探讨从企业经营和产业发展角度看待智能制造

经过几十年发展，我国逐步建立起了门类齐全、独立完整的工业制造体系，制造业增加值连续12年居于世界首位。中国制造业企业在各个细分领域的市场份额不断攀升，例如在锂电池行业，2021年全球动力电池装机量TOP10企业中中国企业就占据6席，市场份额达到48.6%。

中国制造的庞大产能规模优势也体现在出口方面，2021年我国出口21.73万亿元，同比增长21.2%。家电、手机、计算机、集成电路等8类机电产品出口均超千亿美元。但是，出口贸易总量或贸易顺差额并不能真实反映中国制造业的竞争力。

从全球价值链上来看，中国制造业核心竞争力仍然不强。具体从贸易增加值和国民收入视角来看，生产出口赚得的一部分收益其实是要被划分为外国国民收入[1,2]。在全球价值链中，中国制造业主要还是在赚取加工费，一部分中国企业仍然依赖于外国资本要素和技术要素，欧美国家则掌握着通过专利技术等要素来获取收益的方式。

目前我国制造业面临“双向挤压”的局面没有发生根本性扭转。一方面在中低端领域面临其他发展中国家的竞争，我国已经不能延续21世纪初期依靠人口红利的发展模式，即继续依靠人工大规模生产低附加值工业品。另一方面，在中高端领域，我国制造业企业自动化、智能化程度相较于发达国家还较低，还没有完全掌握重点行业的关键核心技术，在研发设计和国际标准制定等方面还没有足够的主导权。

正是在这种情形下，我国政府提出要实现智能制造，在“十三五”、“十四五”期间连续编制智能制造发展规划，促进制造业企业实现数字化、网络化、智能化转型，向制造强国迈进。本文将结合笔者观察到的一些产业前沿进展来重点阐述如下几个方面：

如何理解智能制造？

谈及智能制造，首先就需要从企业需求角度出发。制造业企业最关心的是质量能不能更好？成本能不能再低一些？怎么让交付更快？说到底是制造业本身对规模效应的追求，特别是在当今市场需求愈发多样化、个性化，企业需要具备更强的柔性制造能力和产品设计创新能力。智能制造正是要回应企业对规模效应和柔性化制造这两方面的诉求。

智能制造是要贯穿企业研发设计、生产制造到服务的全过程，核心落脚点是在制造环节，特别是在工艺和装备两方面上。我们的分析也将从装备工艺开始逐步延伸至设计仿真、服务环节。

中国制造要向中高端领域迈进，生产出更高性能、更高精度的高质量产品，势必将对工艺和装备以及企业正向设计能力提出更高的要求。实现智能制造，企业需要使用智能化的装备，在生产过程中形成更优的生产工艺，做出全局最优的生产和研发决策。而不是仅仅停留在看一个显示生产过程数据的大屏系统，又或者是单纯的可视化渲染界面，新技术的应用还是要深入生产过程中去，避免“高大全的花架子”。

从控制论的角度来看，实现智能制造应理解为是要打造一个闭环控制系统，控制目标即为实现最佳生产工艺流程，达到最佳生产状态。控制系统运行的关键在于可以实现良好的负反馈调节，以及实现从决策端到执行端的打通。闭环控制系统的覆盖范围可以是一台机器或者一条生产线，也可以是一个车间、一个工厂甚至是一条产业链。同时，这个系统具有自适应性。

由此可见，智能制造包含感知、决策和执行三个要素，通过工业物联网、边缘计算等技术收集系统内产品、设备、车间和企业的运行状态，这些数据经过处理后会汇总到工业数据平台上。最为核心的是决策中枢，过去企业的生产决策都是以依靠人的经验判断为主，智能制造系统中决策将逐渐以数据驱动+工业机理融合模型的判断为主，决策中枢将具有自适应性。执行系统也是必不可少的，现在也有企业将RPA技术应用到一些固定的机台联动操作流程上，减少人工操作，进一步提高生产的自动化程度。

智能制造的底层基础是数字化

新一代信息技术与制造业深度融合，引发出一个重要变化：数据作为一种新型生产要素逐渐得到产业界的重视。可以看出，智能制造的底层基础是数字化，即数据需要在系统内得到精准的采集、传输、存储和分析。智能制造的核心数据来自装备和工艺过程，在此基础上包含装备与生产管理软件间的交互，以及软件间的交互。

整个系统要对数据实现整合分析和闭环控制，就需要面向工业物联网场景的数据接入和转换协议方案、消息中间件、时序数据库或实时数据库、边缘AI推理框架或工具乃至一整套的云边端AutoML平台。

