管理視角談智能制造

◆宋華振 / 文

一、智能制造服務于企業戰略轉型

智能制造是企業戰略實現的一個環節，而企業戰略則必須服務于市場。對于智能時代，必須從源頭去理清，即消費者需求的個性化變得更為迫切和顯著，智能制造作為一種應對變化的實現環節，必須要有響應變化的能力，而且企業自身也要有利可圖。

因此，良好的規劃——包括市場的發展趨勢把握、客戶的需求演進、橫向技術的演進等，必須清晰把握客戶需求和橫向技術兩個重點。創新首先必須是用戶導向的，橫向技術變得成熟后，就可以融入到生產制造中，將原有的機械電氣與新的感測、通信、計算技術融合，共同開發更具競爭力的裝備。而對于制造型企業來說，就是要把數字化設計、產線運營和維護結合起來，能夠實現更為經濟的“個性化”生產——這也是實現“差異化”產品的關鍵。

雖然變化是無處不在的，但是落地必須是有規劃、有序的，必須以有序應對無序。企業所處的環境在任何時候都是變化著的、不確定的，而企業的運營能力就體現在以有序應對無序。規劃就是對變化的預測以及確定適應的方法與工具來應對。

二、智能制造需要跨界人才

圖1 精益中的七大浪費

智能制造是個熱議話題，但人們大多聚焦于“技術”視角。智能制造需要全局的規劃，包括規劃的人才以及人才的規劃。規劃型的人才能夠在管理與技術之間有效協同。由于大學的專業垂直屬性使得大多數畢業生缺乏全局規劃，因此同時掌握管理思維和技術能力的人才較為缺乏。

精益生產是一種應對個性化生產、提高客戶滿意度、縮短面市時間的思想體系，目前我們的企業在精益生產運營方面還比較弱，在很多時候尚未具備很強的踐行能力。僅精益思想提出消除生產中的七大浪費（圖1），就可以讓企業的運營效率得到大幅改善。

技術一定是服務于生產的。至于智能制造所談到的各種技術，只是實現精益目標的手段。自動化技術解決生產中的不良品問題，商業智能可以讓庫存得到更好的優化，通過機器人降低搬運的時間消耗。

我們需要跨界人才來整合這些資源，用最小的成本干最大的事，這本身就是人才的力量，而非技術的力量。因為，技術要被人有效地利用，而能夠更好利用技術的人就是智能制造所需的人才。

三、智能制造旨在實現個性化定制的成本效率

智能制造的核心在于應對“個性化生產”，旨在讓個性化生產與大規模生產具有相等或接近的成本效率，品質、成本、交付能力一致，這顯然是非常困難的。

為了解決這些問題，需要對生產制造過程進行全局的協同，通過連接后尋找解耦——就是消除中間的浪費環節，讓生產在時間、位置、工藝參數上獲得最優匹配，讓系統具有一定的預測性、動態調節能力。這就是智能制造的任務。

要實現這一點，第一步是讓生產系統連接，包括物理的機械連接以及數字、軟件層面的連接，實現數字化，只有數字化才能為后續的工作奠定基礎。第二步，對生產過程進行數字孿生映射，通過物理對象與虛擬對象的映射，對生產過程進行虛擬環境中的測試驗證，并對其物流、時間節拍、工藝參數進行匹配，實現虛擬環境下的最優。這是需要機理建模的過程，如果物理對象真的“確定”，可以采用邊緣計算對生產過程進行調度、優化。第三步，通過數字孿生體反饋來的數據，對那些不確定性的過程進行學習，通過與質量、時間、成本相關性的分析來優化，形成持續優化能力，將生產中的知識變為可重復利用的技術。當然，需要人的介入，需要人與機器的協同。

對于整個智能制造系統，產線設計與規劃、制程管理、精益制造的人員必須介入。因為，對于智能系統的技術人員來說，他們必須了解用戶需求。Know-How不僅是技術，也包括產品如何設計規劃以及生產制程設計，這些設計最終要能夠被有效執行。生產制造必須與智能技術形成協作，才能實現技術與生產的任務、目標、過程的結合。因此，未來我們會發現需要大量可以銜接管理與技術的人員。

