• [公告] 华为云招募工业智能领域合作伙伴,强力扶持+商业变现
    面向工业领域,华为云推出DevRun工业智能行业加速器,协助生态伙伴集成关键技术能力,从技术、资源、商机等维度为企业提供全生命周期的扶持,助力企业创新和商业变现。专注于工业智能领域应用开发的ISV,或者是寻求智能化转型的装备制造企业、传统工业领域企业,一定不能错过。# 聚焦工业领域智能化场景,解决转型难题加速器主要围绕**工业数据智能**以及**工业视觉智能**下的几大场景,为企业提供技术赋能,帮助工业领域的企业降低运维成本,提高效率,助力智能化转型。## **工业数据智能**### < 预测性维护 >工厂的预测性维护可以根据收到的数据在设备出现故障前进行修复,避免计划外停机造成的严重损失。在预测性维护方面,加速器提供的预测性维护通用算法框架**CauchyMind机理模型**,能通过对多种信号(振动、电频等)数据的处理,进行故障特征识别,并结合退化算法,实现维护周期预测。 ![](https://bbs-img.huaweicloud.com/blogs/img/20220621/1655793578328829871.jpg)#### CauchyMind 机理模型关键技术 CauchyMind机理模型由华为云首席科学家带领的**10多位机械工程博士和算法博士**共同研发,在信号质量判断和特征提取模块方面做出了突破性技术创新。**信号质量判断**:包络变异系数法、自适应滑窗平均峭度法**特征提取**:- 工况归一:无键相自适应转速估计及阶次跟踪- 早期损伤:谐波乘积谱技术- 精简提取:稀疏测度表示- 共振频带:动态贝叶斯小波变换技术- 单调可分:广义自适应健康指数构造#### 案例某钢铁厂年产量预计为数百万吨,如果预精轧机、锥箱等设备出现非计划停机,需全产线停产,至少需要数个小时停机维修,预估影响产量价值248万,若引发安全事故,则损失不可估量。以华为云沃土初创计划合作伙伴蘑菇互联为例,他们集成CauchyMind机理模型打造的预测性维护解决方案,帮助某钢铁厂提前预测多个轧钢设备故障并发出告警,客户及时修复故障。其中离线验证阶段,**在人工发现问题前7天系统已产生预测告警**。------------### < 工艺参数优化 >工业智能行业加速器提供工艺参数优化相关的AI技术能力,可帮助降低试制成本,提高器件加工质量。 ![](https://bbs-img.huaweicloud.com/blogs/img/20220621/1655793732135710262.jpg)#### 关键技术- 正交实验:根据正交性从全面试验中挑选出代表性的工艺参数进行试验。代表性的实验具备 “均匀分散,齐整可比”的特点,有效降低实验次数。- 建立模型:基于克里金/表面响应算法,正交实验数据,计算出工艺参数与优化目标的拟合方程(即模型)。- 多目标优化算法:基于多目标遗传算法NSGA-II/SPEA2,搜索出最优工艺参数集,可以提高生产效率,提升器件加工质量,降低**磨损。#### 案例在为某传统数控机床企业建立新器件/新机床加工工艺参数优化模型过程中,通过将AI技术与数控系统结合,实现智能化调节各类工艺参数,**生产效率提高26%**。孵化出的数字机床工艺参数优化**根模型**,**支持快速扩展**,只需增加针对具体机床类的正交实验即可形成针对该类别的工艺优化模型。> 除此之外,CauchyMind 机理模型支持工业智能领域的**供应链优化,节能优化**等场景,如果ISV遇到诸如算法精度有待提高,负样本比例偏大,AI模型研发难度大等难题,**点击链接** 加入工业智能行业加速器,华为云**提供核心算法模型,联合交付解决方案**,解决技术难题,实现业务突破。## **工业视觉智能**加速器围绕工业视觉智能,聚焦于**视觉检测、智能分拣**等场景,为企业提供华为云工业视觉解决方案。 ![](https://bbs-img.huaweicloud.com/blogs/img/20220621/1655794030118689381.jpg)#### 关键技术- **云边端协同开发**:云提供AI模型&应用开发、运营管理能力,边侧提供AI推理服务,端侧提供业务逻辑编排和调试能力,并与云边协同,实现数据上报、难例挖掘、模型迭代。- **零代码AI工作流**:针对特定工业视觉检测场景,提供零代码AI开发工作流:- **按需编排工位检测应用业务逻辑及参数**:可通过云平台、端侧软件配置每个工位挂接的应用逻辑及参数。#### 案例**视觉检测场景**:支持钢铁表面、汽车外观装配、汽车零部件缺陷、PCB器件缺陷、高铁车底螺栓检测等几十种工业视觉质检场景,以汽车外观装配质检为例,AI能够快速识别出轮毂、车标、大灯等装配部件的型号,**识别准确率高达99%,识别速度低于300ms**。**智能分拣场景**:以刹车盘分拣为例,某汽车零部件生产厂商主要依靠在刹车盘上印钢印标记区分不同型号。钢印打印、识别和擦除流程复杂,识别过程需要人工干预,影响生产效率。使用深度学习技术,可根据不同的外观确定型号,识别多种类型,**平均识别准确率>98%,识别速度 加速器将为ISV提供端边云协同开发能力,帮助解决工业视觉场景下的AI模型不通用,难以持续迭代等技术难题,提高模型识别准确度,提升解决方案的竞争力。# 一站式工作台为工业领域带来更好的应用服务工业智能行业加速器将结合生态伙伴工业软件能力,面向工业企业提供aPaaS工作台**IMC**(Intelligent Manufacturing Cloud)。 ![](https://bbs-img.huaweicloud.com/blogs/img/20220621/1655794095236745913.jpg) IMC可为企业提供研发设计、生产制造、市场营销以及日常办公等服务,实现一站式工作体验。**主要包括**- **工业云商城**:购买应用,支持工业应用和解决方案一键购买、下单。- **企业工作台**:使用应用,实现不同应用间账号打通,一个账号访问所有工业应用。- **集成工作台**:连接应用,提供企业统一 APIG,通过应用连接器、连接流实现应用间 API 集成,支持企业快速开展数据分析服务。- **零代码平台**:定制应用,预置丰富的工业应用模板,快速定制轻量化工业应用,支持拖拉拽开发可视化报表。> **现在加入**加速器,企业可以**免费获取价值5万元的数字化诊断服务**,为其数字化转型规划提供建议和个性化解决方案;并可享受**免费数据分折体验服务**。# 工业智能行业加速器三大权益 ![](https://bbs-img.huaweicloud.com/blogs/img/20220621/1655794149588229226.png)**点击链接**报名加速器,成为华为云合作伙伴。
  • [其他] CAD的优点和缺点
    计算机辅助设计(Computer-Aided-Design,CAD)是指利用计算机辅助进行产品的设计、修改、分析和优化等。CAD技术发展至今已有近年的历史,从初期的交互式计算机图形绘制,到三维建模CAD系统的实用化和商品化,再到与工艺、制造、检测等的集成化、智能化和网络化,其研究和应用都取得了巨大的成效,极大地提高了设计的效率和质量,降低了产品开发的成本,缩短了产品的研制周期。但是在总体上,CAD支持的是产品详细设计及其后续的工艺制造,对概念形状设计的支持不够充分。其主要问题有以下三个:1. 依赖于完全定量的产品信息模型:传统CAD系统主要是基于纯数学表达的几何模型,即所记录的是几何形体的定量的、确定的和精确的坐标信息。虽然完整定量模型具有唯一性,但对于在设计过程中出现的大量定性的、不确定的和不精确的产品信息,却难以描述、表达和处理,甚至是一筹莫展。2. 不支持全设计过程:完整的设计过程应包括溉念设计、详细设计、工艺设计等阶段,不同设计阶段的产品信息的内容和形式不同。越是早期的设计阶段,其产品信息越抽象、越模糊、越不完整。传统CAD系统要求在设计阶段始终具有完全的定量信息,因而不足以支持产品概念设计,其应用多数局限于产品的详细设计阶段。3. 不利于产品设计人员的设计创新:传统CAD系统面向具体的几何形状,使设计人员从一开始使不得不进行具体的细节设计,不符合设计人员先把握设计对象的整体再逐步细化的设计思维活动,迫使设计人员从设计初期就过多地局限于大量煥琐的设计细节,无暇专注于更高层次的富有创造性的设计活动。自20世纪80年代,新一代CAD系统的研究和开发的一个重点方向就是计算机辅助产品概念形状设计。而人工智能、智能制造在这方面应该会有施展拳脚的空间~
