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

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~

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。

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）

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）

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）

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9月19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》。

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。

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）

工业互联网无线室内定位技术概述常娥1, 冷卫杰21 中兴通讯股份有限公司，天津 3003002 中国汽车技术研究中心有限公司，天津 300300摘要工业制造的蓬勃发展不断推动我国制造领域的技术变革，智慧工厂成为推动工业转型的关键。而智能化生产离不开精确的位置识别技术，为人员、物料、设备甚至车辆提供准确的位置信息。从工业无线定位的技术需求入手，对多种定位技术进行详细地分析和对比，梳理当前定位技术的局限性，最终提出未来工业无线定位技术的发展趋势。关键词： 无线室内定位 ; 工业互联网 ; RSSI ; TOA ; TDOA ; AOA ; 多径1 引言我国作为全球最大的发展中国家，加速工业发展对推动国家实力增长具有深远的意义。目前，我国工业在产业规模、产业结构和自主创新方面都已经取得了长足发展，但随着人力储备不足问题的日益突出以及国际化竞争的日益激烈，自动化生产、智能化管理、高效成本管理成为提升竞争力的关键。而在智能化改造中，传统工业生产面临许多困难，如不能实时追踪和调配人员，导致无法提高工作效率；无法严格监控特殊厂房，难以杜绝隐患等。借助定位技术，根据人员、物料、设备甚至车辆的准确位置信息，可以解决智能化生产中遇到的上述难题。在化工、油田等高危场所，采用定位技术来保障人员和生产安全，并提高生产效率。AGV （automated guided vehicle）周转车基于室内定位技术，实现了智能物料周转和物流。此外，针对位置信息的大数据分析，可以为生产流程的优化提供有力帮助。2 工业室内定位技术要求在工业场景中，很多生产流程离不开室内定位。智慧工厂利用定位技术完成园区人员的实时监控和动态调度，从而杜绝隐患，提高工作效率。基于室内定位，工厂可以获取物料和车辆的实时位置信息，实现物料的自动调拨、周转和货物运输。同时，在危险区域和敏感区域设置电子围栏，实现对全厂区的无盲区安全监控，全面保障生产安全。此外，工业机器人运用高精度的定位技术，可以实现自动化生产。工业生产首先需要解决的问题是“人”的问题，即实时监督员工的在岗状态、工作信息，并高效调配工作。其次是解决“物”的问题，即监控物料、设备的位置信息，实现智能周转和调拨。人员定位主要包括人员实时定位和跟踪、室内导航、电子围栏、位置分析（人员分布）等；物品定位主要包括物品实时定位、货物跟踪、车辆导航和智能物流等。根据以上工业定位应用场景，室内定位需要满足的性能指标包括精度、覆盖范围、可靠性、成本、复杂度、功耗、可扩展性和响应时间等指标。1) 精度：不同的工业应用对精度的要求差别很大，如仓储对物料的定位精度要求约为10 cm，周转对车辆的定位精度要求约为3～5 m。2) 覆盖范围：指定位技术在多大范围内满足定位精度要求，一般需要专用的基础设施结合定位终端，在一定范围内满足定位精度要求。3) 可靠性：在工业生产中，车间环境不仅布局复杂，而且经常随着加工产品的不同而调整。定位系统应该不受环境影响，提供可靠的定位性能。4) 成本和复杂度：指在定位系统中，基础设施、定位终端以及建网和维护的成本，如定位设施的建设与维护、相关数据库的采集和维护等。5) 功耗：对于移动设备而言，功耗是一项重要指标，特别是配置电池的移动设备。6) 可扩展性：指定位系统扩展到不同环境和应用的能力、与工业应用或者系统配合的能力。7) 响应时间：指定位系统输出位置更新所需要的时间，快速移动的车辆需要极短的响应时间，以免发生事故。3 结束语本文从工业互联网中室内定位的必要性、应用场景和需求入手，详细分析了工业制造对室内定位的技术要求。其次，针对主流的室内定位技术，包括Wi-Fi、UWB、基站定位、惯性导航等技术的性能以及优、缺点进行对比分析，进而梳理出目前室内定位技术的局限性。最后，对未来工业室内定位技术的发展趋势进行展望，无线信道补偿技术、视觉识别和深度学习与无线定位技术的融合以及不同定位技术之间的融合，将成为未来无线定位技术的发展重点。The authors have declared that no competing interests exist.作者已声明无竞争性利益关系。4 原文链接http://www.infocomm-journal.com/wlw/article/2020/2096-3750/2096-3750-4-2-00129.shtml

