如果要让人工智能对制造业有价值，那它必须是整个制造过程的一部分。制造商可以在多种方面受益于人工智能，如提高生产、质量控制和效率。尽管人工智能为制造商提供了几种新的应用，但为了获得最大的价值，企业必须在整个制造过程中使用它。这意味着制造工程师需要专注于人工智能数据准备、建模、仿真和测试以及部署的四个关键方面，以成功地在不间断的制造过程中使用人工智能。不需要成为人工智能专家工程师们可能认为开发人工智能模型需要相当长的时间，但事实往往并非如此。建模是工作流过程中的一个重要步骤，但不是最终目标。要成功使用人工智能，关键是在流程一开始就确定任何问题。这让工程师知道工作流的哪些方面需要投入时间和资源以获得最佳结果。在讨论工作流时，有两点需要考虑:制造系统庞大而复杂，人工智能只是其中的一部分。因此，AI需要在所有场景下与生产线上的所有其他工作部件一起工作。其中一部分是使用工业通信协议，如OPCUA，以及其他机器软件，如控制、监控逻辑和人机界面，从设备上的传感器收集数据。在这种情况下，工程师在融入AI时就已经为成功做好了准备，因为他们已经了解设备，且不管他们是否拥有丰富的AI经验。换句话说，如果他们不是人工智能专家，仍然可以利用其的专业知识成功地将AI添加到工作流程中。人工智能驱动的工作流程构建人工智能驱动的工作流程需要4个步骤:?数据准备当没有良好的数据来训练AI模型时，项目更有可能失败。因此，数据准备至关重要。错误的数据可能会让工程师浪费时间去弄清楚为什么这个模型行不通。训练模型通常是最耗时的步骤，但也是重要的步骤。工程师们应该从尽可能干净、有标签的数据开始，专注于输入模型的数据，而不是专注于改进模型。例如，工程师应该专注于预处理和确保输入模型的数据被正确标记，而不是调整参数和微调模型。这可以确保模型理解和处理数据。另一个挑战是机器操作员和机器制造商之间的差异。前者通常可以访问设备的操作，而后者需要这些数据来训练AI模型。为了确保机器制造商与机器操作员(即他们的客户)共享数据，双方应该制定协议和商业模式来管理这种共享。建筑设备制造商Caterpillar提供了一个很好的例子来说明数据准备的重要性。其收集了大量的现场数据，虽然这对精确的AI建模是必要的，但这意味着需要大量的时间来进行数据清洗和标记。该公司成功地利用MATLAB简化了这一过程。它可以帮助该公司开发干净、有标签的数据，然后将这些数据输入机器学习模型，利用现场机械的强大洞察力。此外，对于拥有领域专业知识但不是人工智能专家的用户，该过程是可伸缩的和灵活的。?人工智能建模这个阶段在数据清理并正确标记后开始。实际上，就是模型从数据中学习的时候。当工程师们有了一个准确而可靠的模型，可以根据输入做出智能决策时，就知道他们已经进入了一个成功的建模阶段。这个阶段还需要工程师使用机器学习、深度学习或两者结合来决定哪个结果最准确。在建模阶段，无论使用深度学习还是机器学习模型，重要的是能够访问人工智能工作流的几种算法，如分类、预测和回归。作为一个起点，由更广泛的社区创建的各种预构建模型可能是有帮助的。工程师也可以使用灵活的工具，如MATLAB和Simulink。值得注意的是，尽管算法和预先构建的模型是一个很好的开始，但工程师应该通过使用其领域内其他人的算法和示例，找到最有效的路径来实现他们的特定目标。这就是为什么MATLAB提供了数百个不同的例子来构建跨越多个领域的AI模型。此外，还需考虑的另一个方面是，跟踪更改和记录训练迭代是至关重要的。像实验管理器此类工具可以通过解释导致最准确的模型和可重复的结果的参数来帮助实现这一点。?模拟和测试这一步确保AI模型正确工作。人工智能模型作为一个更大系统的一部分，需要与系统中的各个部分一起工作。例如，在制造业中，AI模型可能支持预测性维护、动态轨迹规划或视觉质量检查。其余的机器软件包括控制、监控逻辑和其他组件。模拟和测试让工程师知道，模型的一部分按照预期工作，包括自身工作和与其他系统一起工作。只有当能够证明模型按预期工作，并且具有足够的有效性来降低风险时，该模型才能在现实世界中使用。无论在什么情况下，模型都必须以其应该的方式做出响应。在使用模型之前，工程师应该在这个阶段了解几个问题:?模型的准确度高吗??每个场景中，模型是否按照预期执行??所有边缘情况都被覆盖了吗?