  • [活动公告] DevRun工业智能行业加速器活动规则
    活动链接  点击前往>>申请链接  点击立即申请>> 1.活动时间2022年6月20日~2022年8月22日2.活动参与方式DevRun工业智能行业加速器活动(以下简称“本次活动”)主要面向有工业智能开发场景的ISV,针对预测性维护、工艺参数优化、节能优化、视觉检测、智能分拣等场景,为企业提供全方位的工业智能解决方案。企业可通过填写活动报名表,经过华为云计算技术有限公司(以下称“华为云”)审核后即可加入本次活动,成为华为云沃土云创伙伴后可享受华为云及合作伙伴提供的多项专属权益。3.活动主办方华为云计算技术有限公司(华为云),联系方式:小助手微信(hwyxzs05)4.用户限制说明1)用户必须先填写申请表,否则无法参加本次活动2)参加本次活动的用户必须完成企业实名认证,参考(企业账号如何完成实名认证)。3)参加本次活动的用户必须优先加入华为云沃土云创计划,否则无法享受本次活动提供的专属权益。5.参与规则1)参与本次活动的用户,需要先阅读活动规则,以便活动主办方为用户提供更好的服务。2)填写申请表      用户需填写申请表(点我立即申请>>),等待审核结果。或添加小助手微信(hwyxzs05)咨询。工作人员最快一个工作日内将与用户取得联系。3)加入沃土云创计划企业实名认证      请前往账号中心-实名认证页面,参考(企业账号如何完成实名认证)完成企业实名认证。加入计划      用户需完成企业实名认证后,前往沃土云创计划页面(点我前往查看>>),按照流程申请加入沃土云创计划(申请流程)。完成认证      用户完成沃土云创方案认证后,用户可获得华为云使能技术认证证书。4)加入云市场计划加入云市场计划      用户需前往云市场计划页面(点我立即前往>>),根据流程申请加入(申请流程)。应用上架      用户需根据华为云云市场要求(云市场帮助文档),上架应用或服务等产品。云市场扶持权益      具体权益请参考(云市场计划)。6.用户隐私保护特别说明DevRun工业智能行业加速器活动是华为云基于预测性维护、工艺参数优化、节能优化、视觉检测、智能分拣等场景对工业智能的需求,推出的工业智能行业解决方案,从技术、资源、商机等多维度为企业提供扶持。华为云非常重视您的个人信息和隐私保护,我们将会按照法律要求和业界成熟的安全标准,为您的个人信息提供相应的安全保护措施。1)我们如何收集和使用您的个人信息每位参加活动的用户理解并同意,为华为云工作人员联系报名参加活动的用户需要,用户须填写申请表,提供项目、公司、姓名、联系方式等真实个人信息,以便我们能够将在本次活动中为本次活动之目的联系您。我们收集您的信息将用于如下目的和用途:我们收集您的华为云账号、项目、公司、姓名、联系方式、邮寄地址在本次活动中为本次活动之目的与您及时沟通,以保证活动顺利进行。您需确保您所提交的问题中不含有包括但不限于任何违法信息(如侵犯第三方知识产权)、敏感信息、他人个人信息等。2)我们如何处理、共享、转让、公开披露您的个人信息您提供的个人信息和其他信息只会在华为云公司内部使用,我们不会与本公司以外的任何公司、组织和个人分享和转让您的个人信息,除非获得您的明确同意。3)对未成年人的保护我们的活动只面向年满18周岁以上的成年人。未成年人不得参加该活动。4)管理您的数据我们为您设置了便捷方式来管理您的数据5)数据存储地点及期限上述信息将会传输并保存至中华人民共和国境内的服务器。自活动结束后1个月内,我们会使用您的个人信息跟您联系以继续为您提供实时音视频产品服务和协助您加入沃土云创计划,因此您的个人信息(华为云帐号、项目信息、公司信息、姓名、联系邮箱、联系电话)将自活动结束后1个月内届满时删除或者匿名化。6)数据主体的权利按照中国相关的法律、法规、标准,以及其他国家、地区的通行 做法,我们保障您对自己的个人信息行使以下权利:(一)访问、查阅或者复制您的个人信息您有权访问、查阅或者复制您的个人信息,法律法规规定的例外情况除外。(二)更正或者补充您的个人信息当您发现我们处理的关于您的个人信息有错误时,您有权要求我们作出更正或者补充。(三)删除您的个人信息在以下情形中,您可以向我们提出删除个人信息的请求:1、处理目的已实现、无法实现或者为实现处理目的不再必要;2、我们停止提供产品或者服务,或者保存期限已届满;3、您撤回同意;4、我们违反法律、行政法规或者违反约定处理个人信息;5、法律、行政法规规定的其他情形。当您从我们的活动中删除信息后,我们可能不会立即在备份系统中删除相应的信息,但会在备份更新时删除这些信息。(四)知情权、决定权,有权限制或者拒绝他人对其个人信息进行处理您对您的个人信息的处理享有知情权、决定权,有权限制或者拒绝他人对其个人信息进行处理。(五)解释说明权您有权要求我们对您的个人信息处理规则进行解释说明(六)响应您的上述请求为保障安全,您可能需要提供书面请求,或以其他方式证明您的身份。 我们可能会先要求您验证自己的身份,然后再处理您的请求。 您可以通过第7条“如何联系我们”告知的方式联系我们,我们将在三十天内作出答复。7)如何联系我们我们设立了个人信息保护专职部门。如果您有任何疑问、意见或建议,请通过客服热线或访问隐私问题页面与我们联系,或者将其提交至我们的全球办事处。如需获取办事处及相应本地代表的完整列表,请通过如下联系方式:privacy@huaweicloud.com联系获得。如果您对我们的回复不满意,特别是认为我们的个人信息处理行为损害了您的合法权益,您还可以向有管辖权的个人信息保护机构或其他官员进行投诉或举报。您也可以就行使您的权利、相关的投诉或隐私保护事宜,直接通过如下的个人信息权利主体请求页面,向我们提出您的相应请求:https://www.huaweicloud.com/personal-data-request.html。8)本政策如何更新我们的个人信息保护政策可能变更。未经您明确同意,我们不会削减您按照本声明应享有的权利。我们会在华为云开发者社区页面上发布对本声明所做的任何变更。华为云将始终遵照我们的隐私政策来收集和使用您的信息。因为您在注册华为云账号时,需遵从《隐私政策声明》的有关规定,因此本声明以及《隐私政策声明》统一构成我们收集和使用您个人信息有关政策,更多信息请参阅《隐私政策声明》。
  • [行业资讯] 工业 4.0:一场独一无二的革命
    过去的工业革命虽然在科学和技术方面都提供了无可争议的进步,但在失业和社会动荡方面却给当时的人们带来了不可估量的苦难。在这里,我们解释了为什么第四次工业革命,即工业 4.0,不同于以往的任何革命,以及为什么我们不应该害怕历史重演。1770 年珍妮纺纱机的发明,以及在工厂车间的应用,给纺织业带来了巨大的动荡。因为一台珍妮纺纱机可以做8个人的工作,导致大量失业,所以业内工人对引进这种机器感到愤怒。快进到现在,一些行业担心在工业 4.0 时代,随着新技术再次彻底改变工厂车间,将经历类似的不确定性和动荡。然而,与过去的技术革命不同,工业4.0不是用技术取代人类工作,而是帮助人类工作。工业4.0正在将智能技术和人工智能(AI)引入工作场所,以帮助而不是取代人类。一个这样的例子是协作机器人。对于希望将自动化添加到其生产流程中的中小型企业而言,协作机器人已成为一个有吸引力的主张。顾名思义,这些协作机器人旨在在共享的工作环境中与人类劳动力互动,并且比传统工业机器人更小、更轻、更安全。工厂使用可以与人类一起甚至直接与人类一起操作的协作机器人,以帮助提高许多任务的效率,例如抬升、组装、检查或处理危险或有害材料。对许多企业来说,升级工厂以利用协作机器人,以及现有的传统设备和人力是一个有吸引力的提议,但这需要有选择性的投资和谨慎的过时管理。此外,作为工业4.0一部分的增材制造(AM)的兴起,将会在制造业中创造更多高技能工作岗位。这项技术为设计师带来了几乎无限的自由,能够生产使用传统制造技术无法制造的轻质优化组件。这对企业和消费者来说都是一件好事。从航空航天到医疗设备制造,增材制造现在被用于多个不同的行业。增材制造在医疗器械制造业中的应用带来了更有效的医疗保健解决方案。事实上,近年来,增材制造的植入物变得越来越普遍,所有迹象都表明这一趋势仍在继续。这证明工业 4.0 ,以及改变工作场所的方式已经对人们的生活产生了不可估量的积极影响。珍妮纺纱机在工业革命期间被设计用来取代人类工人,而机器人则被设计用来与人类工人协作并一起工作。这就是工业 4.0 与以往技术革命之间的关键区别。(编译:iothome)