但是必須意識到，在真正實現個性化生產方面，工藝本身的突破才是真正顛覆性的。這也需要一個成熟過程，并且需要傳統制造和新制造的相互彌補。工藝上的變革比較難，因為需要大量的技術研發投入，相對來說也更容易產生顛覆性的生產能力。比如數字印刷技術，它會取代傳統的印刷版輥，實現個性化生產。當然，數字印刷在生產速度和產品品質方面無法與傳統印刷相較，它勝在靈活。3D打印也是一種更為有效的生產方式，增材制造與傳統的減材制造相比顯然更具靈活性，但它有賴于材料和工藝處理的更好發展。通過印刷方式生產電路板的柔性混合電子同樣是更為高效的生產方式，但它對制造技術也提出了更高要求。任何新生產方式并不能完全脫離原有的制造技術，但要求更高效地發揮這些技術的作用。新舊技術之間是連續的，而非割裂的。

四、制造業應該尋求更為有效的盈利模式

從上市公司中的制造業企業的年報來看，盈利能力并不高，因為傳統制造業的確處在競爭的紅海狀態。人們應該先關注什么樣的業務模式可以更好地盈利，無論是傳統制造還是智能制造，其本質都是讓我們在競爭中贏得先機。很多企業依賴高速的“資金周轉率”來盈利，低利潤率并不意味著低的整體利潤?？焖傧M品、日用化妝品、服裝類都是這類盈利模式。但是，在狹義的制造業中，非消費市場的制造業（如機器與裝備領域）產品制造周期比較長，如果沒有較高的利潤率保障，資金年化回報就會比較低，相對于重資產來說，資產回報率也會低。這個主要以財務評價指標來看待。那么，盈利能力強的地方在哪里？

1.從產品各環節分析

盈利能力高自然來源于稀缺性和人員智力的凝聚，最容易走的路也是最難走的路，這就是辯證法。如果沒有技術門檻或者行政門檻，大家都可以進入，那就會成為一個純競爭市場。因此，加大技術投入、筑高壁壘，能夠獲得更高的回報。從產品制造的各環節來看，設計的物理性投入最小，但回報變數最大——它可能很弱，但也有可能很大；其次是制造環節。因此，歐美國家會把設計、工業研發牢牢抓在手中，而把制造部分分包出去；把包括生產工藝在內的制程管理抓在手中，而把制造組裝分包出去。分包出去的，都是利潤比較低的環節，需要大量的設備投入、人員投入。

2.從產業鏈來看——上游筑壩

對一個產業來說，往往越往上走，越容易把握高利潤環節。例如一個產品，末端是生產企業，上游是制造設備的廠商，再上游可能就是自動化廠商，再上游就是材料提供商。材料一直屬于高回報領域，不管是3D打印的金屬粉末、柔性混合電子與數碼印刷的油墨，還是芯片生產中的光刻膠、SiC和GaN的功率器件，原料本身往往處于高壟斷地位，當然機器與設備對這些原料的成型處理的工藝本身也需要大量的測試驗證。這些技術含量比較高的地方，利潤也比較高。

3.軟的比硬的更值錢

有一家公司做軟件，每次報關都被要求提交說明，因為幾張光盤就賣好幾百萬。光盤的物理成本可以忽略不計，光盤里面承載的被“卡脖子”的工業軟件才具有真正的價值。通過大量測試驗證形成的知識，被復用為各種軟件，這些都是高附加值的。其實，管理也是一樣的。好的管理會帶來效率，而差的管理會帶來災難。好的人才會讓企業擁有更好的產品與技術，而磨洋工的員工只會增加成本。中國的工業軟件之所以沒有發展好，對于軟件不重視只是一方面，另一方面對知識產權保護不嚴格，太容易被復制而法律追溯又耗時費力，使得很多企業不愿意投入研發。