导读：数字孪生（Digital Twin）已经走过了几十年的发展历程，只不过以前没有这样命名，而是发展到了一定阶段，人们意识到应该给这种综合化的技术起一个更确切的名字。本文论述的数字孪生有两层意思，一是指物理实体与其数字虚体之间的精确映射的孪生关系；二是将具有孪生关系的物理实体、数字虚体分别称作物理孪生体、数字孪生体。默认情况下，数字孪生亦指数字孪生体。01 实践先行 概念后成数字孪生是客观世界中的物化事物及其发展规律被软件定义后的一种结果。丰富的工业软件内涵以及强大的软件定义效果，让数字孪生的研究在国内外呈现出百花齐放的态势。作者认为数字孪生与计算机辅助（CAX）软件（尤其是广义仿真软件）以及数据采集/分析的发展关系十分密切。在工业界，人们用软件来模仿和增强人的行为方式，例如，计算机绘图软件最早模仿的是人在纸面上作画的行为。人机交互技术发展成熟后，以下模仿行为开始出现：用CAD软件模仿产品的结构与外观CAE软件模仿产品在各种物理场情况下的力学性能CAM软件模仿零部件和夹具在加工过程中的刀轨情况CAPP软件模仿工艺过程CAT软件模仿产品的测量/测试过程OA软件模仿行政事务的管理过程MES软件模仿车间生产的管理过程SCM软件模仿企业的供应链管理CRM软件模仿企业的销售管理过程MRO软件模仿产品的维修过程管理，等等依靠软件中的某些特定算法，人们已经开发出了某些具有一定智能水平的工业软件，如具有关联设计效果的产品设计系统。在文学与娱乐界，人们用软件来模仿和增强人的体验方式，例如：用电子书来模仿纸质书用电子音乐来模仿现场音乐用电子琴软件来弹琴用评书软件来说书用卡通软件来模仿漫画用动漫软件来模仿动画影片用游戏软件来模仿各种真实游戏用百年历软件来快速查找某个特殊日期或“吉时”等人们不仅可以模仿已知的、有经验的各种事物，还可以创造性地模仿各种未知的、从未体验过的事物，例如影视界可以用软件创造出诸如龙、凤、麒麟、阿凡达、白雪公主、七个小矮人等故事中的形象，当然也可以创造出更多的闻所未闻、见所未见的各种形象。特别是当这种模仿与VR/AR技术结合在一起的时候，所有的场景都栩栩如生，直入心境。于是，在由数字虚体构成的虚拟世界中，所有的不可能都变成有可能，所有的在物理世界无法体验和重复的奇妙、惊险和刺激场景，都可以在数字空间得以实现，最大限度地满足了人的感官体验和精神需求。事实上，十几年前在汽车、飞机等复杂产品工程领域出现的“数字样机”的概念，就是对数字孪生的一种先行实践活动，一种技术上的孕育和前奏。数字样机最初是指在CAD系统中通过三维实体造型和数字化预装配后，得到一个可视化的产品数字模型（几何样机），可以用于协调零件之间的关系，进行可制造性检查，因此可以基本上代替物理样机的协调功能。但随着数字化技术的发展，数字样机的作用也在不断增强，人们在预装配模型上进行运动、人机交互、空间漫游、机械操纵等飞机功能的模拟仿真。之后又进一步与机器的各种性能分析计算技术结合起来，使之能够模拟仿真出机器的各种性能。因此将数字样机按其作用从几何样机，扩展到功能样机和性能样机。以复杂产品研制而著称的飞机行业，在数字样机的应用上走在了全国前列。某些型号飞机研制工作在20世纪末就已经围绕着数字样机展开。数字样机将承载几乎完整的产品信息。因此，人们可以通过数字样机进行飞机方案的选择，利用数字样机进行可制造的各种仿真，在数字样机上检查未来飞机的各种功能和性能，发现需要改进的地方，最终创建出符合要求的“数字飞机”，并将其交给工厂进行生产，制造成真正的物理飞机，完成整个研制过程。无论是几何样机、功能样机和性能样机，都属于数字孪生的范畴。数字孪生的术语虽然是最近几年才出现的，但是数字孪生技术内涵的探索与实践，早已经在十多年前就开始并且取得了相当多的成果。例如中国航空工业集团第一飞机研究院（简称“一飞院”）在21世纪初开发的飞豹全数字样机与已经服役的飞机形成了简明意义上的“数字孪生”（尽管当时没有这个术语）关系，如图5-1所示。▲图5-1 飞豹全数字样机与服役飞机发展到现在，人们发现在数字世界里做了这么多年的数字设计、仿真、工艺、生产等结果，越来越虚实对应，越来越虚实融合，越来越广泛应用，数字虚体越来越赋能于物理实体系统。近些年，当人们提出了希望物理空间中的实体事物与数字空间中的虚拟事物之间具有可以联接数据通道、相互传输数据和指令的交互关系之后，数字孪生概念基本成形，并且作为智能制造中一种基于IT视角的新型应用技术，逐渐走进人们的视野。事实上，现有的工业软件研发与生产数据以及沉积在工业领域内的大量的工业技术和知识，都是实现数字孪生的上好“原料”和基础构件，数字孪生在工业现实场景中已经具有了实现和推广应用的巨大潜力。