以数据存储环节的数据库为例，由于工业物联网场景下的工业数据规模巨大，例如GoldWind每个风机部署有120-510个传感器，数据采集频率最高会达到50HZ，2万台风机每秒就会有5亿个时序数据，这些海量数据的存储和实时计算就会对数据库提出更高要求[3]。

在实际访谈和调研中发现，工业数据的收集、协议的转换确实是一个令人头疼的问题，因为采集的物理量会有很多，工业协议又有很多种，业界也有在探索应用OPC UA over TSN等技术解决这类问题。但更重要的问题是采集哪些数据更有用，以及数据收集后怎么把数据用起来。这里面还是要以工艺优化、生产决策优化为导向，不能为了采集而采集，为了上数据平台而上数据平台。

数字化、网络化和智能化是相互支撑的，不实现智能化变革，数字化转型也会失去方向和价值支撑。仅以生产过程为例，生产过程中自动化设备产生的生产数据沉淀下来，网络化就是指通过网络技术将数据传输至数据平台或现场控制系统中，更重要的是对数据进行分析处理，实时决策控制装备和工艺过程，实现智能化生产。

实现智能制造应当聚焦装备和工艺

智能制造涉及装备、生产工艺、生产决策、产品全生命周期管理、研发设计等方面，这些方面始终围绕的核心是质量。

质量是制造业企业的生命线，而质量依赖于可靠的装备和先进的工艺。装备承载工艺，工艺引导装备，两者不可分割并且会相互促进。因此智能制造的重点首先是要深入工艺生产环节，落在装备智能化和生产智能化上。装备和生产工艺智能化特别需要企业将新一代信息技术与先进制造技术融合，但不是一味强调AI一类的新技术。认为有了新技术可以解决一切问题或者弯道超车的观点是有失偏颇的，实现装备和工艺智能化需要立足制造规律和工业基础。

装备方面，机床是最为重要的机械装备，主要分为切削加工和成形机床两大类。其中切削加工机床的智能化主要在以下方面：通过实时采集振动、主轴温度、切削力具备感知力，进而可以针对外界环境和机床及刀具本身状态的变化进行自适应决策，即动态实时优化控制进给深度、进给速度和切削速度以及温度误差补偿等，同时防止刀具过度磨损。但是机床的加工工艺目前仍然需要工艺规划人员人工设置，尚未实现自主规划和自适应的优化，无法高效应对多品种小批量的柔性生产需求[4]。

再以金属塑性加工中的锻压装备为例，目前锻压装备正在数控技术基础上向智能化迈进，通过分散多动力、伺服电动机直接驱动和集成一体化等技术途径满足智能化锻压设备生产过程高效、柔性、高精度的要求[5]。

在新兴的增材制造领域，国外公司Markforged通过嵌入AI算法驱动的软件并结合IoT传感器提升装备的智能化程度。其增材制造装备可以自适应地打印零部件，实时进行公差补偿和路径优化。而且每一台3D打印机的打印流程数据都会沉淀在云端平台，于是整个增材制造系统将通过这种联合学习实现自我优化，用户也将得到更精确的制造流程。对于增材制造这种成型同时成性的制造方式，软件提供的智能化价值更加重要。

在工业机器人智能化方面，自适应编程轨迹规划的需求日益增长，学术界和业界都在进行探索。业界如摩马智能自主研发认知智能算法训练平台，将基于AI的自适应轨迹规划算法下发到边缘端，使得机器人可以根据不同产品的生产工艺及周围环境的变化，实时做出动作决策。如此，工业机械臂的部署时间可以缩短到十几小时甚至是几个小时。对企业来说，节省换线部署成本和人工调试成本是具有很高价值的[6]。

工艺方面，目前主要通过机理模型和数据驱动模型两种建模方式来实现智能化。又因为实际工业场景中的诸多工艺过程大多具有非线性、时变性及复杂多尺度的特点，有的场景甚至无法建立完整的机理模型或者建立难度非常大，所以通常会将机理模型和以AI技术为基础的数据驱动模型融合起来，实现工艺过程的自主学习迭代和智能决策控制。

流程行业中张梦轩等总结了将化工过程的第一性原理及过程数据和AI算法相结合的混合建模方法。混合模型可以综合机理模型和数据驱动模型各自的优点，应用在化工过程中的监测、优化、预测和软测量方面[7]。

