文：中國工程院院士楊華勇

做制造的人都叫“智能制造”，做IT的人都叫“工業互聯網”，目前中國制造在推進六大工程，最熱的是智能制造，最冷的是強基工程，最藍的是創新工程，當然還包括高端裝備、綠色制造和后來加上的品牌工程。

我們都知道現在中國的智能制造非常熱，在全球也非常熱，主要從兩個方面思考智能制造：一是智能制造的內涵，智能制造包括五個方面，網絡制造、智能技術，3D打印、機器人技術還有智能裝備。二是從產品的層面考慮，現在聊的最多的機器換人只是智能制造的一部分，也就是我們說的生產過程的智能化。產品要走向高端，應該是產品的智能化。還有整個產品的全生命周期使用過程的智能化。

過去十年中國社會財富增長最快的還是IT行業，科技投入最大的也是IT，現在A、B、C、D、I都成為了熱門的詞，AI、BlockChain、Cloud、Data，還有IoT，現在40%的GDP來自制造，40%中一半是流程工業、一半是離散工業。

所以，在浙大，流程工業比較多的是控制學院，是孫院士帶領的團隊，我們主要是做離散工業。我們都在講產業的升級和產品的升級。

我們都知道互聯網把全球的消費者連接在一起，互聯網倒逼服務，在互聯網經濟、數字經濟下都講究用戶體驗，這就倒逼服務升級，服務升級倒逼制造升級，所以整個供應鏈都在講智能化的問題。

技術上說的IT業的AI、大數據、云計算、物聯網等等，實際上要如何轉化為企業側，企業的需求就是成本、質量效率，還有新的方案、新的生態，中間的連接就是工業互聯網，工業互聯網也是IT業所說的互聯網下半場，它最重要的戰場是在工業。

工業互聯網架構

現在總是說工業互聯網，互聯網的數據市場從全球看主要是三大市場，領先的是美國，歐洲是德國。亞太是中國，目前預測都慢于實際，之后增長速度非?？?。

具體來看這個數據市場主要是在這一塊，最大的還是設備管理。產品的售后服務占了38%，還有生產過程中的管控，包括監控、能耗、質量管理，整個生產過程的優化占了28%，企業的運營管理占了28%，運營管理是18%，資源配置13%。

我們說的很多產品設計和工藝管理，事實上大部分是秘密，不在數據市場中。

目前需求很大，需要做的就是數據建模、數據分析，就是設備的健康管理、產品的售后服務、生產的管理優化、能耗與質量管理，還有客戶關系管理、財務、生產過程監控與安全管理。

再下來就是全流程的數據能力、金融服務，真正的仿真設計與工藝只有3%。所以如何打造工業互聯網的架構，事實上需要各種方面的人。

我們都知道阿里云下有個工業云，工業云有做IT算法和工業的部門，但真正要在制造業應用需要懂制造，工業知識也是不可顛覆和替代的，需要一起打造一個系統。

最近一年多，我們在討論如何做工業數據的開發與管理，還有工業數據的智能應用開發以及工業流程內部各個工位之間復雜的關系，如何把它做上平臺，然后用IoT和5G把它連起來，再推到各個行業。

總得來說，工業行業有49個，小的行業有400多個，實際上每個行業的龍頭企業需求、專精企業的需求和中小企業的需求完全不一樣，這就需要做很多事。

從數據管理的角度來看，它需要把整個產業鏈從供應商和物流把人、財、物全部管理起來，現在用戶的體驗、運行也需要管理。

具體到企業內部就是物料、工裝、人員、設備、供應、訂單、供應商的管理。

而平臺一旦打造起來，它是大數據的多元融合，計算的應用、可視以及業務的智能，需要整合各種數據，最主要的目的是產品質量溯源，現在要高端產品質量的溯源，裝配工藝建模方面的分析和資源的排查和整個物流系統如何做優化。

再往下看，真的要讓企業各種人員和外部能夠運用起來，就要開發算法與組件，還有面向各種業務人員，也就是windows化和圖形化比較方便，一線的操作人員都要應用起來。

現在企業內部有很多數據，大家都知道數據是寶貝，但沒有真正利用起來。我們調查過真正的商業數據不到4%，所以怎么統一、規范，讓它易用，工業機理如何沉淀下來變成知識，不要變成人盯著數據，現在的數據用量很小。如何讓機器變成智能，讓機器智盯數據。所以，做流程、做看板可能是一個途徑。

工業典型案例

我舉幾個案例：

案例1：質量管理。

大家都知道浙江春風動力股份有限公司的摩托車生產，摩托車是傳統的制造，春風是后起之秀，每年銷售額50億左右。

這家企業非常有競爭力，這是一個國賓車隊的摩托，這個車輛和傳統車輛相比有100多項評比，它要求高、質量好，而且政府采購價格不高，企業還不想虧損。工信部審核，春風動力做自動化，同時降低一線員工的操作工人。