02 内涵解读 见仁见智根据目前看到的资料，数字孪生术语由迈克尔·格里夫（Michael Grieves）教授在美国密歇根大学任教时首先提出。2002年12月3日他在该校“PLM开发联盟”成立时的讲稿中首次图示了数字孪生的概念内涵，2003年他在讲授PLM课程时使用了“Digital Twin（数字孪生）”，在2014年他撰写的“数字孪生：通过虚拟工厂复制实现卓越制造（Digital Twin:Manufacturing Excellence through Virtual Factory Replication）”文章中进行了较为详细的阐述，奠定了数字孪生的基本内涵。在航太领域和工业界，较早开始使用数字孪生术语。2009年美国空军实验室提出了“机身数字孪生（Airframe Digital Twin）”的概念。2010年NASA也开始在技术路线图中使用“数字孪生（Digital Twin）”术语。大约从2014年开始，西门子、达索、PTC、ESI、ANSYS等知名工业软件公司，都在市场宣传中使用“Digital Twin”术语，并陆续在技术构建、概念内涵上做了很多深入研究和拓展。数字孪生尚无业界公认的标准定义，概念还在发展与演变中。下面举例几个国内外企业或组织做的数字孪生定义，供读者参考。美国国防采办大学认为：数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度的仿真过程，在虚拟空间中完成对物理实体的映射，从而反映物理实体的全生命周期过程。ANSYS公司认为：数字孪生是在数字世界建立一个与真实世界系统的运行性能完全一致，且可实现实时仿真的仿真模型。利用安装在真实系统上的传感器数据作为该仿真模型的边界条件，实现真实世界的系统与数字世界的系统同步运行。中国航空工业发展研究中心刘亚威认为：从本质上来看，数字孪生是一个对物理实体或流程的数字化镜像。创建数字孪生的过程，集成了人工智能、机器学习和传感器数据，以建立一个可以实时更新的、现场感极强的“真实”模型，用来支撑物理产品生命周期各项活动的决策。上海优也信息科技有限公司首席技术官林诗万博士对数字孪生的理解是，数字孪生体可有多种基于数字模型的表现形式，在图形上，有几何、高保真、高分辨率渲染、抽象简图等；在状态和行为上，有设备运行、受力、磨损、报警、宕机、事故等；在质地上，有材质、表面特性、微观材料结构等。如图5-2所示。▲图5-2 数字孪生示意图（来自优也公司）北京航空航天大学张霖教授认为，“数字孪生是物理对象的数字模型，该模型可以通过接收来自物理对象的数据而实时演化，从而与物理对象在全生命周期保持一致。”作者经过多年研究，也给出了自己的理解和定义：数字孪生是在“数字化一切可以数字化的事物”大背景下，通过软件定义和数据驱动，在数字虚体空间中创建的虚拟事物，与物理实体空间中的现实事物形成了在形、态、质地、行为和发展规律上都极为相似的虚实精确映射关系，让物理孪生体与数字孪生体具有了多元化映射关系，具备了不同的保真度（逼真、抽象等）。数字孪生不但持续发生在物理孪生体全生命周期中，而且数字孪生体会超越物理孪生体生命周期，在数字空间持久存续。充分利用数字孪生可在智能制造中孕育出大量新技术和新模式。03 数字孪生 非双非胎“Digital Twin”在翻译和理解上颇有不同，歧义性发生在数字孪生应用场景中人们对“Twin”的理解上。“Twin”作为名称在英汉词典中有几种翻译结果：“孪生子之一，双胞胎之一；两个相像的人或物之一；成对、成双的东西；孪晶；双人床”。如果仅看直译结果，双胞胎是准确翻译，但是如果仔细分析该术语的应用场景，上述翻译结果都不贴切，只有“孪生子之一”还算接近“Digital Twin”所描述的应用场景中的概念。而作者恰恰要强调的是“Digital Twin”术语的应用场景。1. 只有“相像”而无“相等”在相像程度上，从“生物场景/物理场景”的“Twin”，引申到“数字化场景”的“Digital Twin”，其本意是强调在数字空间构建的数字虚体与物理空间的物理实体非常相像。但是，相像归相像，无论彼此多么像，二者也不是“是”“等于”或“相等”的关系，因为本非同源或同生，一个数字虚体无论多么像一个物理实体，它也不是物理实体——这个客观事实必须界定清楚。“Digital Twin”描述的“相像”，通常都仅仅是指数字虚体和物理实体在外观和宏观结构上的“相像”，而从形、态、质地、行为和发展规律等多方面的评价指标来看，其实差异极大，本质本源不同。“数字双胞胎”一词，较容易引导人们把二者完全等同起来，把“貌似一模一样”误认为“就是一模一样”甚至“相等”，从而形成认知错觉。2. 