离散行业中的塑性加工的锻造成形过程也是一个复杂的非线性时变过程，加上实际场景中还可能存在油液泄漏等众多不确定的干扰因素，所以精准锻造过程控制难度很高。单纯依靠机理模型的控制策略存在偏差。将基于物理动力学的机理模型和具有在线样本学习能力的数据驱动模型结合起来，可以在锻造过程中对锻造工艺参数进行实时调整与补偿，实现锻造过程的智能化控制[8]。

再比如工业中应用场景最为广泛的工艺：焊接。还是动力电池组的电阻点焊，大多依赖人工焊接[9]。正式焊接前通常需要进行大量尝试各种焊接参数组合，才能得到制造需求的最优参数，这种“试错法”耗时长、材料消耗大。

星云电子的徐海威等研究发现利用贝叶斯极限梯度提升机(Bayes-XGBoost)与粒子群优化(PSO)算法结合预测最优参数，可以帮助电阻点焊工程师面对新的动力电池组生产需求时快速选取合适工艺参数，提升人工焊接生产效率，避免耗费大量材料[10]。

其次，无论是人工焊接还是机器人焊接，其焊接过程仍属于开环控制。即使是高度自动化焊接机器人产线，其焊接过程和质量都不是完全可控，单机的误差累计和多机之间的相互影响都会影响焊接质量，而焊接质量直接决定了产品安全性能。比如一台汽车白车身的焊点数量在4000~7000个，为了保障焊点质量，国内外车企都会在自动化焊接后进行人工抽样检测，再根据抽检结果进行焊接工艺参数的离线调整。但这种事后抽检无法做到100%质量保障，一旦出现问题就会批次召回，损失很大。这就迫切需要针对工艺过程环节的在线控制和实时质量评价技术[11]。

对于人工焊接，工艺智能分析技术可以将IoT层面收集的实时信息和分析结果通过MES下发到现场，帮助企业实现生产加工缺陷实时智能诊断。

对于焊接机器人，可以采用基于焊工智能技术的方法提升焊接机器人智能化水平，思路是使机器人具备类似人类焊工的学习动态焊接问题的能力，主要通过视觉、体觉和思维上在线感知实时焊接状态，并具备类似焊接工人对焊接场景形成记忆的学习能力。在焊接过程中，机器人主要基于熔池动态捕捉和识别算法实现对熔池的动态监测，并通过调整焊接速度和焊接电流两个工艺参数对熔池进行实时控制，最终得到受控的连续均匀焊缝[12]。该方法属于一种基于质量在线评价的工艺实时闭环控制技术。

应用这类智能化焊接技术可以有效解决焊接机器人的自适应决策控制难题，不仅可以帮助企业实现加工过程的精确控制，获得最佳的材料组织性能与成型质量，还可以帮助企业节省下来日常调试和换线部署机器人的时间成本和高昂的人工成本。

上述参数寻优、质量在线评价及实时控制技术在业界也已经开始了相关产业实践，比如蕴硕物联和大熊星座，大熊星座更侧重视觉技术上的焊缝识别。

从以上例子可以看出，就工艺智能化而言，其控制目标是生产条件达到最优，产成品良率得到提升，减少交付时的残次品数量。我们会很自然地发现，相较于在质检环节单点式地运用检测技术，工艺智能可以从源头上解决质量问题，因为前者只是一种事后检验评价。

诚然，厂商需要对缺陷等产品残次情况进行检测，目前AI技术在工业中的应用也主要集中于视觉检测，但厂商更需要形成对残次原因追根溯源和精细化工艺参数反馈控制的能力。由此，单纯的机器视觉、设备制造乃至工业软件等公司都可以从自身产品出发逐步扩展，实现更大范围内的智能优化。

这方面举一些半导体行业中将工艺制程优化和视觉检测结合的案例，例如应用材料公司将机器学习算法融入ADC（自动缺陷分类）技术中，其Purity II ADC技术拓展了应用材料SEMVision G7系统的机器学习能力。基于ML算法进行实时自动分类、缺陷检测和根本原因分析，可以促进半导体制造企业工艺和良率管理水平的提升[13]。

国内的初创公司哥瑞利、昆山润石科技等也在进行类似工作，将工艺制程管理的FDC（自动失效分类系统）和ADC系统结合起来，使用AI算法并融合IoT设备采集的过程数据，共同形成了一个可实现负反馈调节的制程优化控制系统，帮助企业快速定位缺陷产生原因、优化工艺，进而可以缩短产线调试周期和提升良率。