  • [上云精品] 黑湖 × 华为云IoT强强联手,让数据驱动智能制造
    为什么总有填不完的单子,做不完的报表?为什么有了看板,还是不知道如何改善生产流程,提高效率?面对这些问题,黑湖科技携手华为云IoT提出“让数据驱动智能制造”,帮助工厂更便捷的实现对生产现场的信息搜集和实时传递,快速实现离散企业全链路数字化管理。本次将详细解读黑湖科技与华为云IoT联合解决方案架构及黑科技,在工业互联网基地中快速交付服务离散制造企业,帮助工厂低成本、高效率地实现从客户下单、原料入厂到成品出厂之间的全链路数字化管理。一、 离散智造产业链数字化、智能化现状1.1 黑湖科技公司简介华为云云商店合作伙伴「黑湖智造」成立于2016年 ,专注J造利用数据驱动生产效率提升的制造协同SaaS软件,通过高效的数据聚合、精准的数据分发、实时的数据协同,打破生产管理和供应链协作中的“信息孤岛”,优化生产、质量、物料、设备全流程,提高生产柔性、缩短交付周期、优化物流效率,帮助工厂迅速响应消费者个性化需求,由“设计定义制造”向“需求定义制造转型。基于团队成员数十年在厂一线的经验积累,融合互联网领域前沿技术创新,「 黑湖智造」正迅速成长为中国入级工业协同平台,向所有生态伙伴开放产品能力,助力中国制造企业全面推进数字化转型。为自我革新的制造型企业提供基于云端的数据协同和分析工具。通过微服务化的云端制造协同平台,完成数据和信息在生产现场端到端的聚合和传递;通过实时数据分析,结合机器学习和数据建模,帮助制造业客户提高效率,降低成本,实现数据实时驱动决策。1.2 供应链云端协同是实现全产业链数字化、智能化关键从上图中可以看到整个全产业链的话可以分为消费端、流通端和生产端。在整个消费端跟流通端我们可以看到,它已经逐步实现了一个数字化,并且向这个智能化去做一个这种转型、转变。在消费端的话,有比较大的这种代表性的企业,像淘宝、拼多多、有赞、微盟等等,这些让整个数据实现了向上化,然后可以自由的去做流通。举个例子,现在我们通过手机就可以随时随地去购买到我们想要的商品。在流通端的话可以看到,当一个产品下了单以后,可能当天或者隔天就能够收到包裹。其实背后是有京东物流、菜鸟等等这些物流企业在背后做了数字化的打通,所以说整个数据是在向上实时的打通。消费端和流通端它的数据是实现了相互的协同和打通。末端生产端相对还是比较传统的状态,它所有的一些数据还是在线下的,有可能是在一个server表格上,也有可能是在指示单据上、也有可能是在微信上,或者是it服务器里面,但还是没有在云端能够去产生出来。在消费端和流通端已经实现了数字化,而生产端却没有实现这个数字化。消费端我们平时接触的比较多一点,可能感知比较深,生产端接触比较少。1.3 生产端阻碍数字化难点在生产端我们去实现数字化,它的难点在哪里?阻碍它数字化的这些地方具体在哪里?生产端其实是在最末的一个端口。我们从宏观方面来看,现在是整个技术的进步。最开始的时候,我们是没有云计算或者saas这些服务的时候,在生产端这块,去部署一套系统的话是要花费很大的人力、物力和财力。然后这一块其实很多在生产端的信息化系统的话,还是基于头部的企业在进行使用的。在微观层面,整个生产工厂这一块,其实是最容易被忽略的一个环节。工厂它可能在营销这一块实现了向上化或者是信息化,然后会在流通环节这边也去做很大的建设。但在整个生产的话,意识还是比较落后,更多是去部署一些自动化的设备,但在整个软件层面的话,会相对投入的比较少一点。从最近这几年来看,工业4.0智能制造这块提到越来越多以后,很多工厂的管理者越来越意识到整个生产端如何去实现降本增效的信息化方式,如何结合物联网的相关技术。二、黑湖云端数据中枢结合华为云IoT实现全链路数字管理2.1 云端数据中枢,全面提升工厂协同运营效率现在实现全产业链的数字化、智能化,就剩下生产端,生产端只要实现这个智能化,那全产业链数字化、智能化就可以完成了。黑湖制造在这个生产端具体提出了什么样的解决方案去解决这些难点,以及刚才说的那些问题呢?我们把黑湖智造定义为云端数据的中枢。在这个制造端的数据中枢,它有制造的数据、管理的数据、还有业务和成本的数据,聚合起来给到不同的工厂去做协同赋能。对不同企业的数采设备实现小时级一站式集成与接入体验,帮助生产型企业解决生产过程遇到的交付期拖延、库存积压、工人效率低下、生产过程不透明等问题, 通过数据和算法让生产更加高效,打通信息孤岛,服务于离散制造业及部分连续型制造业,黑湖智造是一款云端制造协同系统,不同于其余的云平台厂家,在这个趋势下,主要为制造业提供计划排产、生产执行、质量管理、设备管理、物料管理、物流管理、可视化数据分析等协同制造功能,华为自身的智能制造系统构筑在先进物联网、云计算、大数据、AI技术上,做不完的报表?为什么有了看板,传统的以产定销的规模化生产经营模式难以满足当前消费端的需求,应用场景用于计划调度、生产派单及过程管控、生产进度的实时把控、物流及物料的协同配合、管理层对生产数据的分析等,华为云loT协助黑湖实现小时级一站式集成与接入体验华为作为规模制造企业,实现数据驱动下的精益制造,伴随移动端和5G的高速发展,还是不知道如何改善生产流程。而这就需要工厂从计划端到执行端的实时协作、即时调整和决策。2.2 黑湖制造协同系统,让生产更高效在消费互联网日趋成熟下,加速驱动了整体To B端的数字化改造,传统的以产定销的规模化生产经营模式难以满足当前消费端的需求,小批量,多批次的生产经营模式改革势在必行,而这就需要工厂从计划端到执行端的实时协作、即时调整和决策,伴随移动端和5G的高速发展,进一步实现制造协同成为了当前最倍受关注的趋势。在这个趋势下,黑湖制造协同系统诞生了。黑湖智造是一款云端制造协同系统,通过数据和算法让生产更加高效。基于数据聚合、多角色协同、可视化分析、智能决策四大亮点,实现数据驱动下的精益制造。近年来,SaaS产品备受各行各业的青睐,尤其在企业服务领域,越来越多的人开始谈论SaaS。由于其对于企业降本增效成果显著,目前已经在项目管理、人力资源管理、顾客管理、办公OA等不同领域被广泛使用。而相比传统软件,SaaS简化管理、快速迭代、灵活付费和持续服务的优势在当前竞争环境中愈发突出,因而成为企业客户多场景下的优选。在这一市场需求下,SaaS产品市场涌现了不少年轻的科技智造公司,工厂协同SaaS服务商黑湖智造就是其中之一,在其发展过程中迸发出了强大的市场竞争力和创造力,也驱动整个智能制造行业的转型升级。2.3 华为云loT的数据采集框架,工业现场全要素连接,数据统一接入华为云IoT协助黑湖实现小时级一站式集成与接入体验,华为作为规模制造企业,不同于其余的云平台厂家。华为自身的智能制造系统构筑在先进物联网、云计算、大数据、AI技术上,制造云平台、物联网以自身开发和运营,其余系统则集成了世界上最先进的技术,这支撑了全球市场的5000余亿设备制造和供应。华为云IoT利用协议高兼容、低成本、高稳定、高可靠、高并发以及业界最安全可靠接入服务,协助黑湖系统快速构筑极简接入能力,对不同企业的数采设备实现小时级一站式集成与接入体验。 全联接:联合伙伴提供各种工业装备&子系统接入能力,支持90+ %业协议易扩展:容器化环境支持小时级完成私有协议采集能力在边缘的部署多形态:公有云/混合云/智能站点边缘网关等多部署形态,满足不同业务场景诉求。易维护远程数据采集配置、远程网关管理、OTA升级等,节省80%现场实施人力在制造业场景中,新技术会带来新软件的可能性,并指出"云技术"是软件创新的关键点。目前,云对于企业服务领域正在全面渗透,而且与具体场景的结合越来越密切,要想更好地实现SaaS产品市场的场景化布局和发展,对云厂商系统的稳定性、技术创新等有着极高的要求。周宇翔很看重云平台的技术稳定性和IoT能力,而这也是能否支撑黑湖智造"云端协同、数据驱动"战略的关键所在。黑湖智造协同系统从数据聚合、实时协作的角度,基于微服务、云计算、物联网等技术突破,颠覆了系统僵化、流程固化的传统MES,帮助制造企业以最低的成本、最高的效率完成数据和信息的线上化、结构化、关系化,在驱动业务高效运转的同时,帮助企业沉淀真正意义上的 “数据资产”。经过智能分析,“数据资产”再次和业务建立联系,对业务的瓶颈、异常、低效进行识别、分析和优化,实现对工艺流程反向优化的闭环。2.4 贯穿生产全流程,实现模块化全链路数字化管理黑湖制造协同——打通信息孤岛,实现数据驱动制造黑湖基于云计算的智能制造协同系统,主要为制造业提供计划排产、生产执行、质量管理、设备管理、物料管理、物流管理、可视化数据分析等协同制造功能。