数字孪生关系并不止于“双”即使从“相像”来看，在所指上也并非限于“双”，因为“双”字会把更多的潜在应用场景限制住——彼此相像的虚实映射事物未必只有貌似常见的“一对一”关系，其实还有以下虚实映射对应关系：“一对多”——一个物理实体对应多个数字虚体（一台汽车发动机可有D /N/S等不同的驾驶挡位，启动/高速/低速/磨合/磨损等不同的工作状态，对此，在车载软件中用不同的参数和软件模型来描述和调控）；“多对一”——多个物理实体对应一个数字虚体（例如同型号不同尺寸的螺栓或铆钉对应同一个三维CAD模型）；“多对多”——更为一般化的设备工作场景（例如设计阶段因数字化“构型/配置”不同而产生了系列化物理设备及其数字孪生体，这些设备及其数字孪生体又置身于多种实物工作场景和数字场景）。3. 需要考虑的特殊对应模式在一些特殊场景中，数字孪生还存在“一对少”“少对一”“一对零”“零对一”的特殊对应模式：“一对少”——一个物理实体对应一个高度抽象的数字虚体（例如一辆高铁在调度上对应一个高度简化的数字化线框模型）；“少对一”——以一部分物理实体对应一个完整数字虚体（例如一个齿轮副对应一个减速箱的“三维CAD模型+力学载荷模型”）；“一对零”——因为不知其规律、缺乏机理模型导致某些已知物理实体没有对应的数字虚体（例如暗物质、气候变化规律等）；“零对一”——人类凭想象和创意在数字空间创造的“数字虚体”，现实中没有与其对应的“物理实体”（例如数字创意中的各种形象）。一架战斗机由数万个结构件、几十万个标准件、大量的电子元器件和机载设备构成。在从飞机的方案设计，到初步设计、详细设计、试制、试验，再到批生产、交付、运行、维护、维修，最后再到报废的全生命周期中，一个标准件数字模型会对应成千上万个实物零件，一个实物零件也会对应产品设计模型、多个仿真模型、工艺模型、工艺仿真模型、生产模型、装配模型、维护维修模型等，由此形成了物理实体和数字虚体的多元化对应关系，即“一对一”“一对多”“多对一”“多对多”“一对少”“少对一”“一对零”“零对一”。因此只谈“一对一”就显得在理解上过于简单了。综上所述，“Digital Twin”一词在翻译和理解时，既不应限定在“双”，也不宜理解为“胎”。该词借用“Twin”之意，所表达的是一种数字虚体与物理实体非常相像的多元化虚实映射关系。应用场景和对应模式是多种多样的。04 虚体测试 实体创新数字虚体与物理实体之间的孪生关系，其实早就有之，只不过此前没有使用严格定义的术语来表达。平时大家所说的“比特（bit）与原子（atom）”“赛博与物理”“虚拟与现实”“数字样机与物理样机”“数字孪生体与物理孪生体”“数字端（C）与物理端（P）”“数字世界与物理世界”“数字空间与物理空间”等不同的虚实对应词汇，实际上都是在以不同的专业术语，或近似或准确地描述两种“体”之间的虚实映射关系。从映射关系上看，一虚、一实，两种“体”相互对应，数量不限。数字虚体是物理实体的“数字孪生体”，反之，物理实体也是数字虚体的“物理孪生体”，这是二者的基本关系和事实。从诞生顺序上看，先有物理实体，后有数字虚体。以工业视角来看，实体是第一次工业革命和第二次工业革命的产物，虚体是第三次工业革命的产物。而虚体对实体的描述、定义、放大与控制，以及二者的逐渐融合，正在促成新工业革命。从重要性上看，没有物理实体，就无法执行工业必需的物理过程，无法保障国计民生；没有数字虚体，就无法实现对物理实体的赋值、赋能和赋智，就失去了工业转型升级的技术途径。虚实必须融合，二者均不可缺。但是最终体现的，是转型升级之后的“新工业实体”，是有了数字虚体作为大脑、神经特别是灵魂的全新机器和设备。从创新性上看，虚实融合，相互放大价值。而且，在产品研制上，先做物理实体还是先做数字虚体，人们有了更多的选择，无论是谁先谁后，或是同时生成，都可产生诸多创新，智能制造中的很多新技术、新模式、新业态也就此产生。波音公司为F-15C型飞机创建了数字孪生体，不同工况条件、不同场景的模型都可以在数字孪生体上加载，每个阶段、每个环节都可以衍生出一个或多个不同的数字孪生体，从而对飞机进行全生命周期各项活动的仿真分析、评估和决策，让物理产品获得更好的可制造性、装配性、检测性和保障性。如图5-3所示。▲图5-3 波音F-15C飞机的多个数字孪生模型据报道，美国陆军环境医学研究所2010年开始启动一个项目，旨在创建完整的“阿凡达”单兵。该所研究人员希望给每名军人都创建出自己的数字虚拟形象，无论高矮胖瘦和脾气秉性。目前已经成功地开发了250名“阿凡达”单兵。在一个复杂的虚拟训练系统中，研究人员让这些虚拟单兵穿上不同的作战服，变换不同的姿势和位置，不断加载战场环境的数字孪生体来进行各种逼真的高风险模拟，从而替代实战测试。通过各种数字化测试来找出他们的弱点，甚至模拟各种恶劣气候环境来测试这些单兵的生理环境适应能力。所有测试过程无人身危险，可以随意反复试验。上述技术路径可以用在新开发或正在改进的机器、设备或生产线上，即尽量在数字空间中，针对有待改进的机器、设备或生产线，做好它们的数字孪生体，施加并测试各种数字化的工况条件，随意变换工作场景，以近乎零成本对这些数字孪生体进行虚拟测试和反复迭代，待一切测试结果都满足了设计与改进目的之后，再在实际的机器、设备或生产线上进行实测，这样可以大幅度减少对物理实体测试环境的依赖和损耗，减少或避免可能出现的环境污染或人体伤害。最终通过一两次迭代就能实现对实体机器设备的改进。关于作者：赵敏，走向智能研究院执行院长，中国发明协会常务理事，发明方法研究分会会长，正高工。工信部CPS发展论坛副秘书长，中国制造企业双创发展联盟专家委员会委员，中国工业技术软件化产业联盟（中国工业APP联盟）专家委员会委员，国家工业信息安全专家咨询委员会委员，U-TRIZ创始人。宁振波，教授，中国航空工业集团信息技术中心原首席顾问，中国船舶独立董事。参加多型飞机研制。国家科技进步二等奖获得者。参与编制数字化、智能化制造系列丛书。发表相关制造业学术论文数百篇。也是多个行业、企事业单位的外聘专家。本文摘编自《铸魂：软件定义制造》作者：赵敏 宁振波