因為現在到加工車間看加工非常傳統，有30臺各種型號、不同年份、不同國家的機床，一般一個機床都有一個操作工，所以車間里3-5個維修工，30個操作工，就是做數據的指揮中心、做看板。

不到一年下來，30個機加工車間，現在操作工只有4-5個人左右，大幅度減人，這就有了效益。

他們嘗到了甜頭，競爭力很大，小批量也可以成本優化，所以它做摩托車、沙灘車，并且開始出口。他們做了二期，現在還要做。摩托車行業主要的還是發動機，發動機最頭疼的還是裝配線。

如果用比較簡單的方法改造裝配線，具體就定位到成本低，不要大幅度改造裝配線，能夠快速響應，用數字化的手段改造。

最后找一個答案做工位，就像擰螺絲釘，擰過或者擰不到位都有問題，后期改造成本大而且影響品牌。

現在如何把裝配軌跡跟蹤和軌跡標注變成數據，通過數據及時報警、預警，馬上改正，可以實時的做?，F在就是一個一個工位做下去，做二期，再把算法更新。

案例2：溴冷機智能遠程運維。

空調有兩個核心，一個是電機，一個是制冷，看看雙良。傳統的做法是做個閾值，如何超過閾值，它就報警，真的超過閾值的時候已經出現了故障，現在是如何根據歷史的數據建模型，可不可以提前預警，也就是要把數據打通、硬件打通，把傳輸打通，把數據放到云端建模。

它可以把歷史的數據放進去，收集專家數據，數據足夠大的時候可以讓機器學習，根據歷史數據預測，看分布，實現提前的報警。

這邊就是一個案例。去年八月份專家判斷27日有問題，數據報警預計是27日11點，大概相差3個小時，但發生故障是2天以后，就是29日發生故障。

所以，它有一天多的時間提前維修，很容易排除故障。設備故障率降低了30%，這就是根據機器提前預測故障，提前預警。

案例3：盾構機掘進輔助駕駛。

我們07年做了第一臺樣機，等了1年用起來，最近11年我們已經占領了很大的市場。

我們的技術已經和國外并跑，但還沒有形成引領，現在中國盾構掘進機占了全球用量的55%-60%，出口到21個國家，現在很多隧道施工都有問題，現在從2米到16米的隧道，真正施工下只有12個人，有6個做管片拼裝，還有1個司機，司機是關鍵崗，現在發展太快，司機培訓不夠。

地面支持經常是半夜出現問題，該出的都出事了。如何智能做事，我們和兩家央企中國龍頭企業和世界龍頭企業做這個事。

舉個例子就是設備的分類，掘進延時的分類，現在巖土力學可以分，現在是根據圖像對巖土進行分類。

分類以后關鍵是控制巖土分類的大小，下來石塊的大小，太大了會把傳輸系統的皮帶損壞，太小了的話，主要的能量都用于碎石了。

現在煤礦業也有這個問題，下面采礦，皮帶機出來也是石頭大小，目前是靠工人拿根棍子，大了把它捅下來，是不舒服的工作崗位。

現在可以通過圖像、數據和工具進行篩選下來。這個案例就是以數據圖像判斷石塊下來的尺寸，可以提高掘進機的效率和設備的壽命。

案例4：智能汽車渦輪增壓器葉輪瑕疵識別。

葉輪是很大的問題，不管是航空發動機還是汽車都是這樣的問題，現有的各種缺陷是靠質檢員巡檢，質檢員永遠存在漏檢的問題，所以能不能把這些制造的缺陷、產品的缺陷建立數據庫，建立數據庫以后，對葉片層有哪些劃傷，把計算和算法收集起來，進行提煉，知道哪些要召回、哪些要做改進。

我們不影響整條生產線，搭建一個檢控站，通過機械手對產品進行全方位的檢測，把各種劃傷、瑕疵通過凸現、模型做訓練，精準率可以做到85%，召回率提高，平均度也會提高，而且簡單易行。

大幅度降低了對人工的依賴，而且降低了成本。準確性可以逐漸迭代上升，現在可以做到90%。

案例5：生產監控分析。

還有一個案例就是在蕭山做兆豐機電。兆豐也是全省智能制造示范點，最早機器換人加了很多機械手，逐漸降低人工，現在數據大量起來，數據如何整合，他們提出了緊迫的需求就是建工廠的大腦，要把現在的生產數據、設計的數據、用戶數據全部打通，運作起來。

這個行業最主要是生產節拍的問題，軸承材料中磨削占了很大的時間，以前都是靠人員來做，實際上它有很多可以改善的地方。只有把東西打開才知道哪些方面可以提高。

因為這個行業的生產節拍做到20秒就很好了，再降低1秒都非常困難，現在用數據來做。

原來是18秒，現在可以做到15秒，交貨期縮短7天，質量上升，能耗降低，所以很明顯勞動生產率現在是行業最高，人均從85萬到280萬，“身體”好了就開始搶其他的地盤，原來主要是汽車，現在到其他市場，也開始做航空軸承。所以智能制造的改變，這家企業嘗到了甜頭。