上述列举了装备和工艺智能化方面的典型案例，这些案例都是从制造业最关心的质量问题出发，以实现生产过程的实时自适应决策控制为目标。这些智能化技术将以软件形态交付给设备使用企业甚至是设备制造商。持续沉淀积累的工艺数据将不断加强这类工艺智能软件的技术壁垒。对于装备制造业企业来讲，需要从单纯提供硬件产品转变到同时交付软件和硬件产品，提高客户粘性，加强自身技术壁垒。

制造工艺和设计仿真协同促进正向设计

上一节阐述了应用装备和工艺的智能化技术实现精准过程控制，进而保证产品质量和良率。但是产品良率提升并不是从生产环节的设备控制和工艺优化开始的，而是在设计仿真环节就可以开始介入，特别是在正向设计开发新产品新工艺的阶段。

例如在锂电池制造过程中，涂布、干燥、辊压、pack这些工艺中的参数变化以及工艺间的相互作用会怎样影响最终电池性能（能量密度和循环次数）。现在业界主要还是使用“试错法”来对工艺进行验证，但是效率较低、耗费成本较高。这就需要利用设计仿真软件平台进行虚拟测试验证，节省下真实世界中物理测试的成本。

Alejandro A. Franco主导建设了一个名为“ARTISTIC”的项目，该项目受到欧盟地平线2020科研计划的资助。该项目团队建立了一个模拟锂离子电池制造过程并预测其电化学性能的计算平台。该技术平台通过离散元法和粗粒化分子动力学（coarse grained molecular dynamics）模型基于工艺参数预测电极介观结构，再基于连续介质模型利用介观结构数据预测电池宏观上的电化学性能表现。可以看出该项目在尝试建立一个材料-工艺-（极片）结构-性能的多尺度仿真平台[14]。此外，该项目综合利用DoE试验设计（Design of Experiement）、物理模型和机器学习算法的混合建模方法，来预测材料、电极制造和电池性能之间的最佳组合。即将DoE试验和物理模型得到的结果，经过一个数据驱动的随机电极介观结构生成器扩大样本，再将这些样本用于训练机器学习算法，以求得到制造工艺参数与电极性能之间的关系[15]。这意味着该平台甚至可以用来基于目标需求进行反向规划，例如给定一个电池目标性能和材料，确定合适的制造工艺参数，比如干燥环节中的温度控制[16]。

锂电池设计仿真与制造工艺协同方面，国内业界在探索类似实践的有易来科得和海仿科技等。

其实不只是电池行业，许多行业的正向设计环节也需要通过制造工艺-设计仿真协同来提升研发效率，以更快速度、更低成本实现技术创新和产品创新。

在半导体行业，随着芯片技术节点进一步变小、设计和工艺复杂性进一步提高，开发新技术节点工艺的成本激增、周期拉长。晶圆厂为加快工艺节点的开发速度，需要与半导体设计企业更紧密地协同开发迭代，集成电路设计企业也需要更早地介入到工艺开发阶段中，使得器件设计和工艺开发能够进行针对性的优化从而满足自身定制化需求。

于是设计-工艺协同优化（DTCO）的理念方法就在14nm技术节点以后逐渐发展起来，其主要作用就是在合理优化和利用新工艺技术节点工艺能力的基础上，同时优化系统PPAC（ 性 能 performance, 功 耗power, 密度 area，成本cost）[17]。

DTCO对于新工艺开发及良率优化非常重要。从DTCO的角度看，良率优化贯穿设计到制造的全过程，需要多环节协同迭代。例如在版图设计环节上，如何有效识别坏点图形，并且据此优化对基于同一工艺的其他芯片设计方案，可以提升后续设计和制造的良率。

除了设计和制造环节之间的协同外，材料因素也非常重要。应用材料公司在DTCO的基础上提出要实现materials to device simulation，原因在于器件尺寸不断缩小、更多复杂3D几何形状被采用以及新材料的引入，半导体器件仿真变得越来越复杂。这就需要采用新的多物理场多尺度仿真工具，将器件性能与材料特性联系起来，系统研究材料、几何形状以及工艺的变化将如何影响器件的电学性能，以此优化器件设计[18]。

materials to device simulation和DTCO在应用材料手中开始呈现融合的趋势，应用材料公司在2021年发表的一篇论文中提出了Materials to Systems Co-Optimization，希望实现从材料到系统的多尺度协同优化[19]。可以发现这个思路就和上述我们提到的锂电池“ARTISTIC”项目的非常类似，都是希望将设计仿真从微观尺度的材料一路扩展到宏观尺度的终端产品，并以此确定最佳工艺路线和参数（覆盖前道、中道及后道中多个工艺环节）。