德国西门子在2016年就开始尝试利用数字孪生体来完善工业4.0应用，直到2017年底，西门子正式发布了完整的数字孪生体应用模型。美国国家科学基金会（NSF，National Science Foundation）的Helen Gill在2006年创造了信息物理系统（CPS，Cyber-Physical Systems）概念，德国于2011年利用该概念提出了工业4.0（Industrie 4.0）；美国Michael Grieves号称在2003年创造了数字孪生体（Digital Twin）概念，德国西门子在2016年就开始尝试利用数字孪生体来完善工业4.0应用，直到2017年底，西门子正式发布了完整的数字孪生体应用模型。据工业4.0研究院对西门子应用数字孪生体的情况进行分析，颇感保守的德国企业能够快速吸纳美国科学家创造的新概念，有机的融合到自己的解决方案里面，中国制造企业可以从中学习一二。德国在2011年就开始提出工业4.0概念，但显然西门子不以为意，因为工业4.0的概念本来就是一个“面向未来”的未来学研究项目。但是，随着2013年德国政府开始参与到工业4.0概念的推广中来，加上中国和德国建立了有好的合作关系，工业4.0得到了中国的热烈追捧，自然，工业4.0已经成为了德国企业可以利用的营销词汇。事实上，在2013年，德国西门子经历了CEO争夺战，新任CEO乔伊·凯瑟(Joe Kaeser)开始推动所谓数字化战略（Digital Strategy），对于德国科学家们描述的“智能化”和“网络化”为特征的工业4.0时代，西门子认为还比较遥远。但是，中国国内的政府、行业协会和企业对于来自德国制造的“工业4.0”概念非常有兴趣，自然对于号称德国制造的代表企业西门子颇有兴趣，希望他们可以讲一讲什么是工业4.0，这给西门子出了一个难题，毕竟西门子一直以来的战略是数字化，而不是智能化和网络化，似乎让美国的GE来讲讲还更合适点，GE在2012年就开始宣扬要做“工业互联网”，其核心显然是“网络化”。经过一段时间纠结，西门子、SAP等德国企业把情况反馈给已经成为国家平台的工业4.0平台（Plattform Industrie 4.0），主管该平台的BMWi和支撑单位Acatech也为此做了很多工作，例如，从2016年开始，德国工业4.0已经把数字化纳入到其体系中了，这样，西门子也可以堂而皇之宣布工业4.0等于数字化了。中国企业历来对国外舶来品（概念）颇有兴趣，工业4.0就是其中之一，但是，中国企业显然没有耐心长期关注一个概念，既然德国企业不再大张旗鼓宣传工业4.0，中国企业自然开始转向了工业互联网、人工智能、区块链等新概念。西门子深谙业绩之道，不管是什么概念，终究要从经营业绩上寻找回报。一方面西门子继续宣扬数字化战略，尽量跟工业4.0形成一定的距离，毕竟工业4.0的德国味太浓了，除了在欧盟范围会引起其他成员国的“德国侵略感”，还会在民粹主义主导的美国市场得不到好处。从实用主义来讲，具有软实力的美国创造的数字孪生体概念，更容易得到全世界认可。西门子也是如此。西门子通过最近两年时间的研发，已经把数字孪生体融入到其数字化战略中去，并深入到解决方案中。在西门子的数字孪生体应用模型中，数字孪生体产品（Digital Twin Product）、数字孪生体生产（Digital Twin Production）和数字孪生体绩效（Digital Twin Performance）形成了一个完整的解决方案体系，并把西门子现有的产品及系统包揽其中，例如Teamcenter、PLM等。毫无疑问，数字孪生体比信息物理系统更容易解释，跟西门子的数字化战略融合更好。i4CN（工业4.0中国-简称），是中国最系统化、最全面的工业4.0、工业互联网、智能制造、无人工厂领域的第三方咨询公司。；公司整合华为、博世、腾讯、美的等专家，首家提供工业4.0整合方案，包括i4技术项目、i4四大管理体系、十大思想变革的三层金字塔式咨询架构；能够指导企业实施专业化的工业4.0变革和无人工厂规划建设与运营管理。助力国家实现中国制造2025的宏伟蓝图。