像Simulink这类的工具可以让工程师在设备上使用之前，检查模型是否按预期情况运行。这有助于避免在重新设计上花费时间和金钱。这些工具还通过成功地模拟和测试模型的预期案例，并确认满足预期目标，从而帮助建立高度信任。?部署一旦准备好部署，下一步就是用其将使用的语言准备好模型。为此，工程师通常需要共享一个现成的模型。这让模型适合指定的控制硬件环境，如嵌入式控制器、PLC或边缘设备。MATLAB等灵活的工具通常可以在任何类型的场景中生成最终代码，为工程师提供了在不同硬件供应商的许多不同环境中部署模型的能力。他们可以做到这一点，而无需重新编写原始代码。例如，当将模型直接部署到PLC时，自动代码生成消除了手工编程过程中可能包含的编码错误。这也提供了优化的C/c++或IEC61131代码，将有效地运行在主要供应商的PLC上。一些控制制造商支持从 MATLAB 和 Simulink 自动生成 PLC 代码（IEC 61131 或 C/C++）成功部署人工智能，并不需要数据科学家或人工智能专家。然而，有一些关键的资源可以帮助工程师和其的AI模型为成功做好准备。这包括为科学家和工程师制作的特定工具，将人工智能添加到工作流程中的应用程序和功能，各种不间断操作使用的部署选项，以及随时准备回答AI相关问题的专家。给工程师提供正确的资源来帮助成功添加人工智能，将让他们交付最好的结果。

制造业也通过物联网的应用享受颠覆的味道。世界正在通过技术发展成为一个更美好的地方。随着它的发展，人们也在改变他们的观点。随着越来越多的颠覆性趋势在我们的日常生活中得到体现，对定制化需求的增强、客户期望的提高以及供应链的复杂性正在成为焦点。所有这些变化都对制造业产生了直接影响，人们期待更多的产品可供选择。制造业也正在享受通过连接设备带来的颠覆。物联网以多种方式为工厂车间提供动力。其中一些列举如下。提高车间可见度通过使用物联网设施为制造基地提供动力，它为车间和现场操作提供了革命性的可见性。行业利用该应用程序实时更新数据，最终导致制造流程的大幅增加。预测故障机械损坏和停机时间对于制造厂来说非常重要。除了损害收入外，在某些情况下，它们还可能危及人类工人。物联网设备具有不同类型的传感器，用于监控温度、振动、电压、电流等。在这些传感器的帮助下，工作人员可以获得任何预测故障的警告信号。实施运营智能制造车间的未来将让自主机械接管耗时且繁重的人工工作。通过将机器相互连接，制造商可以生成智能网络，这些网络可以自主地相互通信和协调，而几乎不需要人工干预。智能包装对于制造商而言，智能包装提供了创新的物联网优势。它可以帮助客户与物联网设备进行通信并生成数据以更好地进行产品管理。智能包装可能包括烹饪视频、化妆教程和其他演示，以演示如何使用产品。资产管理越来越多的制造公司正在实施资产实践。使用物联网技术以及为 iOS 和 Android 创建本地 Web 和移动应用程序，可以获得当前资产数据并做出合理的决策。控制质量物联网传感器在产品周期的不同阶段捕获累积的商品数据以及来自第三方的其他集体数据。该信息涉及所用原材料的组成，以及运输和其他因素对成品的影响。此外，如果集成到最终结果中，物联网系统将提供消费者对产品反应的数据。稍后可以评估这两种输入，以发现和解决质量问题。

根据市场观察机构 IDC 的数据，2022 年澳大利亚和新西兰 (ANZ) 在物联网产品和服务上的支出预计将超过 160 亿美元，比 2021 年增长 13%。由于通货膨胀加剧、芯片短缺、贸易限制、自然灾害和供应链中断，澳大利亚和新西兰 (ANZ)物联网市场面临困难。然而，尽管存在这些问题，但 5G 部署的增加、汇率的飙升以及人工智能、云和大数据等技术的成熟采用，为该地区的物联网部署增加了潜力。IDC 预测澳大利亚和新西兰 (ANZ)在物联网上的支出将在 2026 年达到 240 亿美元，2021 年至 2026 年的复合年增长率 (CAGR) 为 10%。IDC 亚太区物联网和电信副总裁 Hugh Ujhazy 表示：“随着企业接受数字化计划并寻求在流程和应用中嵌入智能，物联网的作用将继续增长。要实现这一点，需要在运营技术和IT利益相关者之间建立多层次的桥梁。那些拥抱融合的企业预计将在新常态中蓬勃发展。”