对于我国半导体企业来说，DTCO预计可能成为优化成熟技术节点下的产品竞争力、降低先进工艺开发成本并缩短工艺开发周期的优选方案，可以帮助中国Fab/IDM加快先进工艺开发，缩短TTM（time to market）, 提升相同技术节点下芯片制造良率和可靠性，从而提升核心竞争力。DTCO也将帮助EDA企业沿着产业链拓展用户群，类似的逻辑在刚才提到的锂电池行业也存在。

从锂电池和半导体这两个行业的前沿案例可以看出，制造工艺与产品设计仿真的协同趋势日益凸显，而制造业的核心竞争力最终会归结到如何更加快速地找到匹配材料的最佳制造方法，以及材料方面的开发。因此，我国工业设计仿真软件需要在实现自主可控的基础上，进一步实现制造工艺-设计仿真协同优化。

在协同优化中，设计仿真也可以应用于装备优化，以此实现更佳的工艺效果。例如北方华创在PVD设备研发方面掌握使用了自主研发的腔室设计与仿真模拟技术，其硅外延设备在感应加热高温控制技术、气流场、温度场模拟仿真技术等方面取得突破，可实现更优异的外延工艺效果。

再比如锂电设备头部企业先导智能组建了40人的博士仿真设计团队集中攻关叠片工艺中的粉尘问题。为什么要解决粉尘问题？因为叠片时产生的细微粉尘堆积在电池芯的表面会影响电池芯质量以及组装后的电池性能。该团队通过多物理场仿真模拟对叠片机进行优化设计，保证装备达到车规级电池制造要求，实现更好品控[20]。

综合上述两节内容，我们的视角从装备工艺环节拓展到了设计仿真环节，可以看出装备、工艺、材料和产品之间是紧密联系的。装备工艺的嵌入式软件使装备可以应对不断变化的材料工艺，在柔性生产情况下形成最优参数组合，获得高质量产品。研发设计平台也需要协同制造工艺仿真来优化新产品的开发，降低正向设计耗费成本，提升研发效率和产品良率。

网络化支撑企业设计仿真、生产制造及服务全流程协同

上一节谈到设计仿真，当前企业对于实现高效协同设计仿真的需求越来越迫切。协同设计仿真需要统一的数据接口以及应用云计算、HPC等技术。以汽车行业举例，产品设计的数据可能会在车企内部的不同部门间流转，也可能会和外部供应商进行数据交互，但是不同部门使用的软件平台不同导致数据交互阻碍很大，具体比如电气控制、机械、材料、工艺和智能驾驶等各方面的建模各成一个系统，各系统间也缺乏统一的协同交互。

为了解决协同仿真的难题，目前业界开发了仿真模型交互接口FMI（Functional Mockup Interface），可适用于不同仿真软件之间的模型交换，并可将模型封装为FMU（Functional Mockup Unit）用以协同仿真。

此外，如果涉及一个大型项目研发，不同部门会希望能够实现同时在线设计仿真，而这就需要云计算和HPC（High performance computing）技术的支持。例如在CAD领域，当前设计方式已经逐渐由单人离线设计向多人在线协同设计转变。华天软件研发了基于云架构的CrownCAD。CrownCAD包含其自主研发的三维几何建模引擎DGM、2D以及3D约束求解引擎DCS，具有高效的参数化应用层机制，这种基于云存储、云计算、云渲染技术的CAD可以支持超大规模的协同设计[21]。

其实不光是设计仿真环节需要网络化协同，制造业企业还需要将研发设计、生产制造及服务各个环节的数据和信息模型都打通，以此提升自身经营效率。

由此，我们讨论的范围就从前两节的生产和设计仿真环节，进一步拓展到产品的运营服务环节。

目前业界尝试通过搭建工业物联网平台（Industrial IoT Platform）或者说工业PaaS平台来实现全流程协同管理。即制造业企业基于IIOT平台实现研发设计、生产制造及服务全流程的提升和产品的全生命周期管理。

从这一点上来说，工业物联网平台或者说工业PaaS平台是要搭建一个多方协作的桥梁。例如位于Gartner IIOT魔力象限中位于头部位置的PTC ThingWorx，就是一个具备设备互联、数据存储（集成第三方时序数据库）、数字建模、智能分析、应用开发及增强现实的整体IIOT解决方案。

PTC在ThingWorx的基础上，结合自身CAD/PLM/AR等产品线，将制造业研发、制造及服务的业务线整体联系起来，帮助制造业企业客户实现内外部协作和产品的全生命周期管理。