服务于离散制造业及部分连续型制造业,应用场景用于计划调度、生产派单及过程管控、生产进度的实时把控、物流及物料的协同配合、管理层对生产数据的分析等。帮助生产型企业解决生产过程遇到的交付期拖延、库存积压、工人效率低下、生产过程不透明等问题,最终提高生产效率、降低制造成本,打通信息孤岛,真正实现数据驱动制造。黑湖智造采用甘特图一键可视化排程,自动校验库存,可以简单拖拽即可以灵活插单,支持滚动排程,而且订单超期自动提醒。真正实现了生产进度实时可查,交期明确;计划可执行性提高,排程灵活高效。当原料入厂时入厂检查使用APP扫码收货,自动通知入厂检电子化录入供应商、客户、物料、库位等信息;实现安全库存提醒,智能物料效期管理,在制品、成品库存实时精准统计,库存物料转运状态实时可查。完成了数字化物料管理,轻松实现帐料相符; 1秒通知入厂检,消除错检漏检。2.5 革新性制造协同平台,为客户创造更多价值生产执行实行线边仓库存,生产检、 巡检、全检等流程;扫码投产,自动匹配物料清单,根据预设的SOP规范作业,执行过程采集生产信息,自动/手动触发质检任务,生产执行异常报警,逐级上报。由APP记录产出,APP报工,自动绩效汇总,次品产出返工,不良品报废管理,包装管控:消灭多包少包错包。实现了生产进度实时上报,提升车间管控力;精准投产,操作规范。成品出厂任务一键送达,减少生产等待;提高质检精准度,提升质检效率。销售发货实时查询库存余量,能1s通知仓库和质检员。灵活配置质检计划,APP接收质检任务通知,扫码记录抽检/全检,预设质检标准,防止漏检, 自动生成质检报告。达到了供应商批次、关键生产设备、生产,人员等生产全链路信息追溯。设备维护计划可以一键导入设备、模具等数据,自定义保养和点检策略,自定义异常响应时间,如果设备异常,APP能定时提醒任务,防止漏检。APP一键报修功能,电子化记录了维保信息,工装备件库存可以实时查询,设备异常自动报警。有效减少设备故障发生,降低停机频率;设备异常自动报警,及时响应。决策分析上,从生产端的采购延期预警、生产进度**、订单延期预警和员工绩效分析;物料上的状态监控、任务**、实时库存地图和库存水位监控,设备端的维修指标分析、设备停机分析、设备故障分析与维护任务追溯;质量上能做到偏差异常预警、生产质量监控、来料不良分析和产品质量追溯。达到了全厂动态尽在掌握,生产运营指标图表化,1秒定位问题,解决瓶颈。黑湖智造采用了“云原生+微服务”的架构,一方面黑湖将各类服务分别打包成小组件,让软件部署过程就像“搭积木”一般,换个角度来看,这也是一种变样的个性化服务。另一方面,除了承担连接作用,“云原生”架构也让黑湖在新需求、新组建的开发上也能做到敏捷、高效。也正是这种服务架构,让黑湖智造能够在一周内就完成系统培训,4-6周内完成系统上线,解决了过往传统工业软件上线慢、磨合周期长的问题。第一步,低成本高效率地推进全面的数字化;第二步,通过沉淀下来的精确客观的数据定位问题;第三步,借助分析和决策模块,赋能工厂各层级去针对性地解决问题。三、数据驱动制造场景案例介绍3.1 医药行业客户案例黑湖智造混合云部署并运行在手机、平板、电脑端,覆盖采购、排程、生产、物料、质检、设备等核心制造流程,帮助该医药股份有限公司低成本、高效率地实现从客户下单、原料入厂到成品出厂之间的全链路数字化管理。应用场景:某大型国有医药企业希望提升旗下两家工厂的智能生产程度,通过采用数字化生产管理工具来优化生产流程、构建跨区域的中药配方颗粒智能生产体系,建设中药配方颗粒智能制造示范基地。场景方案:1、智能排产 系统根据产能要求进行智能排产;计划员可根据实际情况灵活插单;2、称量执行和电子批记录:按照app端显示称量配方进行称量。提高投料精准度;手机app链接称量器,称量结果自动录入;3、走动式质检:系统发起质检任务,支持走动式质检;4、精准物料管理和追溯:物料消耗信息和产品信息实时记录,清晰可查,数据与ERP同步;5、设备异常报警设备、工艺实时监控记录6、厂间数据协同:各厂搭建系统平台,协同作业,厂间生成数据实时同步,打通信息孤岛。场景价值: 黑湖产品上线周期短,灵活配置。通过混合云部署、系统互联,从生产管理、质量管理、物料管理、设备维护等方面,提升物料精细化管理能力,减少生产管理成本,良好的再多工厂快速推行。黑湖为该公司搭建信息管理平台,收集工厂数据,全局图标展现,实现多厂协同,看板可视化管理。3.2 食品行业客户案例项目背景:上海某营养乳品有限公司主要致力于营养健康食品的研发、生产、营销的高新技术食品企业。通过在原料、产品制造、销售整个供应链端关注风险控制来加强食品安全为了在产品生命周期中全面保障质量安全,希望通过信息化系统建立标准化,模块化的生产质量过程控制流程。并通过系统集成,实现计划层和自动化层的深度融合,加速企业内部的信息传递。痛点和需求:搭建模块化生产质量过程控制流程,帮助实现全面质量管理4M1E(人机料法环),包括投料防错、批次追溯、电子批记录等。通过系统集成设计,全面打通企业内部计划层与设备层的信息流,并为营销端溯源提供真实统一的数据来源。“黑湖智造”作为制造企业的协同中枢,汇集了来自于线下工人、机器设备、控制系统、工业机器人、各类管理软件在内的多维度数据源,涵盖上万个数据节点,连接了全供应链跨越时空地域的客户需求、原料采购、生产制造、质量合规、物料仓储、物流发货等关键要素。“黑湖智造”将利用移动端和友好的交互体验完成生产现场数据的汇集,进行数字化升级,帮助工厂改善食品安全、库存准确性、批次管理、原辅料效期等痛点,实现从原料到成品的双向追溯,全面提升生产管理效率,很好地解决了原辅料和成品管理、生产过程控制和电子批记录三大难题。同时,充分利用“云”跨时空地域连接的属性,帮助工厂和供应链实现从下单、生产、到物流发货的高效协作。总结黑湖智造借助云计算、智能手机、loT设备 ,基于数据聚合、多角色协同、可视化分析、智能决策四大功能版块,用数据和算法帮助企业缩短生产周期、降低库存积压、提升产能利用率、透明化制造流程,实现数据驱动下的精益制造。作为工业互联网协同平台,黑湖智造是一个能量场,深入工厂与制造端,沉淀着行业先进的生产和管理经验;同时黑湖智造也是先驱者,通过全链路生产协同实践,时刻准备赋能更多的制造企业。文章提到的商品:黑湖智造协同解决方案(华为云云商店在售)*转载自@考过IE励志当攻城狮撰文丨考过IE励志当攻城狮编辑丨慧慧吖
  • [行业资讯] 熄灯工厂中的绩效跟踪【转载】
    越来越多的生产流程由自动化执行,而人类只需管理和监控这些流程,因此,我们可以预测,未来大多数工厂都将实现自动化,并且能够在“熄灯”情况下运行。什么是熄灯工厂?熄灯工厂是指完全采用自动化制造方法的工厂。虽然今天真正的熄灯工厂仍然很少见,但制造商可以向日本的 FANUC 等公司寻求灵感。FANUC 展示了“熄灯”概念,机器人生产机器人,同时由人类管理和监控。工业机器人是熄灯工厂的核心,这些机器人现在比以往任何时候都更经济实惠,而且在自动化重复性任务方面也更有效。熄灯工厂不仅可以让制造商提高产品质量和产量,而且还可以帮助减少工作场所中的人员伤害,并缓解工厂熟练工人紧缺的危机(根据德勤的数据,目前估计有240万个制造业岗位空缺)。许多不同规模的工厂都在利用新的机器人技术,采用熄灯生产,以满足日益增长的消费者需求。如今,易于使用的机器人编程应用也使制造商能够以灵活、迭代的方式实现其自动化。然而,创建熄灯环境并非易事,因为它需要对端到端生产流程进行全面改造。而了解如何跟踪自动化任务的绩效非常重要,这样才能不断优化生产指标。使用物联网跟踪绩效物联网服务提供商提供的工业物联网解决方案和深度分析软件可以为制造商提供一种简单的方法,以端到端的方式跟踪其熄灯生产流程的实时绩效。物联网解决方案不仅可以让制造商远程监控其工厂,而且还可以让机器人硬件更可靠,故障更少。对于从人力密集型生产流程转向熄灯方式的制造商而言,考虑如何将物联网传感器和数据分析软件集成到生产流程的每个步骤中非常重要,包括:机床设置和控制库存和物流管理安保和安全管理产品跟踪和智能包装产品交付诊断预防性维护数字质量控制通过使用智能数据分析软件,企业可以更快地找出改进上述流程的方法,并在故障发生前加以预防。物联网传感器 24/7 全天候收集的数据将应用于熄灯生产线的所有部分,然后存储在云系统中。再然后,云软件可以在工厂需要维护时提醒管理者,并向管理者建议改进绩效的方法。新的机器学习技术还通过分析传感器收集到的大量数据,进一步增强了预测能力。要跟踪的关键指标通过实时数据监测,工厂管理者和操作员将能够实时查看生产情况。而深度分析可以提供智能趋势分析,并主动告知管理者在熄灯前监测到的工厂关键KPI,使管理人员能够在机器人或机器故障发生之前采取行动。此外,机器学习可以使绩效跟踪随着时间推移而改进,从而形成无需人工监督的长时间熄灯环境,包括周末。在熄灯环境中,所有制造商需要特别注意的关键绩效指标包括以下内容:生产性能:机器故障和低效特定于工厂的网络或安全风险零件生产时间成品零件之间的周期时间工业机器人性能:驱动延迟(机器人作业之间):位置精度能源消耗作业执行时间可编程逻辑控制器(PLC)性能:任务执行时间CPU 利用率通过实施配备物联网智能技术和实时数据监测的工业机器人,制造商将在熄灯生产中实现有效的绩效跟踪,而工厂工人可以解放出来,并专注于在熄灯生产中收集的智能见解。尽管向熄灯工厂的转型并不简单,但对于所有寻求创新方法以提高生产力和降低工人安全风险的制造商来说,这是一段值得踏上的光明旅程。转载自https://www.iothome.com/archives/7226