劳动密集型和资产重的行业，如制造业、公用事业和运输业，将在2022年和预测年份继续成为物联网投资的热门行业。这些行业合计占所有物联网支出的一半以上。经济、政治或流行病因素带来的挑战已导致组织采用数字优先战略，而在各个流程中增强自动化正推动这些行业投资物联网。各国政府也在投资加强制造业供应链的举措。供应链弹性倡议是澳大利亚加强该国关键产品制造业供应链的一个例子。技术，尤其是物联网和分析，发挥着重要作用。2022年增长最快的行业是建筑、加工制造和资源行业。传统上，这些国家在技术采用方面速度较慢，尤其是在建筑领域。然而，随着经济活动的恢复，限制的减少和对远程或非接触式参与需求的增加正在推动这种增长。2022 年支出最高的物联网用例与制造运营、生产资产管理、智能电网和货运监控等领域有关。这些用例加起来将占澳大利亚和新西兰物联网总支出的三分之一以上。IDC 市场分析师 Sharad Kotagi 表示：“澳大利亚和新西兰的企业正在利用其技术投资，转型为数字优先的组织。” “物联网的使用将带来俱佳的客户体验、强大的运营模式和改进的协作。”物联网服务将在2022年成为最大的技术群体，直到预测结束。分布式环境中的物联网部署将在数据安全、集成和数字治理方面带来挑战，进而增加对系统集成商和其他外包合作伙伴的依赖。到2022年，软件支出将成为第二大技术群体，也是增长最快的技术类别，五年复合年增长率为 11.5%，重点是应用程序和分析软件的采购。软件支出之后是 2022 年的硬件支出，主要由购买模块和传感器驱动。在预测期内，连接性支出将以 6.1% 的复合年增长率增长，并将占 2026 年总支出的 10.5%。原文链接：https://www.iothome.com/archives/7625

行业资讯一览中国移动宣布：和飞信将停止服务中国移动近日发布公告，宣布调整和飞信业务，自9月30日开始停止提供该服务，这意味着曾经收获5亿注册用户的飞信APP将正式走下历史舞台。需要提及的是，和飞信去年4月底曾发布业务调整公告。公告称，由于业务发展调整，将于2021年4月28日起，暂停企业注册，并对全体和飞信用户不再赠送超级会议、语音通知、群发信使及每月500条群发助手短信条数等体验权益。（来源：每经网）工信部：持续推动工业互联网产业创新7月25日工信部消息，工信部副部长徐晓兰出席第五届数字中国峰会工业互联网并致辞。徐晓兰表示，工信部将充分发挥政府的引导作用和市场的主导作用，不断开创工业互联网创新发展新局面。一是持续夯实工业互联网发展基础，二是持续推动工业互联网产业创新，三是持续深化工业互联网融合应用，四是持续增强工业互联网安全保障。（来源：新浪财经）易趣网宣布8月12日关闭，成立至今已有23年7月24日消息，易趣网（上海盈实信息技术有限公司）发布公告称，由于公司调整运营策略，决定停止易趣网络平台运营，关闭易趣网站。2022年8月12日24:00前，易趣网将关闭网站所有商品、商铺的交易功能，同时关闭易趣网用户注册、登录、充值功能，关闭网站服务器。1999年，易趣网成立，距今已运营23年。易趣网为中国第一家C2C网站，2000年，易趣网凭借各项指标长期排名榜首，成为中国第一大电商网站。2003年6月，全球最大的电子商务网站美国eBay收购了易趣网剩余股份，全资控股易趣，同年淘宝成立。（来源：钛媒体）华为杨超斌：5G赋能数字经济，携手共创智慧未来7月24日，在第五届数字中国建设峰会期间，华为无线网络产品线总裁杨超斌发表了题为“5G赋能数字经济，携手共创智慧未来”的主题演讲。杨超斌表示:“中国5G进入规模化应用关键期，需要持续推动5G网络基础设施的建设，提升每万人5G基站数和农村5G体验，支撑5G应用场景和产业生态快速发展；面向5.5G持续创新增强5G网络能力，构筑‘下行10Gbps、上行1Gbps、千亿联接、内生智能’的移动网络，满足toC新业务和toB行业应用的新需求，为数字中国的建设注入新动能。”数字人民币产业联盟成立第五届数字中国建设峰会7月23日-24日在福建省福州市举办。24日上午，由新大陆数字技术股份有限公司、华为技术有限公司共同发起倡议成立的“数字人民币产业联盟”举办选举大会。截至目前，联盟包括了37家成员单位，其中包括了多家大型国有银行。