数据应该来自制造业回到制造业

对于工业互联网来说，数据是不可或缺的生产资料。但是仅仅有数据收集，并不能提高制造业的效能，必须应用于生产实践。也就是说，数据应该从制造业中来，也应该回到制造业中去！

工业互联网与智能制造

“工业互联网”是做IT的人的叫法，而在做制造的人那里，则叫做“智能制造”。中国制造正在推进六大工程，其中最火热的就是智能制造，最冷清的是强基工程，最困难的是创新工程，另外还包括高端装备、绿色制造和后来加进来的品牌工程。目前来看，不仅在中国智能制造非常炙热，而且在全球范围也大致如此。

一般主要從两个方面来思考智能制造：

一是智能制造的内涵。智能制造包括五个方面：网络制造、智能技术、3D打印、机器人技术以及智能装备。二是从产品的层面来考察，被人们关注最多的是机器换人，但这只是智能制造的一部分，也就是通常所说的生产过程智能化。产品要走向高端，当然离不开产品的智能化，但不能缺少产品全生命周期使用过程的智能化。

过去十年，中国社会财富增长最快的是在IT行业，科技投入最大的也是IT，现在A、B、C、D、I都成为了热门的概念，AI、BlockChain、Cloud、Data，还有IoT。GDP的40%来自制造业，而40%的一半是流程工业，另一半是离散工业。以浙江大学为例，流程工业比较多的是控制学院，我们团队的工作主要聚焦于离散工业。无论是流程工业，还是离散工业，都在聚焦产业升级和产品升级。

二是互联网已把全球的消费者联结在一起，互联网倒逼服务升级。互联网经济、数字经济都重视用户体验，这就意味着倒逼服务升级。同时，服务升级又在倒逼制造升级，所以整个供应链存在需要进行智能化的问题。

技术上所说的IT业的AI、大数据、云计算、物联网等，实际上就是要如何转化为企业侧。企业的焦点包括成本、质量、效率，还要形成新方案、新生态，居中连接的就是工业互联网。工业互联网也就是IT业所说的互联网下半场，它最重要的战场仍在工业领域。

工业互联网架构

工业互联网的数据市场从全球来看，主要是三大市场，领先的是美国、欧洲的德国，和亚太的中国。目前看，所有表面的预测都落后于实际，因为增长的速度非常快。

具体来看，工业互联网数据市场最大的一块是设备管理。产品的售后服务占38%，生产过程中的管控，包括监控、能耗、质量管理，整个生产过程的优化占28%，企业的运营管理占18%，资源配置大约占13%。但通常所说的产品设计和工艺管理，事实上很大部分是商业秘密，不包括在数据市场中。

目前要做的就是数据建模、数据分析，就是设备的健康管理、产品的售后服务、生产的管理优化、能耗与质量管理，还有客户关系管理，财务、生产过程监控与安全管理;再下来就是全流程的数据能力、金融服务，真正的仿真设计与工艺只有3%。

所以，如何打造工业互联网的架构，需要多方面的人才。例如，阿里云下的工业云，有做IT算法和工业的部门，但真正打通制造业实际应用，就离不开精通制造工业知识的工程师，并且是不可颠覆和替代的。需要这些人一起打造一个系统。如何做工业数据的开发与管理，还有工业数据的智能应用开发以及工业流程内部各个工位之间复杂的关系，如何把它放到平台上，然后用IoT和5G把它连起来，再推到各个行业，是值得讨论的问题。总的来说，工业行业有49个，小的行业有400多个，每个行业的龙头企业需求、专精企业的需求和中小企业的需求完全不一样，这就需要做很多事情，解决很多问题。

从数据管理的角度来看，它需要把整个产业链从供应商和物流把人、财、物全部管理起来，包括用户体验、运行也需要管理。具体到企业内部就是物料、工装、人员、设备、供应、订单、供应商的管理。而平台一旦建立起来，就是大数据的多元融合，计算的应用、可视以及业务的智能，需要整合各种数据，最主要的目的是产品质量溯源，现在要高端产品质量的溯源，装配工艺建模方面的分析和资源的排查，以及整个物流系统如何优化。

再往下走，就要让企业的各种人员和外部协作方能够运用起来，必须开发匹配的算法与组件，形式上要使各种业务人员，包括一线操作人员易于应用。企业内部积累了很多数据，数据也是资产，但利用好才有效益。从我们的调查结果来看，真正能商业化的数据不到4%，怎么统一规范，让它易用，工业机理如何沉淀下来变成知识，不是人盯着数据，而是让机器盯着数据，赋予机器智能。因此，做流程、做看板应是一个途径。