  • [行业资讯] “四新领航”惠企月之新技术|智能物联网产业技术论坛顺利召开
    青岛日报社/观海新闻6月25日讯 作为新一代信息基础设施,物联网是全球新一轮科技革命与产业变革的核心驱动。6月24日下午,由青岛市工业和信息化局指导,ACM中国应用计算专业委员会主办的“智能物联网产业技术论坛”活动在青岛国际院士港大酒店贾思勰报告厅举行。作为青岛市工业互联网“四新领航”惠企月系列活动之一,此次论坛邀请业内专家学者与十余家物联网行业相关企业代表共同交流分享物联网产业技术相关领域的最新进展,通过研讨交流智能物联网感知、智能物联网安全、智能物联网软件、智能物联网生态等主题,促进不同行业间交叉融合,推进学术界和产业界的合作交流。产学研用结合,专家学者分享行业前沿青岛市工业和信息化局总工程师胡淑桂出席本次活动,并在致辞中表示,智能物联网的发展离不开产业基础资源支撑和先进的技术处理能力。一直以来,青岛市的智慧港口、智能制造、轨道交通等重点产业特色鲜明、优势突出,为智能物联网发展提供了丰富的技术应用场景,在智能物联网的发展进程中发挥着重要的作用。工业互联网作为青岛市实体经济发展的关键一环,是推动制造业高质量发展的重要引擎,而物联网作为工业互联网必要的组成部分之一,必须更加注重智能化、产业化和技术革新,并且伴随着5G等新一代信息技术的成熟,发挥愈加重要的作用。此次论坛特邀中国海洋大学信息科学与工程学部教授郭忠文、山东大学计算机科学与技术学院教授于东晓、西安电子科技大学青岛计算技术研究院副院长王建东等多位业内专家学者,围绕物联网操作系统及生态建设支撑平台、智能物联网系统实施过程中面临的安全问题、普惠型工业互联网ICT大脑关键技术及应用等方面进行交流分享。企业头脑风暴,探讨物联网系统建设新技术赋能千行百业,助推数字化转型升级。在轨道交通领域,北京国信会视科技有限公司以工业互联网赋能轨交行业新势能为主题,分析了轨道交通领域面临的物联网新需求,深入剖析其呈现出的独特特征,并给出了解决方案。在石油化工行业,青岛汇赢科技有限公司阐述了物联网技术在石油化工行业相关领域中发挥的重要作用,其不仅对石油出入库管理、物流领域、资产跟踪方面有所应用,在安全环保领域中的应用也不可忽视。在信息技术应用创新的背景下,数字城市基础设施将发挥怎样的作用?青岛蓝湾信息科技有限公司探讨了新型数字基础设施对于提升城市治理体系和治理能力现代化,推动经济高质量发展,打造数字城市、智慧城市所发挥的重要作用。在5G的赋能之下,智能物联网应用场景也在不断拓宽。山东联通政企创新产品运营中心介绍了联通以“物”为核心,基于5G+AIOT的核心能力,打造行业终端产品。青岛市物联网协会从物联网金融服务切入,探讨了物联网技术作为金融科技的重要手段,在行业和区域金融中,构建相关服务平台对于产业数字化转型以及金融业务产生的变化。在交流讨论环节,众多专家就智能物联网发展过程中面临的挑战进行了深度沟通,通过技术分享,促进学术界成果落地,为各相关企业的重点难点问题提供解决思路,共同推动智能物联网产业技术向前发展。双重优势叠加,新技术催生新赛道近年来,随着以数字经济为代表的新动能迅速起势和工业互联网快速发展,我市“四新”经济、海洋经济增加值占生产总值比重均突破30%。青岛市第十三次党代会中明确提出推动制造业优先发展,“超前布局海洋物联网等未来产业,抢占发展制高点”。值得一提的是,在本次论坛参会企业中,还有以青岛儒海船舶工程有限公司、青岛杰瑞工控技术有限公司等为代表的涉海洋物联网企业。作为智能物联网产业的重点方向之一,海洋物联网在研讨会上也得到了广泛关注。事实上,以卫星互联网和海洋物联网融合创新为主线的海洋物联网产业体系逐步形成,基础设施、核心产品、应用示范、产业生态等各方面也在协同发展。突破发展海洋物联网产业,势必成为经济增长新的发力点。将海洋物联网产业发展摆在重要位置,加持海洋经济资源优势和工业互联网先发优势,应用示范强、产业能级高、集聚效应好的海洋物联网产业体系必将成为一张簇新的“城市名片”。(青岛日报社/观海新闻记者 刘琴)
  • [行业资讯] 深度研究:智能制造走向深水区
    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?智能制造的底层基础是数字化实现智能制造应当聚焦装备和工艺制造工艺和设计仿真协同促进正向设计企业设计仿真、生产制造及服务全流程协同制造业通过数字化、智能化技术提升管理决策水平智能制造领域的人才和初创企业从企业经营和产业发展角度看待智能制造展望一、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。二、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。三、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。目前无论是船舶分段制造中的焊接,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。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。四、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,国内业界已有出现探索相关实践的创业公司。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。五、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。六、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。七、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。八、总结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。展望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。参考文献杨翠红,田开兰,高翔,张俊荣.全球价值链研究综述及前景展望[J].系统工程理论与实践,2020,40(08):1961-1976.李鑫茹,陈锡康,段玉婉,杨翠红.经济全球化和国民收入视角下的双边贸易差额核算——基于国际投入产出模型的研究[J].中国工业经济,2021(07):100-118.DOI:10.19581/j.cnki.ciejournal.2021.07.006.孙金城:时序数据库的现状及核心技术 (qq.com)叶瑛歆. 基于云知识库的数控机床智能控制器加工工艺规划方法研究[D].山东大学,2019.赵升吨等. 高端锻压制造装备及其智能化[M]. 机械工业出版社, 2019.张丞发布过的内容_36氪 (36kr.com)张梦轩,刘洪辰,王敏,蓝兴英,石孝刚,高金森.化工过程的智能混合建模方法及应用[J].化工进展,2021,40(04):1765-1776.DOI:10.16085/j.issn.1000-6613.2020-2139.吕文兵,陆新江,黄明辉,雷杰,邹玮.集成机理与数据的复杂模锻过程在线建模方法[J].中国机械工程,2015,26(09):1227-1232.黄敏健,谢新,郄金波,饶靖.船舶分段制造装备智能化需求分析[J].造船技术,2021,49(06):68-71+85.