据了解，该联盟旨在对接数字中国战略，推动数字人民币新基建创新发展，促进数字人民币产业发展、联合技术攻关、技术与知识资源共享。工信部推出互联网账号一键查询7月21日，工信部推出“一证通查”服务，帮助用户防范在本人不知情注册互联网账号情况下带来的涉诈风险，在支付宝内搜索“一证通查”小程序，输入相关信息，即可获取绑定互联网账号信息，还可以自主注销不常用账号。（来源：新华网）云商店一周动态云商店携手医码平川，助推医药企业数字化升级药品安全关系着人民群众的身体健康，相关问题一直是人们关注的热点话题，而药品溯源作为药品安全中的重要一环自然也备受瞩目。由华为云联合数衍科技推出的医码平川追溯服务平台，就可以很好地解决药品溯源的问题，“医码平川”可以为广大药品零售企业提供药品追溯、经营管理、消费者用药安全等一体化SaaS服务。阅读全文，了解更多：“医码平川”功能升级，保障药品追溯数据真实可信！云商店伙伴帆软携手燕喜堂，推动百年药企发展作为华为云云商店商业智能类伙伴，帆软携手百年药企燕喜堂，开发了具有燕喜堂特色的报表，高效地完成数据收集汇总，极大的提高了业务部门的工作效率，更为公司战略提供了强大的数据支撑！阅读全文，了解更多：数字化时代，是什么“黄金宝藏”在推动百年药企发展？编辑 | 一只大月亮

全球疫情大流行继续推动工业创新，导致人们更加依赖自动化和工业物联网（IIOT）。我们一直在调整我们对未来的展望，以考虑更多远程工作模式，以及与人工智能更密切的合作。我们在去年制造业趋势中预测的重要主题，今年仍然在列，并且排在前列，例如安全和预测性维护。工业发展的核心要素也将继续发挥重要作用，包括3D打印、大数据分析和资源规划。健康与安全在全球健康危机的这些年里，员工安全继续占据中心位置，许多制造业企业正在调整其流程，以纳入更好的安全措施。除了健康体系的新冠肺炎指南外，企业还开始在其系统中集成更先进的技术，以改善健康、安全以及总体工作条件。我们开始相信我们与协作机器人等机器的合作，并且网络监测设备正在集成到制造业的所有领域中。安全控制可能很快就会自动执行，并且向熄灯制造转变的速度也会加快。熄灯制造没有任何人类参与的熄灯工厂的想法已经在许多地区成为现实。这种策略并不适用于所有类型的行业，因此这一趋势可能需要一段时间才能形成。人们仍然对完全智能化的工厂持谨慎态度，其他人则担心它对就业的影响。另一方面，行业专家认为，采用熄灯制造只是时间问题，是制造业持续发展的必然趋势。工业物联网的更高级用途工业物联网正在发展，随着企业主认识到远程控制连网设施的价值，这种制造趋势将在 2022 年继续。工业物联网在运行、监控和评估制造系统方面发挥着核心作用，云计算和软件即服务 (SaaS) 的发展极大地扩展了其能力。工业物联网设备将遍布制造业的许多领域，包括质量控制、RFID 跟踪、仓库管理和物流、状态监测和预测性维护等。人工智能、增强现实、虚拟现实和机器学习2022 年的制造业趋势将更多地使用人工智能和机器学习等先进技术。人工智能和机器学习极大地提高了设备的性能，同时监控其性能和安全性。机器学习使系统能够加快决策速度并增强质量控制，因为它建立在人工智能能力的基础上，可以自学如何更好地工作。与 CAD 建模一起，这些技术可以在设计和原型制作阶段节省资金和时间，从而提高生产效率。随着项目的远程协作变得越来越普遍，虚拟现实 (VR) 和增强现实 (AR) 将在日常业务运营中发挥更大作用。设计师和工程师可以从世界任何地方输入项目，进行改进，或将其展示给潜在客户。现场服务技术人员现在经常通过远程语音和AR引导指令来帮助客户进行基本维护。大数据和报告工业物联网还为制造商提供了大数据收集和报告的好处，这是一个持续的趋势。大数据是指传感器不断监测制造流程而收集的大量原始数据。机器学习可以对此进行分析，但需要将其格式化为可理解的报告，以便于人类分析。数据可视化工具或电子表格可以帮助分析人员评估实时数据，以便他们改进决策、提高生产效率和提高安全性。制造商可以看到更大、更全面的业务图景，使他们能够为未来制定更周全的规划。预测性维护我们讨论预测性维护已经有一段时间了，而 2022 年的制造业趋势将把它视为一个越来越受欢迎的功能。因机器意外停机而导致的典型财务损失最多可达50%，因此可能会有更多的制造商采用预防性维护。