以PTC客户德国的e.Go汽车制造商的情况为例：在研发设计阶段，供应商和制造商可以在同一个CAD和PLM系统中基于统一的产品数据进行协作，提高交付效率。制造过程中，操作员可以借助平板电脑上的AR 应用程序来识别他们正在查看的产品的配置，并可实时调用质量检查的标准以便对照。另外在产品售后服务环节中，企业通过物理VIN编码追踪汽车各个零部件；持续更新的部件数字孪生模型将反映发动机、传动系统等部件的后续变化，企业以此为汽车提供预测性维护服务，保障产品寿命，并将实际运行数据反馈给设计端。

综合来看，制造业企业实现内部高效协同的挑战有很多，比如硬件设备种类多，没有统一的数据接口，各环节不连贯。这也就是为什么提出推进两化融合，这也就是为什么工业4.0的一个终极目标就是让软件定义制造。试想一下，如果所有的制造单元都可以通过软件柔性拼接（中间由AMR连接工序），所有子系统内的设计仿真模型都可以相互交互，整个工厂具备了强大的互操作性，运营效率就将得到极大提升，制造业企业将不再这么笨重。当然实现这个图景绝非朝夕之间就能达成，需要长久的努力。

数字化支撑制造业提升管理水平&企业生产决策智能化

以上阐述的主要是侧重技术方面的创新应用，但是对于企业来说技术和管理不可偏废。现在很多制造业企业的日常管理方式还很粗糙，例如在纺织业中，印染厂的订单下放、报工、坯布入库、领料、成品出库主要通过人员手工填报完成，实时性差且受人为因素影响大。管理者如果想了解一个订单的情况可能得花上几个小时才能准确得知全貌，车间管理者处理生产异常事件效率较低。这些又不是MES系统所能完全解决的。

对于任何一个制造业企业，管理水平的提升是非常重要的，比如如何对知识进行有效的管理、如何转变日常生产活动的管理方式和手段等等。数字化技术对管理的支撑作用不可忽视，目前出现一批初创公司开始帮助制造业企业进行移动端的数字化改造，通过交付生产管理SaaS软件提高企业工厂管理水平，可以提高企业车间管理的协同效率，如专注纺织业的数制科技，还有服务离散制造行业的羚数智能等。

企业日常管理中最重要的部分是生产决策，决策覆盖的层次会从装备、产线一直到车间、企业乃至整条上下游供应链。帮助企业实现生产决策智能化是智能制造的一个重要方面。目前在企业层次的生产决策方面，大部分企业主要通过高级排产人员依靠自身经验和业务规则进行排产，工具上还在使用Excel，算法方面仍以启发式规则算法或遗传算法等算法为主。但是，单纯依赖高级排产人员的经验很难实现决策的精准性和合理性，特别是在柔性生产的场景中。这就需要基于运筹学和AI算法的APS系统来帮助企业进行排产决策。

企业生产过程中，有效加工时间其实占比很少，90-95%的时间其实都是在等待物料运输、上下料和定位等中间环节上消耗掉了。部署AGV/AMR可以帮助企业实现生产搬运和仓储管理的自动化，提升厂内物流的自动化程度，进而可以使生产线上各设备之间的运作更为协同高效，提升企业OEE。在实际实施过程中，AMR的实时调度算法非常重要，而且AMR的实时调度也要和APS系统对企业整体生产调度结合起来，确保决策计划层和执行层之间数据互通。

值得注意的是，无论是APS还是AMR，都需要注重提炼与企业生产工艺密切相关的调度规则和产能平衡设计，将企业制造资源和工艺流程完全融合，如此才可能满足客户对生产过程中产能和效率的需求。

生产决策也可以从一家企业延伸至一条产业链的上下游，在上下游企业之间实现协同制造。例如浙江省正在对30个细分行业推行的产业大脑，通过产业链的整体数据辅助企业动态决策，可见政府也在这方面进行有益的尝试。还有比如深圳的云工厂、上海的捷配科技等在尝试打造分布式制造系统，分布式制造系统在竞争格局分散的行业环节中具有市场价值，如纺织、机加工和SMT等行业。中小型企业由于具有产能利用率不高、外协程度高、信息不对称，通过制造平台公司可以实现集中订单和供应链采购，整合产能共享协同，提升整体行业交付效率。国外的Protolabs可以算是这个领域的一个标杆。

智能制造领域的人才和初创企业

人才对于任何一个行业都是非常重要的。这里需要强调的是制造过程本身积累的知识需要通过人才沉淀下来服务于设备设计、工艺优化，逐步凝结成新一代的硬件设备和工业软件。因此在装备智能化、生产过程智能化乃至设计仿真与工艺协同的发展过程中，设备工程师和工艺工程师的作用不可忽视。未来也需要越来越多懂工业技术的软件工程师参与工业数字化、智能化的历史进程中来，工程师的工作内容也将更多放在工业知识沉淀和数据分析研判方面。