邓新国,游纬豪,徐海威.贝叶斯极限梯度提升机结合粒子群算法的电阻点焊参数预测[J].电子与信息学报,2021,43(04):1042-1049.夏裕俊,李永兵,楼铭,雷海洋.电阻点焊质量监控技术研究进展与分析[J].中国机械工程,2020,31(01):100-125.董航. 基于焊工智能的机器人焊接轨迹规划及动态熔池监控方法[D].大连理工大学,2019.新品发布 | 应用材料公司发布SEMVision G7 (qq.com)ERC Artistic : Home (erc-artistic.eu)Duquesnoy M , Lombardo T , Chouchane M , et al. Data-driven assessment of electrode calendering process by combining experimental results, in silico mesostructures generation and machine learning[J]. Journal of Power Sources, 2020, 480:229103.Prof. Alejandro A. Franco - Energy Storage & Conversion (modeling-electrochemistry.com)韦一亚等. 计算光刻与版图优化[M]. 电子工业出版社, 2020.Materials to Device Simulation | Applied MaterialsBazizi E M, Pal A, Kim J, et al. Materials to Systems Co-Optimization Platform for Rapid Technology Development Targeting Future Generation CMOS Nodes[J]. IEEE Transactions on Electron Devices, 2021.先导智能王经纬:推进新一代叠片设备的革新与突破 - 维科号 (ofweek.com)梅博士谈CAD:自主可控、技术创新——国产三维CAD必走的突围之路 (qq.com)刘鹤:必须实现高质量发展(学习贯彻党的十九届六中全会精神)--党建-中国共产党新闻网 (people.com.cn)路风. 新火(走向自主创新2)[M]. 中国人民大学出版社, 2020.吕铁,江鸿.从逆向工程到正向设计——中国高铁对装备制造业技术追赶与自主创新的启示[J].经济管理,2017,39(10):6-19.DOI:10.19616/j.cnki.bmj.2017.10.001.1992年乔布斯在麻省理工学院的演讲Humphrey J , Schmitz H . How Does Insertion in Global Value Chains Affect Upgrading in Industrial Clusters?[J]. Regional Studies, 2002, 36(9):1017-1027.出处:物联中国原文链接:http://www.50cnnet.com/show-35-223733.html
  • [行业资讯] 工信部部长肖亚庆:我国人工智能核心产业规模超过4000亿元
    "工信微报"微信公众号6月24日消息,6月24日,工业和信息化部党组书记、部长肖亚庆在天津出席第六届世界智能大会并致辞。肖亚庆表示,党中央、国务院高度重视人工智能发展。习近平总书记强调,要把新一代人工智能作为推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量,努力实现高质量发展。近年来,我国人工智能发展取得积极成效,截至目前,人工智能核心产业规模超过4000亿元,企业数量超过3000家,智能芯片、开源框架等关键核心技术取得重要突破,智能传感器、智能网联汽车等标志性产品的创新能力持续提升,产业体系进一步完善、水平稳步提升。智能化信息基础设施加快布局,已建成5G基站170万个,培育大型工业互联网平台150家、连接工业设备超过7800万台(套)。人工智能与制造、交通、医疗、民生等领域加速融合,不断创造出新业态、新模式、新市场,有力推动各行各业数字化、智能化转型。肖亚庆强调,我们要深入把握新一代人工智能发展的特点和规律,协同推进技术创新、基础设施、赋能应用和治理体系建设,抢抓人工智能发展机遇,为制造强国、网络强国、数字中国建设提供有力支撑。要积极培育人工智能创新生态,大力培育智能产品和服务,启动实施行业融合赋能行动,培育推广一批影响面大、带动性强、示范效应突出、安全保障能力强的应用场景,推动人工智能技术在融合应用中迭代升级。要加快建设智能化信息基础设施,有序推进5G网络和千兆光网建设,完善工业互联网、数据中心、物联网等新型基础设施布局,合理部署超级计算中心。要推进制造业智能化改造,深入实施智能制造工程,建设一批智能场景、智能车间、智能工厂,打造智慧供应链,加快制造业数字化转型、网络化协同、智能化改造。要继续深化开放合作,在技术创新、伦理治理、人才培养、安全保障等方面,开展多渠道、多层次国际合作,共同营造公平开放包容的发展环境。本次大会以“智能新时代:数字赋能、智赢未来”为主题,采用“会展赛+智能体验”四位一体“云上”办会模式,来自多个国家和地区的政界代表、专家学者和企业代表亲临会场或线上互动,共同探讨人工智能与经济、人文、生态、社会治理等领域的热点话题。出处:物联中国原文链接:http://www.50cnnet.com/show-36-226732.html
  • [行业资讯] 工业互联网VS碳管理
    工业互联网VS碳管理在进军碳中和管理前,大数金科的主营业务是为流程制造业提供能源管控、智能配矿、废钢自动化监测等服务,帮助企业提升能源和资源利用效率,而这和碳中和领域紧密相关。孙强表示,在制造业的经验和数据积累,让大数金科在碳排放管理方面有独特优势。一、拥有大量自有数据,验证算法模型。大数金科是中国500强企业兴华财富集团旗下企业,目前兴华财富集团拥有6家钢铁企业,年钢铁产能逾1200万吨。这让大数金科的碳管理系统在进入市场前,即可验证了从物料采购、炼化、生产制造到运输等几十道工序的碳管理流程,实现产品推出即成熟。孙强认为,并非所有互联网互技科技公司都可以进军流程制造行业,因为工业数据积累是非常大的门槛。二、硬核研发,推出国内首款SASS版碳管理系统。36氪调研时发现,大数金科的研发人员占据整个团队的90%以上。为进一步强化技术优势,孙强还推动了大数金科与东北大学进行深度合作,“冶金是东北大学的优势学科。大数金科把东北大学的工具模型和自己跟踪制造行业所有工序的碳排放数据结合,把每一道工序的碳排放数据,都建立了准确的分析模型。这是我们能推出国内首款SASS版碳管理系统‘和碳平台’的关键。”不止东北大学,大数金科还和四川大学、电子科技大学和深圳大学等高校进行合作。孙强认为,高校的研究和企业是互补关系,“高校有很多理念和技术在实验室阶段,企业更擅长工程落地,用成熟技术为客户解决问题。”据孙强介绍,“和碳平台”已经在宁夏一家钢厂落地,帮助企业实现碳摸底、碳账户建立、碳排放管理、碳减排、碳资产管理,打造了一体化双碳解决方案,“现在系统初步落地后,已实现全流程减碳10%,年减碳40到50万吨碳。如果后续继续深入,把流程更细致的优化,我们有信心再减少10%碳排放。”三、核心技术与双碳管理共振。由于在工业软件领域的长期积累,大数金科还形成了坚实的技术壁垒。以废钢检测为例,大数金科的“慧眼AEYE”充分运用三维成像非接触式测量与机器视觉的前沿核心技术,结合光谱成分分析,废钢识别准确率达95%,废钢定级精度能控制在0.05毫米以内,解决了以往人工进行废钢定级时风险高、效率低、误差大的问题,而以废钢为基础的短流程炼钢碳排放只有以铁矿石为基础的长流程炼钢的1/3左右。四、生态合作开启全面减碳。据孙强透露,大数金科已经和一些光伏企业达成合作,共同为产业园区和企业提供能源置换服务,“我们主要提供前期摸底监测和技术优化,所以在不擅长的能源置换领域,需要把以光伏企业为代表的合作伙伴引进来,形成合力,共同开发碳市场。”有了客户大量数据反馈,大数金科的产品也越来越成熟。大数金科也根据客户的工艺,确定情况,以及当地政府政策,不断调整产品。孙强表示,虽然大数金科的市场规模有了很大的扩张,但现阶段仍以打磨产品为主,不断匹配市场需求。
  • [行业资讯] 你真的准备好工业 4.0 了吗?