现在，大多数现代工业设备都提供实时、准确的状态监测，以便持续测量和报告运行参数。通过分析这些数据，可以提前安排维护，同时，如果出现任何异常活动，状态监测也可以对关键部件发出警报。3D 打印（增材制造）3D 打印或增材制造已经在改变商业格局，并有助于提高预测性维护的能力。将该设施作为制造网络的一部分，可以在现场打印一些替换零件并对设计参数进行必要的修改。这可以使用更少的资源更快地生产更高效、更可靠的组件，从而提高生产力、更大的设计自由度和更高性能的产品。可以打印各种各样的产品，从发动机零件到工具和玩具，甚至一些食品，因此3D打印肯定会在2022年继续作为一种制造业趋势。资源规划随着公司越来越依赖可以集成到现有系统中的多功能应用，支持工业物联网的资源规划系统的趋势将继续下去。过去几年向我们表明，要应对当今的问题，必须对人力资源管理做出敏捷而有力的响应。管理人员将更多地依赖人工智能和机器学习能力来适应这些不断变化的环境。在预测员工需求以及人力资源的许多其他方面时，未来的规划和战略将需要考虑大数据。从 B2B 到 B2C 的转变疫情大流行还促进了客户行为的改变，封控迫使消费者在网上购买更多商品。加上包括资源短缺和更高利润在内的因素，制造商被迫将市场战略从B2B转变为B2C。这种制造趋势将在 2022 年继续，制造商将其运营转向数字营销和更快地完成订单。随着人们对网络安全的日益担忧，在线客户保护和安全支付也将成为高度优先事项。总之，新冠肺炎疫情的影响仍在继续，但 2022 年的制造业趋势将朝着更大的连接性和机器协作、健康和安全方向发展。（编译：iothome）原文链接：https://www.iothome.com/archives/7379

在我国制造业向高质量发展的过程中，高技术制造业发挥着重要作用。高技术制造业属于技术密集型产业，通常依托高新技术进行研发、生产，近年来催生出新能源汽车等新兴行业。在智联研究院“寻找下一个风口”潜力行业调研项目中，这些新兴行业受到众多职场人的关注。本次，智联招聘结合平台数据以及调研项目的统计结果，将15个行业作为研究范围（具体包括：人工智能、计算机硬件、通信/网络设备、船舶/航空/航天/火车制造、电气机械/器材制造、智能设备制造、工业自动化、新能源汽车、电子设备制造、仪器仪表制造、通用设备制造、专用设备制造、云计算/大数据、区块链、物联网），以此洞察高技术制造业的发展趋势，发布《高技术制造业人才需求与发展环境报告》。01 人才供需：智联招聘数据显示，2022年1-4月，高技术制造业的招聘职位数同比增速达到了28.2%，远高于全行业的8.4%。在高技术制造业中，工业自动化行业与区块链行业职业增速最快，同比增长205.2%和187.5%。02 薪酬情况：高技术制造业的平均薪酬为9935元/月，略高于全行业的9889元/月。但是具体到各行业来看，平均薪酬仍存在较大差距。其中人工智能行业平均招聘薪酬最高，达到了13076元/月，其次是新能源汽车（12848元）、云计算/大数据（12176元）、物联网（11383元）、区块链（11187元）。03 福利与工作环境：周末加班情况好于全行业，人工智能/物联网对工作氛围评价更高。居家办公或混合办公比例高于全行业，17.4%的人工智能/物联网/区块链从业者不打卡。04 职业发展与工作体验：高技术制造职场人整体满意度高于总体，不考转行谋晋升。近半数高技术制造从业者认为公司晋升机制不明确，转行意愿低于全行业总体水平。

“AGV无人叉车”即“智能AGV叉车”，是一种智能工业车辆机器人，融合叉车技术和AGV技术，通过在叉车上加载激光导航、电磁导航、惯性导航、视觉导航等导航技术，构建地图算法，辅以避障安全技术，实现叉车无人化作业。目前，该类车型主要用于实现复杂搬运管理工作，具有自动化程度高、柔性强、安全性好、环境适应性强等优势，可解决工业生产和仓储物流作业过程中物流量大、人工搬运劳动强度高等问题。根据产品功能划分，AGV无人叉车的功能可分为堆高、牵引、搬运、窄通道三向等众多产品类型。根据产品特性，AGV无人叉车多用于高位仓库、库外收货区、产线搬运等制造业多样化物料搬运场景中，可实现入库、出库、产线、存储等不同环节的搬运需求。