典型案例

下面是几个案例：

案例一：质量管理

浙江春风动力公司是摩托车生产的后起之秀。摩托车生产属于传统制造，这家企业有竞争力，生产国宾车队所使用的摩托车。国宾车队的摩托与传统摩托车辆相比，有100多项评比要求高、质量好，而且政府采购又有价格限制要求，企业还不能亏损。工信部审核认定，春风动力为自动化生产标杆企业，大大减少了一线操作工的数量。原来车间内30台各种型号、不同年份、不同国家的机床，至少每台机床都要配一个操作工。建成数据指挥中心后，生产过程基本靠看板操作，30台机床只需要4～5个操作工，这里面就产生了效益。

产品竞争力提升，小批量产品也随之得以成本优化，所生产的摩托车、沙滩车，开始有了出口效益。二期的智能化就顺理成章了，企业走上了良性发展的道路。摩托车行业的核心是发动机，生产发动机最头疼的还是装配线。如果简单改造一下装配线，也能做到降低成本，以及快速响应，但如果不彻底改造工位，会导致后期改造升级的成本巨大，更关键的是影响品牌的美誉度。那么，如何把装配轨迹跟踪和轨迹标注变成数据，通过数据及时报警、预警，马上改正，可以实时完成，就要对每一个工位进行智能升级包括算法更新。

案例二：溴冷机智能远程运维

空调产品有两个核心，一个是电机，一个是制冷。传统的做法是做个阈值，一旦超过阈值，它就报警。实际上，真的超过阈值的时候，就意味着已出现故障。根据历史的数据建模型，提前预警，就需要把数据打通、硬件打通，把传输打通，把数据放到云端去建模。它可以把历史的数据放进去，收集专家数据，数据足够大的时候，就可以让机器学习，根据历史数据分布情况进行预测。2018年8月，专家判断27日有问题，数据报警预计是27日11点，大概相差3个小时，但发生故障却在2天之后。这样，就有一天多的时间提前维修，很容易就排除了故障。只此一项，设备故障率就降低了30%，这就是机器提前预测故障，提前预警。

案例三：盾构机掘进辅助驾驶

2007年，我们做了第一台样机，等了1年才用起来，到现在已经占领了很大的市场。这项技术已经和国外并跑，但还没有形成引领，现在中国盾构掘进机占了全球用量的55%～60%，出口到21个国家。目前，很多隧道施工都有问题，从2米到16米的隧道，真正施工的只有12个人，有6个做管片拼装，还有1个司机的关键岗，但司机培训不够。地面支持经常是半夜出现问题，该出的问题都出了。如何智能改造，我们和两家央企龙头，同世界龙头企业一起解决这个问题。

以设备分类以及掘进岩石分类为例，以前靠岩土力学来分，现在是根据图像对岩土进行分类。分类的关键是控制岩土分类的大小，下来石块的大小，太大了会损坏传输系统的皮带，太小则使得主要的能量就都用于碎石了。煤矿业也面临着同样的问题。下面采矿，皮带机出来的也是不均匀的煤块，以前是靠工人拿根棍子，大了就把它捅下来。现在，可以通过图像、数据和工具筛选出来。这样做的结果，就大大提高了掘进效率和设备寿命。

案例四：智能汽车涡轮增压器叶轮瑕疵识别

无论是航空发动机，还是汽车发动机，叶轮的质检都是个大问题。原来的各种质量缺陷都是靠质检员巡检，难免出现漏检问题。将所有相关的制造缺陷、产品缺陷建立数据库以后，叶片层有哪些划伤，对相关计算和算法收集起来，进行提炼，就清楚了哪些要召回、哪些要做改进。可以在不影响整条生产线正常生产的情况下，搭建一个检控站，通过机械手对产品进行全方位的检测，把各种划伤、瑕疵通过凸现、模型做训练，精准率可以做到85%，召回率提高，平均度也会提高，而且简单易行。这样，就大幅度降低了对人工的依赖，降低了成本，关键还是质量稳步提高。质检的准确性也可以逐渐迭代提升，目前已经提升到90%。

案例五：生产监控分析

以生产机电产品的萧山兆丰为例，这个浙江省智能制造示范点，最早机器换人时是增加了很多机械手，逐渐降低人工。随着数據量的增加，要整合数据，就需要建设一个工厂大脑，把现有的生产数据、设计数据、用户数据全部打通，运作起来。这个行业最主要的是生产节拍的问题，其中轴承材料磨削占了很多时间，以前都是靠人工来做，实际上它有很多可以改善的地方。只有把实物打开才知道哪些方面可以提高。