在科幻影片《克隆人》中，科学家用生物技术在实验室中复制出了真人。而眼下越来越热的“数字孪生”，则是用数字方式“复制”世界。由此，给汽车及零部件设计、制造等环节带来更大发展空间。新一代超集电驱系统、远程智能无人代客泊车APA7.0……近日，长安汽车首次发布了全场景数字孪生开发开放平台，以及从该平台上诞生的一系列新技术。事实上，越来越多的汽车及零部件企业正在走进数字孪生的世界。“数字孪生体是物理世界与数字空间的交互体系。”工业4.0研究院院长、数字孪生体联盟理事长胡权在接受《中国汽车报》记者采访时表示，数字孪生在汽车行业的应用非常广泛，涉及汽车及零部件研发、生产和个性化服务等多个环节，可以笼统称之为“数字孪生汽车”。无声变革悄然进行对于传统的轮胎制造企业而言，新款产品从设计图纸到走向量产，一般会先试制样品，装到汽车上进行实际道路测试，然后通过测量各项数据，再与理论数据进行比对，从而一步步进行优化和改善，费时、费力、费钱，效率不高。“我们现在采用数字孪生计算机仿真建模方法，只需输入轮胎尺寸、磨损率、原料配比等数据，就可从数字孪生的模型上对轮胎设计进行优化，而不必像以前那样用样品反复试验获得数据，不仅大幅缩短了产品从开发走向量产的时间，也节约了经费。”山东荥光轮胎有限公司副总工程师季瑞江告诉记者，利用数字孪生技术还能在计算机上对轮胎的原料配比、制造工艺等进行细致“打磨”，可极大提高了工作效率。数字孪生不仅有助于解决汽车零部件的研发问题，而且在产品制造及企业管理方面也有令人惊诧的“神功”。“中国一汽新建的新能源汽车工厂占地面积78万平方米，相当于105个足球场。应用数字孪生的虚拟工厂，与真实生产环境1：1对应，人坐在办公室就能看到生产现场的全貌，节省了大量的人力、物力、财力。”阿里云汽车行业架构师黄铮介绍称，阿里云与机械工业九院联合研发了“汽车数字工厂1.0”解决方案，数字孪生是其中的重要基础，该方案在一汽红旗新建的新能源汽车工厂首次应用。他说，一款汽车由上千类、数万个零部件组成，该新能源汽车工厂生产过程有冲压、焊装、涂装、总装、电池五大车间、200多种生产工艺，每个车间的生产设备完全不一样，与其他行业相比，汽车制造更加考验企业的管理能力。在数字孪生的虚拟工厂中，大到上述五个车间，小到车间内的每台设备和每一个生产动作，都可以映射在数字孪生系统上，展现了这项技术对复杂生产系统的掌控力。目前，在汽车产业“新四化”加速变革的大背景下，数字孪生正以前所未有的速度走进汽车及零部件企业。“几乎所有汽车及零部件企业都在逐步应用数字孪生技术提升研发效率、产品制造水平并实现成本节约。”北京翼络数字技术有限公司技术总监刘继业在接受记者采访时表示，数字孪生拥有开放架构，在汽车零部件设计制造中，很容易导入相关技术并实现融合，因为每个环节都可与数字孪生进行整体数据交互，助其更好地实现智能化，从而在产品全链条甚至产业全链条上实现优化。从这个意义上说，数字孪生具有很强的实用价值。“未来的智能座舱会更像一个有智慧的生命体。为此，我们应用了‘用户-车企-开发者’全链路打通的全场景数字孪生开发开放平台。”长安汽车董事长朱华荣在“绿色智能，融合创新”论坛上介绍道，该平台有四个特点：一是功能的无限组合；二是在国内首次实现驾驶、座舱、车控三域打通的整车级虚拟仿真环境，实现全车功能场景可编排；三是通过本地＋云端方式提供无限算力服务；四是支持快速开展单体级、系统级、整车级的体验评价，支持虚拟现实、混合现实体验评价。“很多汽车及零部件企业都已或多或少应用工业互联网，以及虚拟现实、混合现实技术，数字孪生就是其数据来源及不可或缺的重要组成部分，可以贯穿汽车全产业链。”胡权指出。数字孪生带来别样改变对于整车或零部件制造而言，怎样判断一颗螺丝有没有拧好？在传统的流水线上，这项工作需要人工检查，但通过数字孪生技术，可以通过算法算出拧这颗螺丝用了多大力、拧了多少度等。“在汽车及零部件企业的实际应用中，数字孪生主要包括两个方面的内容。”华南理工智能感知与控制工程研究中心研究员张睿林告诉记者，一是对现实中的整车或零部件建立数字模型，二是对计算机设计的数字模型进行复制。换句话说，就是既可以“从实到虚”，也可以“从虚到虚”，目的都是通过计算机技术进行较为复杂、精细的数据处理，提高精确度和效率，同时极大地拓展设计的想象力及实用性，比如根据实际需要将规则的四边形汽车覆盖件，改造成多边形甚至不规则形状，并利用计算机同步解决智能化制造工艺细节问题。电动汽车的安全稳定行驶，离不开动力电池的良好工作状态。“车载电池管理系统计算能力有限、数据存储能力有限，很难做到精确监控动力电池运行状态。”浙江浩迪新能源有限公司总工程师韩玉文告诉记者，动力电池数字孪生监控系统，就可以解决这一问题。据介绍，该系统包括数据感知、数据收集的互联装置，数据存储的云端，数据分析软件，数据可视化用户界面等，通过对动力电池温度、电量、阻抗和电压电流曲线等实时感应并与标定数据实时比对，一旦发现偏差就及时报警，在全面监控动力电池工作状态的同时，提前预测并及早发现问题。很多人会有疑问，数字孪生与汽车及零部件企业设计开发中几乎普遍使用的仿真技术是什么关系？“两者之间既有不同，又有密切的联系。”在北方大数据与人工智能研究院研究员曾文翔看来，首先，数字孪生需要依靠计算机仿真、实测、数据分析、工业互联网等技术对物体状态进行感知、诊断和预测以优化设计；其次，仿真技术作为创建和运行数字孪生的核心，是数字孪生实现数据交互与融合的基础，但由于仿真技术本身以离线方式模拟物体，不具备数字孪生的实时性、闭环性等特征及优化功能；最后，在此基础上，数字孪生必须依托并集成其他新技术，与传感器共同在线才能实现保真性、实时性与闭环性。