　在智能制造的时代，AI知识图谱作为人工智能的一个分支领域，具有“知识抽取”和“知识关联”的能力，值得被作为一个单独的解决方案提供给更多的制造业企业，在业内被称为专家知识系统。

06

场景六：智能质检

　　制造业的质量检测，可以应用于产品的最终质检、物料制造的表检，利用AI视觉识别技术来模拟人的视觉功能，从客观图像中提取信息，加以理解并进行处理，最终用于实际检测、测量和控制。AI视觉系统被应用于各行业的生产中，如触摸屏、激光加工、太阳能电池板、半导体、食品饮料、制药、消费电子产品加工、汽车制造等提升产品成品率和良品率，是一种应用较为广泛和成熟的解决方案。
 

　　因为依靠人的视觉进行的质量检测，会受到疲劳程度、精神集中程度的较大影响，所以只能采用抽检的方法，才能节省相应人力，即便如此，准确的稳定性也会因为人的原因出现波动。阿里云机器视觉智能技术采用深度学习和图像处理算法，比传统机器视觉检测更精准、漏检率更低。在数据中台的基础上，进行数据的采集、标注、训练和算法模型调优，自动识别图像中的瑕疵或故障。

07

场景七：预测性维护

　　工业企业的设备管理维护手段的发展经历了四个阶段：被动性维护（RM）、状态性维护（CM）、预防性维护（PM）、预测性维护（PHM）。

　　顾名思义，被动性维护（RM）就是在设备坏了之后再开始相关的维护维修工作，比如场景四给出的“虚拟配网调度员”解决方案；状态性维护（CM）是基于设备运行状态和现象对设备进行相关的维护维修工作；预防性维护（PM）就是在设备出现问题之前，基于可靠性分析和设备运行经验定期对设备进行维护工作；预测性维护（PHM）是在设备出现问题之前，结合可靠性分析、设备机理、设备运行维护的历史经验以及设备运行状态对设备的寿命、故障、异常及健康情况作出相对应的分析和预测，让设备维护团队能够在故障发生之前，提前做好维护措施，避免设备故障发生，提前做好备件储备、降低设备的停机时间。

　　预测性维护能减少设备周期性的维护成本和备件成本，实现对设备全生命周期的精准把控。做到设备故障提前预防，维护维修策略精准高效，设备管理维护成本精细可控。

　　现阶段的工业企业还停留在状态性维护和预防性维护的阶段，大多数企业都是通过周期性的人工定检以确保当前状态下设备无异常，先进的企业还会基于可靠性做一些设备状态分析的巡检计划以实现预防性的维护。

　　鉴于IoT的成本优势和部署灵活的优势，很多企业开始积累关键设备上的传感器、检测仪表等数据，对设备的故障及时发现，预先处理，降低停机损失，已经逐步向预测性维护的方向发展。但受制于工业企业薄弱的数据和算法基础，即便是拥有了大量的设备运行数据，也无法高效、合理地管理数据和利用数据，隐藏在这些设备数据之中的价值很难发挥出来。这给工业设备预测性维护的先行企业带来了极大的困扰。

08

场景八：产销协同柔性制造

　　在离散制造场景中，如快消品、小家电、家具、消费电子产品的制造，随着消费者定制化需求越来越多，随着需求侧秒杀、促销活动变得越来越频繁，多品种、小批量按需生产的柔性能力要求越来越高。
 

　　但按订单组织生产是离散制造业的行业惯例，传统APS（排程排产系统）在订单在突然涌入临时变更时，很难发挥效果。

　　为了实现产销协同、柔性制造，阿里云给出的“调度优化-产销协同”解决方案主要包含六个方面：

一、通过MRP（物资需求计划）运算计算精确的物料需求；

二、精细化设计工序与设备的生产计划和人员需求，提升主计划排产速度和效率；

三、使计划结果可视化，提升计划协同性；

四、与MES、ERP信息化系统联动，滚动计划；

五、分析物料欠料的需求时间和数量，推送欠料信息，辅助物料跟催；

六、进行订单的预测，计算预计产能需求，预估产能的瓶颈工序，提前预测转发订单。

      在实践中，动脉智能作为生产智能制造整体解决方案供应商，以MES系统帮助纺织、机加工、食品行业企业两化融合推进，赋能工业制造企业，提供包括制造数据管理、计划排程管理、生产调度管理、库存管理、质量管理、人力资源管理、工作中心/设备管理、工具工装管理、采购管理、成本管理、项目看板管理、生产过程控制、底层数据集成分析、上层数据集成分解等管理模块，为企业打造一个扎实、可靠、全面、可行的制造协同管理平台。实现降本增效，迈向智能制造转型。