这个行业的生产节拍曾经做到20秒就已经是最高水平了，再降低1秒都非常困难。现在用数据来做，提升到15秒，整体上交货期缩短7天，质量提升，能耗降低，劳动生产率可以做到行业最高，人均产值从85万元提升到280万元。自身硬了，开拓市场就有了底气，由原来主做汽车电机，进入到其他市场，开始做航空轴承。智能制造的实践，让这家企业收获了实实在在的利益。

商飞大飞机制造工厂大脑

说到制造不得不说航空工业。商飞一直在做C919的试航，量产以后，会产生大量数据。航空业的数据很多，也在不停地做数据优化，但很难做全局优化，目前都是在局部优化。原有机加车间和部装车间，现在又增加了复合材料车间，在这个新车间有一群人查缺陷。5G加上去，数据处理的速度会更快。

面临的挑战是巨大的。飞机的装配有6000个节点，每个节点设计大约有30道工序。如果一个工序出问题，就会引起连锁反应。必须搞清楚工序之间的关系，原来做计划是工艺员，有几十上百个工艺员，做出很多计划。但执行的准确率很低，做到极限也只有60%。数据打通以后，不到3个月，开始共享，有很明显的提高。把这些关系找出来，把资源的约束、人力、算法打通联系在一起，就可以随时调用数据，可以看到任何应用场景。计划的执行率提高了20%，随着AR件的量产以及C919整装，执行率和准确率还可以大幅度提高。也就是说，和前面做发动机叶片一样，前期要定义好。虽然前期的工作比较慢，但一旦做起来就可以减少很多事情。

5G最大的功能是应用于工业场景。如复合材料有缺陷、有孔隙怎么办？就是扫描拍照，500万像素，一秒钟十几帧，图像数据需要700～800M，大量数据上传，没有5G支撑就实现不了，数据上传就成为问题。如果5G能做到每秒1个G的流量，数据的处理、关键数据上传都不是问题。因为孔隙、位置、面积还是挺复杂的，而且要实现机器智能，让机器扫描缺陷，比人眼有很多优越性。

大飞机的设计和应用、维修、培训数据都非常大，方案实施后，智能制造打通全链条肯定会带来不一样的变化。实施方案的意义就是排程优化，提升装配效率，最终实现智能制造提升。

智能制造四阶段

全局优化就是要发现问题、发现规律。发现问题以后数据沉淀为知识，知识转化为智能，让机器盯着数据的变化。协同制造对产业链来说，是从用户到供应链的管理，个性化的设计需要数据的互联互通，跨界融合。场内、区域网，以后还有行业网，国内外、境内外都需要打通。

所以，从工厂的角度来说，协同制造、采购、物流、产学研人才、内部企业端到公共云，是不是不用云，而用边缘计算，还要企业去做顶层设计。商业数据、工业数据需要打通，需要一个共用平台，把生产计划、订单信息、市场变化都变成数据、变成算法，融合在一起，包括企业内外生产以及能源调度，都要贯穿工业生产的全过程。

企业实施智能制造，工业互联网应有四个阶段。工信部在推“百万企业上云”，浙江在推“十万企业上云”，这只是第一个阶段。第二阶段要做中间件和中台战略，第三阶段是实现数据治理，最后实现全局智能，也就是工厂大脑、协同制造、智能制造，设备制造靠机器智能来完成。

现阶段工业发达国家注重产业布局、人才培养和组织模式，传统的工业部门有话语权和决定权，数据不轻易给人，给了以后也要做得好，所以真的要做企业的顶层设计，需要真正的整体战略。

顶层设计很重要，顶层设计也要快速迭代。现在，中国的工程师红利还没有出现，华为等一批IT算法的企业，如何配合去解决人脑和机器混合脑的问题，就是数字经济倒逼制造再升级。原来是大鱼吃小鱼，之后就是快鱼吃慢鱼。

总体来看，数据不应该取代人，也不是机器取代人，应该是机器智能解放人的智慧，不需要人盯着数据，所以数据应该从制造业中来，也应该回到制造业中去！

（根据杨华勇院士在第三届（2019）浙江国际协同创新峰会上所作的《智能制造的实践》主题报告整理）

工业互联网体系架构是事关发展主动权的制高点和顶层设计，是对重大需求、核心功能、关键要素的明晰和界定，是对工业互联网自上而下进行的前瞻性、系统性、战略性谋划，决定着工业互联网技术路径选择、产业布局方向和全球发展格局。

其核心是要建立工业互联网总体视图，形成工业互联网发展的顶层设计，以指导工业互联网相关技术研发、标准研制、试验验证、系统集成和应用推广等工作。

责任编辑：孟繁科

mengfanke@ccidmedia.com