从供给端来看，国内经验丰富的技术工人数量较少、培训周期长，且部分领域呈现青黄不接的趋势，逐渐成为稀缺资源。例如高级焊接工人，高级排产人员，高级工艺工程师（例如半导体刻蚀环节），以及机器人部署调试工程师等等。而这些高级技术人才面对的生产场景普遍具有多品种、小批量的特点，这一特点也在不断加强。这也意味着如何沉淀积累出可以媲美高端技术人才经验能力的数据驱动-机理融合模型，并将其封装成算法软件，是非常有价值的。

另外初创公司也为制造业创新发展带来了活力和人才。在近几年的发展中，智能制造领域的初创企业数量不断增多，特别是涌现出更多聚焦生产和设计环节、聚焦某一细分领域的初创企业。工业领域门类很多，每一个子门类下面又会有很多细分领域和环节，这种行业特点使得初创公司需要集中一点做出技术创新上的突破，即所谓专精特新。如果一直做跨行业的项目而无法沉淀出一个标准化的产品，这么走下去团队只能是一个不断接项目的技术服务商，没有自己的核心根据地。

聚焦一个行业，行业内某个环节上企业的需求特点大致类似，这就为初创企业技术沉淀和规模化创造了条件。依托核心产品技术平台进行新产品开发，开发过程中形成的新技术也会反哺平台，新产品也可能进一步衍生出新的产品技术平台。平台与产品相互促进，可以实现从单点突破到多环节覆盖。硬件装备制造商如此，软件服务商也是如此。之后会再写文章分析这一点。

对于智能制造领域的初创公司来讲，形成自身议价能力和技术壁垒主要还是靠做深入生产和设计环节的工艺优化和产品优化，因为客户只有看到初创公司用技术和产品给他们明显改善提升了他们的生产和设计过程，客户才会有较高的付费意愿。设计仿真的重要性不言而喻。聚焦工艺优化在企业后续发展上也有规模化的潜力，因为一种工艺是可以用在多种工业场景和环节中的，初创企业可以将工艺智能化技术进行跨行业的复用，无论是在产品标准化和横向拓展上都会有一定的优势。当然光是焊接技术就有很多细分种类，企业也需要有选择地进行技术研发和市场拓展。

无论是设计仿真还是工艺智能，初创公司都需要明确技术对应的是一个存量市场还是一个增量新兴市场，选择什么样的市场以及选择什么样的客户群，会深刻影响企业的发展路径和速度。好的客户会对产品技术提出更高的要求，会加速公司产品技术研发上的良性循环。这里客户的优质与否不完全取决于客户规模的大小。

中国制造业的信息化、自动化和智能化程度在各行业之间分布并不均匀，如果初创企业选择一个较为传统的行业如纺织业，可以先通过轻量级的生产管理系统实现数字化改造，帮助中小纺织企业管理者看到数字化管理带来的效益，再深入到印染工艺环节和排产决策中去，之后去帮助企业逐步实现上下游间的协同。

因此对于数字化和自动化程度不高的行业和企业，解决数字化是第一步，接下来需要创业团队解决智能化的问题。初创公司能否满足企业智能化阶段的需求，这就要考虑团队的算法技术能力和对工业机理的理解深度。故而智能制造领域的创业团队既需要有掌握新一代信息技术和先进制造技术的新生力量，也需要有懂工业场景需求、目标领域工业机理的老法师。

综合以上对于智能制造各方面的讨论，本文着重强调智能制造需要聚焦本源，即装备和工艺，并将设计仿真和制造工艺协同起来，以满足企业降低生产研发成本、提高生产研发效率、提升产品良率的核心诉求。

随着我国制造业向中高端迈进，正向设计日益重要，创新的源泉将着眼于材料、工艺（包含物理和化学的）以及两者之间的匹配优化。企业设计仿真、生产制造及服务各环节内部和之间的互操作性和协同性对提升企业竞争力也非常重要，这些需要新的网络技术支撑。此外，企业还要通过数字化、智能化技术提升管理决策水平和精准性。

至此，本文分析了装备工艺、正向设计仿真及生产决策这三个智能制造的重要支柱。最后我们再从企业经营和产业发展的角度分析一下智能制造的价值。

从企业经营角度看智能制造的价值，ROE=销售净利率×总资产周转率×权益乘数

实现柔性生产，缩短产能爬坡和中间换线周期等可以提高总资产周转率，进而提高ROE。实现实时参数控制决策，优化工艺以降低生产成本，即提升净利率。降低对高级技术人员的依赖及其人工成本也有助于企业提高净利率。