    德勤最近的全球调查显示,工业企业中94%的高管认为数字化转型是重中之重。然而,只有 14% 的人认为他们的工厂已准备好做出实现工业 4.0 所需的改变。自动化零部件供应商 EU Automation 的绩效经理 Andrew Falconer 在此解释了可能会减缓工业 4.0 技术采用的原因,以及更多企业如何将其数字化转型战略付诸实践。十多年来,制造商已经看到了自动化的好处,以及它如何在各种应用中提高生产效率。西门子、博世和 ABB 等大型制造商在数字化方面处于领先地位,并展示了新技术在提高整个供应链效率方面的优势。尽管这些企业取得了成功,并向其他企业展示了成功,但中小型企业的创新速度却很慢。不过,如果将流程数字化,这些企业也可以获得类似的成功。正如西门子前首席执行官约根·迈尔(Jürgen Maier)在发表《智能制造评论》(Made Smarter Review)时所解释的那样,“对于中小型企业而言,参与数字技术非常重要。许多小型公司认为它只适用于西门子之类的公司,但事实并非如此。像机器人这样的技术现在任何制造商都能负担得起并适用,并且可以显著提高生产效率。”自2011年工业4.0一词在汉诺威工业博览会上首次出现以来,制造商就已经意识到先进技术的好处。因此现在,制造商是否应该数字化已不再是问题,而是应该以多快的速度实现数字化。技能问题制造商将继续实施新的数字技术,如物联网、人工智能、先进的机器人技术和云计算,但如果员工没有接受过全面培训,这是否值得?现实情况是,随着数字化工厂的发展,人类工人的角色将发生变化,工厂必须确保拥有高效运营所需的高技能工人。根据制造商最新的年度制造报告,59% 的受访者认为,教育体系正在失败,无法跟上制造技术变革的步伐。学校正在加大力度,以确保年轻人提升技术技能,并鼓励更多人从事科学、技术、工程和数学 (STEM) 学科相关的职业。然而,随着技术的快速发展和新流程的快速引入,无法保证这些技能在学生进入工作场所时仍然有用。为确保制造商能够找到所需的熟练员工,他们应与行业协会合作,提高内部和教育体系的技能。当地创新中心可以对员工进行新技术培训,向他们展示如何有效地操作新系统。制造商还可以与学校合作,鼓励更多学生提升技术技能,并与行业保持同步,为未来的职业生涯做好准备。适应性即使工厂经理雇佣了最合格的员工,成本仍然是工厂全面数字化的最大障碍之一。较小的企业可能不愿意对其整个工厂进行全面改造,因为他们认为当前的技术运行效率很高,而且他们也看不到立即的投资回报。然而,制造商可以通过更具成本效益的方式来保持竞争力,并继续他们自己的工业 4.0 之旅。虽然较小的制造商可以继续使用旧设备(如果它仍然有效),但他们应该意识到计划外停机的风险。缺乏可见性和实时数据使制造商无法准确监测机器状况,并无法在故障发生前检测到故障。这些制造商不应该被动坐等停机,而是应该投资于能够帮助他们提高生产力和维护现有系统的设备。增强感官物联网传感器不是一项新技术——军方在 70 年代就开始使用它们,而商业行业则是在 90 年代开始采用该技术。现在,制造商可以使用这种经济实惠的技术来收集有关各种参数的实时数据,例如温度、压力和流量。准确监测整个工厂的机器状况使制造商能够检测和预测问题,提前计划维护以避免昂贵的停机时间。工程师可以将物联网传感器安装到现有设备上,以立即改善操作。企业还应考虑为现有机器添加连网功能,以允许设备通过互联网进行通信,并提高远程监测能力。提高在整个工厂收集和共享数据的能力可以帮助工厂经理实施成功的预测性维护策略,并保持旧设备高效运行。长期利益例如,机器中的传统电机要么以100%的功率开启,要么关闭,而不管应用实际要求的运转速度如何。智能传感器将检测机器是否过热,因为它们的运转速度超过了要求。然后,制造商可以安装变速器等设备,以避免发生故障。访问某些参数的实时数据可以提醒制造商注意机器的任何问题,例如过热。然后,他们可以计划维护以更换零件并调整设置,以降低故障中断生产的风险。随着制造商在其工厂中放置物联网智能传感器,他们可以收集更多信息,并看到提高可见性的长期好处。只有以所需的速度运行机器并改进预测性维护,才能降低整个企业的能源消耗和成本。制造商还应该看到维护成本的降低,并将能够随着时间推移分析数据,以了解他们可以在哪些方面进一步提高生产效率。早在 2011 年,工业 4.0 就不仅仅是投资新技术和工具以提高制造效率,而是彻底改变整个企业的运营和发展方式。近十年来,我们看到公司竞相成为这场革命的一部分,并投资于先进技术,以与主要的行业领导者竞争。然而,公司不需要西门子或博世等大型制造商的预算来改变其业务。通过花时间为他们的设施进行适当的调整和改造,无论是更换整个系统还是改造当前的某个基础设施,每家企业都可以实现自己的工业 4.0 愿景。(编译:iothome)
  • [行业资讯] 解决制造业中的技能差距
    制造业在全球经济中扮演着重要的角色。两个多世纪以来,该行业发展迅速,采用了大量的尖端技术。这种加速对工人产生了重大影响,这在他们的已有技能与跟上技术需求所需的技能之间形成了差距。自动化、物联网、人工智能和先进的机器人技术正在改变制造业的面貌,并重组工作场所。虽然有些人预测这些技术将消除就业机会,但现实表明,它们正在创造更多就业机会。波士顿咨询集团(Boston Consulting Group)2019年的一项研究发现,包含“物联网”、“云”和“机器学习”的招聘信息每年同比增加20%。德勤(Deloitte)和制造业协会(Manufacturing Institute)的另一项研究表明,技术发展扩大了需要填补的工作岗位与人们填补这些岗位所需技能之间的差距。他们发现,在2018年至2028年之间,将有大约240万个职位空缺,潜在的经济影响为2.5万亿。在这种情况下,未来制造商的必备技能是什么,工作场所会是什么样子? 以下是行业中可能的三个职位示例。数字孪生工程师数字孪生具有许多优势,包括扩展传统设备的功能和降低设备过时的风险。它们是所有物理资产在其整个生命周期中的强大数字复制品,包含这些资产的数据和控制。从亚马逊和劳斯莱斯等公司来看,数字孪生技术的使用正呈指数级增长,这需要一个专属职位来管理它们。数字孪生工程师充当产品孪生和性能孪生之间的纽带,加强它们的协作并监控它们的性能。他们利用工程工具和产品架构,例如零件和子组件,并将它们与必要的数字元素(包括软件、数据和芯片)集成在一起。他们还通过创建虚拟模型在真实操作环境中进行测试,帮助制造商了解他们的产品。完成这项工作所需的技能是对分析、软件开发、跨职能团队领导力的深刻理解,以及传感器、图像处理、模拟和算法方面的知识。数字孪生工程师必须精通创建主要工业产品的数字复制品,以帮助公司预测和响应客户的需求。机器人团队协调员不难想象机器人和人类一起工作——协作机器人已经在彻底改变工厂车间。机器与人类之间的这种协作越来越受欢迎,从而导致了混合交互团队的创建。就像普通的团队领导一样,机器人团队协调员将监督机器人的性能,并向程序员提供反馈,以优化机器人价值,同时实现最佳的人机协作工作环境。他们在发现和管理人类和机器人的优势以提高生产力和增长方面发挥着关键作用。该职位所需的一些技能是行为分析、机器人管理、客户服务和技术诀窍。他们还需要流程工程师和变革管理专家的一些技能,以便在生产线上集成机器人。智能工厂经理在未来的智能工厂中,经理们将比在传统环境中承担更多的责任。这是因为他们需要将先进制造、安全连接和可操作的数据分析集成在一起,以推动生产力增长。他们使用人工智能、物联网和机器算法来管理供应链。随着责任的增加,需要更多的技能组合。智能工厂经理需要成为应用技术、自动化和连接性以及深度学习和新工业技术方面的专家。其他技能包括卓越运营、项目、客户和变革管理。通过对未来工作场所需求的深刻了解,制造商可以有效解决影响行业的技能差距,并通过投资于员工来应对这一问题。更重要的是,他们需要通过提高数字化程度,为这些新职位的发展创造条件。(编译:iothome)
  • [行业资讯] 减少电子垃圾需要共同努力