AGV无人叉车与传统叉车最大的区别是无需通过人工智能驾驶，采用不同导航信息技术，能实现24小时自动控制完成学习各种搬运和运输工作任务。市场格局随着人口红利的消失，劳动力成本不断上升，由劳动密集型转向技术密集型成为制造业企业转型升级的必然趋势。因此，采用智能化物流设备替代人工，从而达到降本提效的目的成为大部分制造业企业共性需求，而AGV无人叉车便是代表性的应用设备之一。目前，AGV无人叉车代表厂商包括劢微机器人科技（深圳）有限公司、未来机器人（深圳）有限公司、上海木蚁机器人科技有限公司、苏州罗伯特木牛流马物流技术有限公司、苏州艾吉威机器人有限公司等企业，应用领域集中于仓储、物流等行业场景。2015年左右，AGV无人叉车开始在国内逐渐兴起，截至2022年4月，国内已有超100家企业涉及无人叉车业务且已有相关产品落地应用，同时新进厂商还在持续增加。近年来，我国无人叉车销量稳步增长，国内AGV无人叉车市场潜力巨大。高工机器人产业研究所数据显示，2016年至2021年中国市场无人叉车销量由350台提高至7375台，年均复合增速近66%，预计2022年有望维持50%左右的市场增速，销量突破1.1万台。受2020年以来疫情影响，企业面临复工率低、人员短缺、人员集中风险、项目现场部署受限等诸多困境，促使企业快速推进“机器换人”的步伐，AGV无人叉车在工业生产、仓储物流领域的应用呈现进一步扩大趋势。经过头几年的快速发展之后，AGV无人叉车供应端和需求端都有所改变，制造端需求逐步释放，快速完成市场细分及市场教育成为行业当务之急。随着工业自动化与智能制造成为主流趋势，物流自动化的趋势不可逆转，AGV无人叉车迎来前所未有的发展机遇。据相关数据统计，目前无人叉车在国内整体电动叉车市场的渗透率仍不足1%，处于较为初始状态，AGV无人叉车仍为蓝海市场。

车联雾计算中的异构接入与资源分配算法研究熊凯1, 冷甦鹏1, 张可2, 刘浩31 电子科技大学信息与通信工程学院，四川 成都 6117312 北京市交通运行监测调度中心，北京 1001613 北京市交通信息中心，北京 100161摘要随着智能交通的发展，自动驾驶、智能车载交互、安全预警等新型车载应用不断涌现，独立车辆依靠自身有限的计算资源难以运行这些种类繁多且具有大量计算需求和时延需求的应用。雾计算通过将计算任务分布在网络边缘的设备中，运用虚拟化、分布式计算和并行计算技术，使用户能够按需动态地获取计算能力、存储空间等服务。将雾计算架构应用于车联网能够有效缓解计算量大、低时延车载应用与车辆有限且不均的资源分布之间的矛盾。从分析车—车通信、车—基础设施通信以及车辆时延容忍网络通信的信道容量入手，建立车联网异构接入的多业务资源优化模型，通过联合调度各类车联雾资源，实现智能交通应用的高效处理。仿真结果表明，所提出的强化学习算法能够有效地应对异构车联雾架构下的资源优化。关键词： 车联网 ; 车联雾 ; 车辆时延容忍网络 ; Q学习算法 ; 资源分配1 引言随着智能交通应用的发展，为车辆间信息传输提供通信支撑的车联网技术正日益受到人们的关注。车联网是物联网技术在智能交通领域的具体应用，利用高效的车联网信息协同通信平台，可以改善交通运行效率，有效提升车辆行驶的安全性。近年来，随着车辆安全预警、自动驾驶、车载多媒体等应用的发展，对车辆的计算、存储能力提出了更高要求，同时，车辆本身有限的资源和车辆间不均的资源分布给大量车载应用的普及增加了难度。雾无线接入网（F-RAN，fog radio access net-work）作为5G无线通信系统云无线接入网（C-RAN， cloud radio access network）架构的一种延伸，在F-RAN 下利用边缘网络的分布式计算能够降低无线前传和基带处理单元（BBU，baseband processing unit）的负载。F-RAN 不仅能在保证高能效通信的同时提升频谱效率，还能有效降低网络边缘业务的时延。当前对 F-RAN 的研究主要集中在对 5G 中F-RAN架构的性能分析[1]、计算通信资源的联合分配[2]、F-RAN的内容缓存和投递技术[3]以及F-RAN架构下的移动管理和干扰消除分析[4]。