商飛大飛機制造工廠大腦

說到制造不得不說航空，柯老師帶了4個教授、不到20個博士生、不到30個工程師，過去八年交了13億以上的數字化裝配生產線，覆蓋了航空全行業?，F在商飛下有個制造商叫上飛，在浦東，C919還在做試航，但量產以后，數據的問題很大。

所以它提出要求，航空業的數據很多，也在不停的做數據優化，但很難全局優化，都是局部。

現在有機加車間和部裝車間，現在新加的是復合材料車間，就是一群人在查缺陷。前面說的虎符、算盤能不能打通考慮，也就是做虛擬工廠。現在速度要快，5G進去，所以現在去上飛參觀全部是華為的5G。

舉一個例子說明挑戰有多大，飛機的裝配有6000個節點，它叫OA，每個節點設計30道工序，每個工序一出問題引起連鎖反應，所以要搞清楚這之間的關系，原來做計劃就是工藝員，有幾十上百個工藝員，做很多計劃。

但執行的準確率很低，做到極限是60%，現在數據打通以后，才不到3個月，開始共享來做，提高很明顯。就是把這些關系找出來，把資源的約束、人力、算法打通聯系在一起，可以隨時調用數據，可以看到任何場景。計劃的執行率提高了20%，相信隨著AR件的量產以及C919上來，執行率和準確率還可以大幅度提高。

也就是說，和前面做發動機葉片一樣，前期要定義好，前期的工作比較慢，一旦做起來上線就可以做很多事。

現在5G的使用都很興奮，都說5G下載電影1秒鐘就可以完成，5G有這個功能，但大家應該關注它更大的功能是工業的場景，就是復合材料，復合材料有缺陷、有孔隙，怎么辦？就是掃描。

掃描過去，拍張照片，500萬的像素，一秒鐘十幾幀，圖像數據需要700-800M，華為主要是下載，現在大量的車間需要上傳數據，而且上傳量非常大，根本上傳不了，帶來的問題就是如何上傳數據。

而且他們號稱5G要做到每秒鐘1個G，現在我們在做數據的處理、關鍵數據的上傳，還有一個就是華為在做，所以也派人在做。因為孔隙、位置、面積還是挺復雜的，而且要做成機器的智能，讓機器盯著缺陷，有很多好處。

現在賀董事長說商飛能不能做，如果商飛的數據要上來更困難了，現在都說飛機的整體化設計，現在飛機的設計和應用、維修、培訓數據都非常大，目前飛機的方案正在做，還沒有實施，不知道商飛之后智能制造打通會帶來哪些變化。

這個方案的意義就是排程優化，提升裝配效率，最終實現智能制造提升。

基于工業互聯網2.0時代

現在POC、以太網不爭論了，主要是5G用好，以前是局部優化，現在是實現全局優化。發現問題，發現規律，發現問題以后數據沉淀為知識，知識成為智能，讓機器盯著數據的變化。

現在協同制造是產業鏈，從用戶到供應鏈的管理，個性化的設計需要數據的互聯互通，跨界融合。場內、區域網，以后還有行業網，國內外、境內外都需要打通。

所以，從工廠的角度協同制造、采購、物流、產學研人才、內部企業端到公共云，現在企業也在討論公有云、私有云，還是干脆不用云，用邊緣計算，這需要企業真正實施頂層設計。

商業數據、工業數據需要打通，需要一個平臺，把生產的計劃，訂單的信息、市場的變化都變成數據、變成算法，融合在一起，包括企業內外生產以及能源的調度，都要貫穿工業的全部過程。

我們認為企業實施智能制造、工業互聯網應該有四個階段?，F在工信部在推“百萬企業上云”，浙江推“十萬企業上云”，這只是第一個階段，第二階段做中間件和中臺戰略，第三階段是實現數據治理，最后實現全局智能，也就是工廠大腦、協同制造、智能制造，設備的制造靠機器的智能。

現階段在工業化發達國家，需要人才，需要產業布局、人才培養和組織模式，傳統的工業部門有話語權和決定權，數據不輕易給人，給了以后也要做得好，所以真的要做企業的頂層設計，需要真正的整體戰略。

我們認為，頂層設計很重要，剛才和張院士還在說有了頂層設計就是快速迭代，現在中國人口紅利，工程師紅利還沒有出現，在外部華為等IT算法的人，大家如何配合起來做人腦和機器混合腦的問題，就是在數字經濟下，倒逼制造再升級會有問題。原來企業是大魚吃小魚，以后就是快魚吃慢魚。

總體來看數據不應該取代人，也不是機器取代人，應該是機器智能解放人的智慧，不要人盯著數據，所以數據應該從制造業中來，也應該回到制造業中去。

原文標題：工程院院士楊華勇：數據應從制造業中來，也應該回到制造業中去

文章出處：【微信公眾號：智能制造】歡迎添加關注！文章轉載請注明出處。