    对电子设备日益增长的需求正在引发一场电子垃圾海啸。这是联合国发出的严厉警告,其全球电子垃圾监测2020报告称,电子垃圾是世界上增长最快的生活垃圾。报告称,2019年全球产生了创纪录的5360万吨电子垃圾——仅在五年内就增长了21%。到2030年,这一数字预计将翻一番,达到每年7400万吨。电子垃圾通常包含金属材料、基本重元素和危险化学品,会对环境造成极大危害。这种增长在一定程度上是由对物联网设备的无限需求推动的。2021 年有超过 100 亿台活跃的物联网设备,根据 DataProt 发布的统计数据,预计到 2030 年将增加到 254 亿台以上。如果电子垃圾的浪潮得不到遏制,未来肯定会很黯淡。世界各地的政府都开始提高对电子垃圾的认识,但最终责任主要在于电子制造商,因为它们是设备的来源,此外责任也在于使用和丢弃电子垃圾的消费者。全球经济建立在一种“制造垃圾”的模式上,在这种模式下,宝贵的自然资源被开采、使用,然后被处理掉。很明显,这是不可持续的,并且正在加剧我们的气候危机,因此制造商和消费者都必须发挥各自的作用,并做出更大的共同努力和承诺来减少这种浪费和污染。制造商可以发挥什么作用?制造商可以做更多的工作来促进和采用循环经济实践,以减少使用新原材料的需要。他们可以寻求引入更智能的设计流程,以确保更长的产品寿命和更好的可修复性,并确保组件可回收。制造商需要考虑的一个领域是设计阶段的防水性,这可以使设备易于维修,而不会造成浪费。液体保护技术,例如纳米涂层,允许设备制造商重新焊接组件和返工电路板,而不是扔掉它们。这减少了对垃圾填埋的需要,并使制造商能够满足他们的环境社会治理(ESG)目标和有关垃圾的法规。由于冠状病毒大流行,导致消费者更频繁地清洁他们的移动设备,使他们面临损坏的风险,防止进水的技术最近变得更加重要。ZDNet 2020 年的一项民意调查显示,大流行似乎已经改变了个人在清洁移动设备方面的卫生习惯。对于电子制造商来说,延长产品寿命将是满足ESG需求的最快途径。世界电子垃圾统计控制联盟的研究结果表明了这一点,该联盟指出,75%与智能手机相关的排放可归因于制造阶段。然而,将这些设备的使用寿命延长 4.5 年可以将排放量减少一半。动作缓慢的制造商可能会在竞争力方面落后,因为越来越多的消费者将ESG证书作为其购买决策的核心,更喜欢青睐于在这一领域积极主动的品牌公司。消费者能做什么?消费者不需要频繁地升级电子设备,并且可以停止购买新的电子设备,专注于维修和重新利用他们的设备。英国皇家化学学会发现,96% 的消费者持有一种或多种旧式小玩意,如手机、笔记本电脑和 MP3 播放器,三分之二的人计划无限期地囤积它们。消费者可以采取的一个重要步骤是将其所有旧的和损坏的电子设备送到指定回收点。除了对回收和再利用设备采取更好的态度外,消费者还可以购买更好的产品,这意味着可以选择以更可持续的方式生产的产品。事实上,消费者的可持续发展意识正在提高,根据2019年爱德曼信任度晴雨表特别报告:在我们信任的品牌中,81%的人说“我必须能够相信品牌商做正确的事情”。尽管电子垃圾被排除在COP26之外,但制造商和消费者应该敏锐地意识到这一点。消费者压力在鼓励企业改变生产方式方面发挥着重要作用。随着他们改进流程,越来越多的消费者将不可避免地要求提供可持续实践的证据,并将其方法的重点放在可重用性上。如果制造商和消费者能够共同推动彼此,那么未来的岁月对子孙后代来说将不会那么黯淡。(编译:iothome)
  • [行业资讯] 工业机器人的局限性
    制造商越来越意识到实施机器人的潜在商业和生产效益。然而,工业机器人并非没有缺点。以下是一些最常见的限制,以及制造商如何克服这些限制的一些建议。如今,工业机器人几乎用于所有行业。它们为制造设施带来了许多好处,并为未来的智能工厂铺平了道路。然而,在选择机器人设备时,制造商应该考虑一些限制。据《财富商业洞察》报道,对自动化流程的需求正在增加,预计 2028 年工业机器人市场将达到 313 亿美元。制造商越来越意识到实施机器人的潜在商业和生产效益。然而,工业机器人并非没有缺点。以下是一些最常见的限制,以及制造商如何克服这些限制的一些建议。负担能力一般来说,工业机器人需要大量的前期投资,包括额外的安装和配置成本。制造商还需要考虑未来的维护成本和额外组件的需求。同样,机器人技术是一个不断发展的行业,升级后的机器总是在市场上出现。对于一些公司来说,定期投资新机器人可能是一项艰巨的任务,尤其是规模较小的公司,它们可能会为了跟上行业趋势而破产。然而,工业机器人可以帮助制造商在不同领域削减成本。它们可以通过优化工作来降低生产成本并增加利润。有了明确的投资策略和财务计划,机器人更有可能带来快速的投资回报。另一个明智的选择是投资翻新机器人。通常,二手机器人的价格是新机器人的一半,同时可以保持其效率和可操作性。安全在工厂里,工业机器人总是被认为是危险的。理由很充分——它们是巨大、笨重的设备,也可以以非常快的速度移动。较旧的机器甚至缺乏检测附近人类的感知能力,这使得它们容易发生危险的碰撞和事故。出于这个原因,许多制造商增加了笼子或隔板,以将机器人与人类同事隔离开来。最近,随着更小、更轻且专为与人类一起工作而设计的协作机器人的引入,安全已成为工业自动化的主要优先事项之一。对于笨重的工业机器人和协作机器人来说,更多的监管措施已经到位。虽然要在工厂中实现绝对安全还有很长的路要走,但毫无疑问,进步仍在进行中。光幕、激光扫描仪和存在感测设备等新技术被广泛认为是提高人类安全的一种方法。制造商的一个良好做法是对其生产线进行风险评估,并培训工人如何应对潜在事故。难以训练工业机器人需要专家编程和培训才能执行任务,因此公司需要聘请经验丰富的工程师和程序员来负责机器人的安装。最重要的是,当新开发的软件或新机器人出现在市场上时,即使是经验丰富的人员也可能需要再次培训。如果机器人没有正确编程,它可能会导致故障并伤害周围的人。然而,近年来已经实施了一种训练机器人的新方法——无代码或低代码编程。它允许编码经验较少的员工使用可视化建模和拖放用户界面来配置机器人。由于无代码和低代码平台易于使用的格式,机器人也可以通过调整手臂来重新编程以适应不同的工作。低代码和无代码平台的趋势正在上升,美国、英国、加拿大和澳大利亚有 84% 的企业实施了低代码开发平台,以减少编码需求。工业机器人已被证明可以简化人类工作,为制造商带来快速的投资回报,并简化生产。然而,它们并非没有限制。它们比人类更难训练,需要高昂的投资和维护成本,并带来安全挑战。虽然这些是制造商的合理担忧,但可以通过精心规划和新技术来克服它们。
  • [行业资讯] 一小时的停机时间会给您带来多少损失?
    据 Oneserve 称,有缺陷的机器使英国制造商损失了 3% 的工作日,每家企业平均每年损失 31,000 英镑。该报告还指出,四分之三的英国制造商将设备维护外包,每家企业平均每年花费 120,000 英镑。损失的业务和维护成本是停机最明显的后果,但并不是唯一的后果。Oneserve 提供的数字令人担忧,但更令人担忧的是 Aberdeen 的独立研究结果,据该研究称,70% 的企业不知道他们的设备何时需要维护,80%的企业无法计算一小时的停机时间会给他们的业务造成多少损失。然而,作为20%了解停机真正成本中的一员,企业将在竞争中获得巨大优势,因为这种知识使他们能够根据有形的事实和数字来规划投资,而不是凭直觉。例如,管理人员可能不愿意投资10万英镑来每天节省10 分钟的停机时间。但如果我们确定停机时间使公司每小时损失24000英镑,那么这10分钟就值4000英镑,并且最初的投资将在 25 天内收回。有形成本企业的真实停机成本(TDC)是生产暂停期间持续的所有成本以及解决问题所需资源的总和。这些包括生产力损失、固定成本(如劳动力和公用事业、更换零件、维护),但也包括商业机会的损失和客户信任的丧失。TDC 可分为有形成本和无形成本。在有形成本中,首先也是最明显的是生产力损失成本。如果一家企业通常每小时生产 500 件商品,每件商品的利润为 25 英镑,那么一小时的停机时间将使该企业损失 12,500 英镑的收入。然而,这只是冰山一角。员工的工资和水电费也是巨大的成本。当设备出现故障时,公司在使用相同数量的劳动力和设施空间的情况下,产量会减少。有时,这些成本甚至会上升,因为维护团队可能需要加班才能让系统重新启动和运行。另一个重要成本,特别是对于使用易腐烂货物的工厂来说,是产品丢弃或损坏的成本。例如,一家牛奶加工厂将有 24 到 48 小时的时间来完成生产,具体取决于外部温度。如果问题没有及时解决,整批牛奶都将被扔进垃圾箱。无形成本除了最直接的停机成本之外,还有其他一些成本可能难以计算,但会对公司的业绩产生负面影响。首先是库存耗尽的成本。如果生产暂停几个小时,库存就会开始减少。一旦生产恢复,工厂将不得不弥补损失的生产力,以继续像往常一样为客户提供货物。这意味着员工可能不得不加班,机器将满负荷工作,从而增加成本。如果工厂无法弥补,且客户没有得到及时供货,制造商就可能会面临失去客户的成本。当停机时间影响到客户时,他们可能会开始质疑您按时供货的能力,并开始考虑与更可靠的供应商合作。最后,停机时间会阻碍创造力。当公司的重心和资源都放在维修设备和解决生产问题上时,那么就没有精力和资金去创新了。这个成本起初看起来可以忽略不计,但随着时间推移,它会严重限制企业的竞争力。当然,通过实施物联网预测性维护,可以帮助企业减少停机时间,进而避免一系列损失。(编译:iothome)
总条数:377 到第
上滑加载中