数字孪生成为全球风潮其实，国外汽车及零部件企业也在加速应用数字孪生技术，进行了有价值的探索和应用。“几乎所有跨国汽车及零部件企业都在引入数字孪生技术，特斯拉称得上是其中的佼佼者，看看该公司车型的智能化程度就能明白这一点，然而特斯拉对此基本闭口不谈，或用其他概念加以模糊处理。”刘继业表示，特斯拉汽车的设计和制造大量使用数字化技术几乎人所共知，但外界并不晓得其数字孪生研究与应用到底达到了何种程度。据悉，特斯拉及其关联企业Space X已大量应用数字孪生技术，并且特斯拉也招揽了不少相关的数字化人才。记者还了解到，零部件巨头西门子通过数字孪生技术实现了高效的设计、制造：一是通过数字孪生，对产品进行数字化设计、仿真和验证产品的机械特性，实现了将汽车电气和电子系统一体化集成；二是基于数字孪生，规划和验证生产过程、工厂布局、选择生产设备并且进行仿真与预测，以及优化人员和制造过程的工作条件；三是在自动生成可编辑控制器的代码后，通过虚拟调试技术，在虚拟环境中验证自动化系统，从而实现快速高效的现场调试，随后利用数字孪生优化的结果，将可编辑控制器代码下载到车间的设备中，通过全集成自动化，实现高效可靠生产；四是通过数字孪生管理制造运行系统，实现排产、生产执行及质量检测，并持续对生产工艺和产品进行优化。曾文翔介绍称，今年6月，博世新建并投产的德累斯顿芯片晶圆厂也应用了数字孪生技术，成为名副其实的数字化工厂。博世通过数字孪生技术，将来自于设备、传感器和产品的所有数据记录在一个中央数据库中，其每秒生成的生产数据相当于500页文本，一天的数据相当于4200万页文本。这座建筑面积达7.2万平方米的工厂，最终只需700名工程师即可运作。同时，保护容易遭黑客入侵的智能汽车相关系统，也是数字孪生的一大专长。如今，智能汽车拥有多达150个电控单元及约1亿行软件代码，从而带来了网络安全隐患。以色列初创企业Cybellum推出了首款智能汽车网络数字孪生平台，以应对不断增加的智能汽车网络安全风险。据悉，该平台能使汽车制造商追踪监控智能汽车运行软件中的潜在漏洞，发现并进行修复，以保证智能汽车在整个生命周期的安全性。正因如此，韩国LG公司近日正在积极筹备收购Cybellum。个性定制化优势凸显今年8月23日，吉利汽车工业互联网正式发布。“打造一个无处不在的数字技术赋能平台，在未来5年内努力发展成为全行业数字化服务的世界级工业互联网平台，而数字孪生是其中的基础。”吉利汽车集团高级副总裁刘向阳表示，汽车行业正从传统赛道进入到数字化“高速公路”，利用工业互联网和数字孪生技术，助力C2M（用户直连制造）柔性定制，为汽车的个性化、定制化提供了基础支撑。“目前，汽车行业将数字孪生应用于研发和生产方面，实际上随着技术逐步发展和成熟，它将为汽车个性化、定制化提供可能。这有些类似如今智能手机相对于传统手机实现的跨越，智能手机打造了一个移动互联网生态，数字孪生汽车也会催生类似的变革。”胡权认为。“汽车行业有望全面应用数字孪生汽车理念，实现数字孪生研发和数字孪生制造。我们为此专门建立了‘数字孪生汽车实验室’，主攻一些关键核心技术。”刘继业表示，已有很多汽车及零部件企业都在推进数字化转型，数字孪生将成为未来汽车产业发展的助推器。“基于增强现实技术的数字孪生互联网及相关的新业态，才是汽车行业的终局。”未来黑科技创始人、首席执行官徐俊峰介绍称，微软和苹果公司在增强现实的数字孪生互联网中的布局，包括感知、决策系统、芯片和光技术四大板块。目前，华为也在研究光技术在汽车领域的应用。华为智能汽车解决方案部门首席运营官王军在日前举行的2021世界新能源汽车大会上透露，华为将把领先的光技术应用于汽车零部件领域，一方面是围绕人眼所及之处的场景化需求，打造AR-HUD（增强现实抬显显示）、座椅背显、智能车灯等多款光成像产品，改变人在车中的视觉体验。据介绍，智能车载光技术的应用，将推进车载显示从液晶屏时代进入超大屏的光成像时代。另一方面则是车内的通信系统，将从电信号转变为光信号。过去10多年来，华为在光通信领域的研究成果一直排名全球第一。这一切都离不开数字孪生技术的支撑。据悉，宁德新能源科技有限公司、柳州五菱柳机动力有限公司等汽车及零部件企业凭借应用数字孪生及相关技术，入选了近日工信部公示的《2021年新一代信息技术与制造业融合发展试点示范名单》。2020年4月，国家发展改革委、中央网信办联合印发了《关于推进“上云用数赋智”行动培育新经济发展实施方案的通知》，要求支持在具备条件的行业领域和企业范围探索数字孪生等新一代数字技术应用；开展数字孪生创新计划，聚焦数字孪生体专业化分工中的难点和痛点，引导各方参与提出数字孪生的解决方案。“如果说汽车、能源等领域都有一个共性的技术支撑，那就是数字孪生。数字孪生技术的应用能够大大降低相关成本，找到共性的技术和应用，可为客户和消费者提供质优价廉的产品及服务。”胡权表示，在汽车“新四化”变革中，5G、云计算、大数据、人工智能都为数字孪生的应用提供了有利条件，数字孪生也将与这些新技术一道，打造一个有利于汽车产业发展的良好生态。数字孪生潮流涌动，正在形成蓬勃发展之势。“数字孪生技术尽管应用较快，但总体还处于发展过程中，能够规范和引领技术发展的相关标准仍是空白，亟待健全。”曾文翔补充说。文：赵建国 编辑：庞国霞 版式：李沛洋来源：中国汽车报