从产业角度看，制造业一方面需要自动化智能化装备和工艺智能技术实现规模效应和柔性制造，不断降低制造成本、提高交付效率，特别是在产能扩张周期，这一点在锂电设备和锂电池行业近两年的发展中表现尤为明显。另一方面产业发展不可能一直停留在追求生产规模效应的阶段，还需要通过设计仿真技术进行正向设计，以持续实现产品创新、装备创新和工艺创新。值得注意的是，制造和设计两方面不是割裂的，是可以协同优化、相互促进的。从这一点上看，中国庞大的制造规模如果加上先进的设计仿真技术，将会是如虎添翼。

最后需要强调的是，技术的经济性和易用性永远是决定技术能否大规模应用的重要因素。比如支撑算法优化的硬件资源价格、算法迭代升级的成本，还有企业能否直接获得一个包含AutoML平台在内的产品方便日后自己训练模型，软件是否支持低代码开发？这些因素都可能影响企业是否选择新方案。还有在工业软件部署方面，部署周期如果很长或者拓展性差导致后期维护成本很高，这些都会阻碍企业选择上一个新的软件系统。所以也就出现了基于微服务架构的新型MES软件服务商，例如数益工联等。

智能制造对我国从制造大国迈向制造强国甚至创造强国具有重要作用。实现智能制造还有很多挑战，中国还需要突破诸多关键核心技术和装备，例如设计仿真、基于机理和数据驱动的混合建模、生产智能决策、协同优化等技术和五轴机床、大规模集成电路制造装备、智能焊接机器人等高端装备。本文提到的DTCO、锂电池模拟平台、机器人自适应实时决策等也都存在诸多技术挑战，比如DTCO中器件电学模型（spice model）的提取，这些需要无数市场主体去投入研发加快新技术的产业化。

“科技创新对中国来说不仅是发展问题，更是生存问题[22]。”制造业是关键核心技术的策源地，也是核心技术应用的试验田。无论是中小企业，还是大型企业，都必须实现技术创新驱动的高质量发展。

从产业整体发展阶段来看，我国已经从来料加工组装、模仿创新逐渐向自主创新迈进。过去我国制造业主要通过加工和仿制产品向海外企业学习追赶，而模仿先进成熟的工艺和产品自然没有正向设计的需求，自然也就没有投入更多精力资源在正向设计方面。所以这一点上可以看出过去的发展特点导致了当前工业“五基”薄弱，特别是工业基础软件方面。但我们不可能停留在模仿创新阶段，主观上没有这个意愿，客观实际上也不允许，因为产业发展如逆水行舟不进则退。

技术的突破需要企业选择自主开发产品，而不是依附在某一海外品牌的供应链或者技术体系内。这一点在高铁和汽车行业上体现得极为明显。当企业以自主研发理念创新、性能先进的商业产品为目标时，企业将产生更强的创新动力和学习能力[23,24]。

企业在自主开发产品中突破技术瓶颈、掌握正向设计能力。这一点也已经在或将在新能源汽车、锂电池及设备、半导体等行业中显现。如果这一产品尚未出现或成形，同时又是先进生产力的方向，那么意味着将创造一个新兴产业，一如上世纪诞生的大飞机、汽车、半导体以及互联网。希望中国未来可以成为这类科技创新的发源地，同时注重打造出面向大众的品牌产品及产业链，实现C端品牌带动B端制造产业链[25]。

通过研发应用数字化、智能化和先进制造技术，中国制造业企业将有能力进一步实现工艺流程和产品升级，逐步从价值链的低附加值位置跃迁到高附加值位置，掌握新兴产业的产业链话语权，不断占据利润率更高、技术含金量更高的价值链，最终实现全球价值链框架内的产业升级[26]。微观上企业的技术、产品和品牌每进步一分，我国制造业的贸易利益获取能力就有可能增强一分，就将在宏观上提升我国在全球价值链和收入链上的位置。

实现智能制造道阻且长，十四五智能制造规划中提出了到2035年，重点行业骨干企业基本实现智能化。这意味着智能制造是一项长期的系统工程。相信在未来十几年的发展中，中国一定会涌现出越来越多创新驱动的智能制造企业！由于笔者时间、视野、认知有限，本文难免出现错误、疏漏等问题，期待各位读者朋友、业界专家指正交流。