F-RAN低时延、高可靠的特性符合 5G 车联网的业务需求，然而现有文献[5,6]对车联雾计算（VFC，vehicular fog computing）架构的探讨仅局限于考虑一些应用场景下VFC架构存在的问题，没有系统地描述VFC架构下的异构接入方式。在参考文献[5]中，作者提出了将车辆视为通信/计算基础设施的想法，更好地利用每个车辆的个体通信和计算资源，协同多个车辆组成车队或协同附近的边缘基础设施来满足业务通信和计算需求。参考文献[7]探讨了从机会时延容忍网络（opportunistic delay tolerant net-work）到车辆时延容忍网络（VDTN，vehicular delay tolerant network）的演变过程，介绍了VDTN适用的场景，并评估了VDTN对不同车联网场景的适用性。参考文献[8]给出了基于用户大数据的存储—转发方式下的通信资源分配算法。参考文献[9]提出了3P3B-DTN多跳广播协议在频繁中断的车载网络中具有低信令开销。多样化和定制化的智能交通业务需要更多的通信、计算资源以及更高的时延和可靠性保证。在异构车联雾场景中，不同范围、不同处理单元（车辆、路旁基础设施）可能存在通信、计算能力的差异性，当某一部分的业务实体出现资源短缺时，可以利用 V2X（vehicle-to-everything，包括 V2V 和V2I）与VDTN等多种接入方式，实现不同局部范围内实体间的资源共享[9]。资源雾的引入使得车联网环境中的实体（拥有一定的通信/计算资源的车辆与基础设施）间的资源优化调度策略变得更加灵活和复杂，如何进行通信、计算资源的合理分配，实现不同局部范围内实体间的资源高效利用，也是F-RAN 在车联网中部署应用的关键问题[10]。参考文献[11]针对移动边缘计算（MEC，mobile edge computing）所带来的高带宽、低时延优势，结合LTE 免授权频谱（LTE-U）技术，研究了车辆异构网络中基于 MEC 的任务卸载模式决策和资源分配问题。在目前的车联雾资源分配方案中，很少有将VDTN作为车联雾的一种通信资源。本研究借鉴了将车辆当作基础设施的思想，将VDTN视为车联网场景的一种特殊接入方式，系统性地对异构车联网中的车—车通信（V2V， vehicles-to-vehicles）、车—路旁基础设施通信（V2I， vehicles-to-infrastructures）以及VDTN通信进行了信道容量分析。在V2X与VDTN的异构场景下，提出了针对满足多业务时延与计算需求的优化模型，在此模型基础上，提出了Q-learning强化学习[12,13]的解决方案。通过对比数值仿真结果验证了Q-learning 算法的有效性，其性能比贪婪算法和随机算法有较大提升，时间复杂度也远小于CE based MCTS。2 结束语本文旨在分析异构车联雾架构下不同接入方式的传输性能，针对车联网中车辆移动的特性，在不同行驶速度下进行了信道容量分析。给出了V2V、V2I和VDTN接入方式的信道容量。从仿真分析结果可以看出，在低速行驶场景中，传统的V2X接入具有较好的通信性能；而在高速行驶的场景中，VDTN接入则具有较好的通信性能。同时，本研究给出了车联雾计算架构下多业务的优化模型，并提出了基于Q-learning算法的通信与计算联合资源分配算法。在仿真过程中，比较了Q-learning算法、贪婪算法、随机算法以及CE based MCTS 算法的性能。仿真结果表明，Q-learning 算法在多业务动态到达的场景下具有低复杂度、资源分配效果较好等优点。但是，本研究的仿真环境基于软件仿真和参数假设，与实际的车联雾场景可能存在区别，需要在未来结合实际车联网环境进行验证。The authors have declared that no competing interests exist.作者已声明无竞争性利益关系。3 原文链接http://www.infocomm-journal.com/wlw/article/2019/2096-3750/2096-3750-3-2-00020.shtml