2022年6月9日，3GPPRAN第96次会议圆满结束，5GR17标准宣布冻结，标志着5G第二个演进版本(第三个版本)标准正式完成。R17是对前两个5G标准版本的持续演进升级R15侧重于增强移动宽带(eMBB)方面的提升，即更快的网络传输速率，主要面向2C市场，并引入对超可靠低时延通信(uRLLC)的支持;频谱方面，R15引入对Sub-7GHz和毫米波的支持;5G架构方面，R15支持可扩展和向前兼容。R16侧重于向垂直行业应用拓展，引入对免许可频谱(NR-U)的支持，首次引入NRV2X及面向C-V2X的基于5GNR的直连通信，并支持5G广播以及集成接入与回传(IAB)。R17对前两个标准版本进行了扩展，频谱方面，将毫米波频段从52.6GHz扩展到71GHz;引入“NR-Light”(RedCap)，通过对5G功能和特性进行裁剪，将5GNR普及到更低复杂度的物联网终端，并降低此类终端的能耗和价格;引入天地一体新网络(NTN)、增强的IAB、射频中继器等，并支持增强的工业物联网、定位和V2X。对已商用特性进行改进，完善现网应用，提升关键性能指标R17在5G规模商用之后制定，汲取了实际部署的经验和不足，实现了标准与商用联动协同。在提升关键指标性能方面，上行业务信道覆盖能力和室内工厂理想环境下的定位精度大大提升，工业互联网时延敏感网络的空口授时精度从R16的±540ns提升到±145ns~±275ns。引入新终端RedCap、新网络NTN和新功能MBS轻量级新型终端(RedCap)通过降低终端带宽和天线数目、简化双工传输、裁剪协议流程功能、减少功耗开销等技术手段，可满足低成本、低功耗、中等数据速率的物联需求，与NB-IoT形成互补，适配工厂传感、视频监控及可穿戴设备等多种应用场景。天地一体新网络(NTN)通过卫星天链中继实现上千公里覆盖，与地面通信相辅相成，共同构建空天地一体化立体融合网络，为用户提供“无处不在、无时不在”的通信服务。多播广播功能(MBS)通过灵活的传输模式及反馈机制，实现多播广播业务的高效可靠传输，可服务于公共安全、赛事直播等多种应用场景。投资建议：5GR17标准发力中高速物联网及RedCap能力终端，扩展高容量uRLLC场景，并促进5G与AI的融合，物联网(车联网)、工业互联网等场景应用将迎增量，物联网领域重点推荐高景气赛道模组厂商美格智能、移远通信、广和通、有方科技以及高精度定位龙头华测导航，工业互联网领域重点推荐设备商紫光股份、菲菱科思。建议关注映翰通、三旺通信、东土科技。

　　事件：2022 年6 月9 日，3GPP RAN 第96 次会议圆满结束，5G R17 标准宣布冻结，标志着5G 第二个演进版本(第三个版本)标准正式完成。　　R17 是对前两个5G 标准版本的持续演进升级R15 侧重于增强移动宽带(eMBB)方面的提升，即更快的网络传输速率，主要面向2C 市场，并引入对超可靠低时延通信(uRLLC)的支持；频谱方面，R15 引入对Sub-7GHz 和毫米波的支持；5G 架构方面，R15 支持可扩展和向前兼容。　　R16 侧重于向垂直行业应用拓展，引入对免许可频谱(NR-U)的支持，首次引入NRV2X 及面向C-V2X 的基于5G NR 的直连通信，并支持5G 广播以及集成接入与回传(IAB)。　　R17 对前两个标准版本进行了扩展，频谱方面，将毫米波频段从52.6GHz 扩展到71GHz；引入“NR-Light”(RedCap)，通过对5G 功能和特性进行裁剪，将5G NR普及到更低复杂度的物联网终端，并降低此类终端的能耗和价格；引入天地一体新网络(NTN)、增强的IAB、射频中继器等，并支持增强的工业物联网、定位和V2X。　　对已商用特性进行改进，完善现网应用，提升关键性能指标R17 在5G 规模商用之后制定，汲取了实际部署的经验和不足，实现了标准与商用联动协同。在提升关键指标性能方面，上行业务信道覆盖能力和室内工厂理想环境下的定位精度大大提升，工业互联网时延敏感网络的空口授时精度从R16 的±540ns提升到±145ns~±275ns。　　引入新终端RedCap、新网络NTN 和新功能MBS轻量级新型终端(RedCap)通过降低终端带宽和天线数目、简化双工传输、裁剪协议流程功能、减少功耗开销等技术手段，可满足低成本、低功耗、中等数据速率的物联需求，与NB-IoT 形成互补，适配工厂传感、视频监控及可穿戴设备等多种应用场景。天地一体新网络(NTN)通过卫星天链中继实现上千公里覆盖，与地面通信相辅相成，共同构建空天地一体化立体融合网络，为用户提供“无处不在、无时不在”的通信服务。多播广播功能(MBS)通过灵活的传输模式及反馈机制，实现多播广播业务的高效可靠传输，可服务于公共安全、赛事直播等多种应用场景。