五、提升成本效率是制造的永恒話題

無論是傳統制造還是智能制造企業，必須以成本效率為生產運營的追求目標。傳統的精益運營打下了良好的基礎。智能制造業仍然是制造，它的挑戰在于“個性化”，即如何在個性化生產時代實現低成本、高效率的問題。對于傳統標準化、大批量生產來說，開機成本較低，浪費可以承受，但是小批量則完全是另外一種情況。智能制造要解決的是“小批量、多品種”生產下的成本效率問題，包括很多實現方法：通過設備互聯，削減中間環節，提高速度；通過CPS架構設計，讓數字孿生在早期驗證、采用虛擬方式打樣；更快的工藝換型，降低時間的消耗，提高產出；采用新的產線規劃方法、調度，讓效率提高；動態的質量預測，降低質量的不確定性；采用智能，形成更好的質量、路徑規劃等以提升效率。智能制造與傳統大規模生產的成本效率訴求是一致的，仍然可以基于原有的生產目標設定，但是要通過質量、成本、交付，包括機械、電氣、工藝的各種升級來實現。

六、提高知識的使用效率推進智能制造

生產系統運行邏輯始終是：一旦發生問題，人根據經驗分析問題、根據經驗調整以解決問題，然后進一步積累經驗。依據人的經驗，這當然也是一種智能方法，但這種方法具有“不可復制性”，受到個體的因素制約。因為它存在“對人的依賴”、“不易復制”、“難以自動化實現”的特點。機器智能就是將人的智能轉換為可被復制的“智能”，因為機器智能具有高一致性、穩定性。實現人的智能方法有演繹和歸納。基于模型就是對物理對象的機械、電氣、光學、電磁、熱、流體等進行建模并形成穩定的算法，對輸入進行推理，得出穩定的控制輸出，并周期性執行。這是所有自動化技術的基本原理，不僅成本低而且非常成熟。另一類智能實現是“歸納法”，基于數據的收集形成“模型”，即所謂的“數據驅動的建?！?。但這類建模適合于“非線性系統”，因為它沒有直觀的可解釋、確定性的模型，只能依賴大量數據來“訓練”模型。這便是產業里常說的機理建模（Physics Modeling）、數據驅動的建模(Data-Driven Modeling)。相對來說，機理建模的歷史更悠久、更成熟，也更穩定，經濟性更高。當機理模型發揮到極致時，人們會尋求數據建模方法，以期獲得更為有效的模型改善生產。

必須說明的是，機理建模非常好。如果能夠有物理建模，那么一定是既經濟且可解釋性、確定性最好的。今天的人們聚焦在“數據驅動建模”的人工智能方向，其實是一種“捷徑”思想，就像在傳統的燃油發動機領域，中國經過這么多年發展也沒有更好的發動機材料、設計、制造等方面的能力，希望通過“電動汽車”換條路走走的想法。其實，無論是燃油汽車還是電動汽車，汽車本身的空氣動力學儲備和精益運營方面的管理能力，仍然是要有的。

七、AI人才在智能制造中更具優勢

AI的應用必須是計算技術結合物理對象、行業經驗的。如果沒有行業經驗、對物理對象的了解，你就不知道你要干什么。

AI在商業領域主要處理圖像、語音、視頻等數據。這類數據維度高，更適合AI來干。但是工業數據具有低維度特征，而且數據類型包括溫度、壓力、液位、流量、開關量、速度、扭矩、視覺、脈沖等參數。同時，工業的應用有“周期性”要求，數據處理和傳輸方法不同，必須是實時網絡。所以，要在系統中構建適用于工業的知識、算法、模型，必須有工業背景知識的人才配合，而AI只是工具。作為AI產業來說，進入工業中往往會陷入泥潭。他們的優勢在于工具與平臺的能力，但如果陷入到具體的應用中則很難從經濟性上支撐其快速發展。因此，具有可復制性、易于學習、易于使用的工具設計，利用在軟件工程、用戶體驗方面的能力，可能是最好的選擇。