达芬奇机器人手术系统发布至今已有 20 年了，它将机器人和自动化技术引入医疗制造领域。自那以后，工业 4.0 技术彻底改变了自动化功能，并广泛用于医疗设备的生产。对于医疗设备制造商来说，主要目标是在改善患者体验的同时最大限度地降低生产成本。自动化方面的最新进展可以帮助制造商实现其目标，并获得其他好处。基于云的解决方案目前，云计算仅占全球医疗保健供应链市场的 12%，但根据 Markets&Markets 的一份报告，预计该领域的投资将从 2020 年的 281 亿美元增长到 2025 年的 647 亿美元。基于云的解决方案是医疗设备制造的未来，符合制造商清单上的所有要求。它们比本地解决方案便宜，后者需要根据用户数量购买软件许可证，并为用户支持计划额外成本。云解决方案提供本地系统的所有功能，但成本更低，因为它们消除了维护和定期更新昂贵硬件的需要。虽然价格便宜，但云解决方案并没有降低服务质量，而是提供了增强的安全性、更大的可扩展性和更高的性能。它们还更便于移动，并提供通用访问，因此公司中的任何人都可以安全地访问数据，无论他们身在何处。预计未来几年，全球医疗保健数据的数量将呈指数级增长，医疗设备制造商应建立有效存储和处理数据的系统。如果制造商希望在未来几年保持市场竞争力，那么基于云的解决方案是不应错过的趋势。人工智能人工智能 (AI) 越来越多地用于制造工厂，以提高准确性和效率。例如，机器学习使机器人能够实时理解、处理和采取步骤，以有效、高效地执行任务。现在，制造商面临的挑战是使用机器学习技术来应对日益增长的大规模定制需求。在医疗设备制造中，这是一个特别紧迫的问题，因为许多产品旨在仅供一名患者使用，需要定制以满足该患者的要求和特征。例如，植入式医疗设备就是这种情况，比如助听器插入物、假肢和牙科器具。模块化机器人的进步是克服这一问题并为混合制造打开大门的一种潜在解决方案。模块化方法允许单个机器人执行多项任务，可以通过简单地更换手臂和物联网传感器等部件来重新配置。人工智能不仅有可能推动新型机器人的发展，而且还有潜力提高自动化设备的灵活性和生产效率——这两者对于医疗设备制造都至关重要。VR和AR虚拟现实 (VR) 和增强现实 (AR) 为制造商提供了无限的机会，尤其是在医疗设备领域。AR 使公司能够为其制造设施提供实时支持，无论其位于何处，并实施预测性维护。它有可能减少人为错误、最大限度地减少执行时间并提高生产力和利润。GE Healthcare 进行的一项案例研究表明，使用AR后，其仓库工人的生产效率提高了46%，从而显著减少了停机时间。AR 也有利于增强员工之间的协作和分享专业知识，以实现最佳结果。最近的研究表明，医疗保健部门的团队效率需要提高，缺乏协作对患者和医疗服务提供者都会有负面影响。在医疗设备制造中，VR 和 AR 解决方案可以取得重大进展，并克服在底层面临的一些挑战。AR 将继续存在，它在未来几年的发展将是最有趣的趋势之一。（编译：iothome）

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。####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。####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。####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100ms**。 > 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）。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**点击链接**报名加速器，成为华为云合作伙伴。

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）

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

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

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）

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