管理视角谈智能制造

◆宋华振 / 文

一、智能制造服务于企业战略转型

智能制造是企业战略实现的一个环节，而企业战略则必须服务于市场。对于智能时代，必须从源头去理清，即消费者需求的个性化变得更为迫切和显著，智能制造作为一种应对变化的实现环节，必须要有响应变化的能力，而且企业自身也要有利可图。

因此，良好的规划——包括市场的发展趋势把握、客户的需求演进、横向技术的演进等，必须清晰把握客户需求和横向技术两个重点。创新首先必须是用户导向的，横向技术变得成熟后，就可以融入到生产制造中，将原有的机械电气与新的感测、通信、计算技术融合，共同开发更具竞争力的装备。而对于制造型企业来说，就是要把数字化设计、产线运营和维护结合起来，能够实现更为经济的“个性化”生产——这也是实现“差异化”产品的关键。

虽然变化是无处不在的，但是落地必须是有规划、有序的，必须以有序应对无序。企业所处的环境在任何时候都是变化着的、不确定的，而企业的运营能力就体现在以有序应对无序。规划就是对变化的预测以及确定适应的方法与工具来应对。

二、智能制造需要跨界人才

图1 精益中的七大浪费

智能制造是个热议话题，但人们大多聚焦于“技术”视角。智能制造需要全局的规划，包括规划的人才以及人才的规划。规划型的人才能够在管理与技术之间有效协同。由于大学的专业垂直属性使得大多数毕业生缺乏全局规划，因此同时掌握管理思维和技术能力的人才较为缺乏。

精益生产是一种应对个性化生产、提高客户满意度、缩短面市时间的思想体系，目前我们的企业在精益生产运营方面还比较弱，在很多时候尚未具备很强的践行能力。仅精益思想提出消除生产中的七大浪费（图1），就可以让企业的运营效率得到大幅改善。

技术一定是服务于生产的。至于智能制造所谈到的各种技术，只是实现精益目标的手段。自动化技术解决生产中的不良品问题，商业智能可以让库存得到更好的优化，通过机器人降低搬运的时间消耗。

我们需要跨界人才来整合这些资源，用最小的成本干最大的事，这本身就是人才的力量，而非技术的力量。因为，技术要被人有效地利用，而能够更好利用技术的人就是智能制造所需的人才。

三、智能制造旨在实现个性化定制的成本效率

智能制造的核心在于应对“个性化生产”，旨在让个性化生产与大规模生产具有相等或接近的成本效率，品质、成本、交付能力一致，这显然是非常困难的。

为了解决这些问题，需要对生产制造过程进行全局的协同，通过连接后寻找解耦——就是消除中间的浪费环节，让生产在时间、位置、工艺参数上获得最优匹配，让系统具有一定的预测性、动态调节能力。这就是智能制造的任务。

要实现这一点，第一步是让生产系统连接，包括物理的机械连接以及数字、软件层面的连接，实现数字化，只有数字化才能为后续的工作奠定基础。第二步，对生产过程进行数字孪生映射，通过物理对象与虚拟对象的映射，对生产过程进行虚拟环境中的测试验证，并对其物流、时间节拍、工艺参数进行匹配，实现虚拟环境下的最优。这是需要机理建模的过程，如果物理对象真的“确定”，可以采用边缘计算对生产过程进行调度、优化。第三步，通过数字孪生体反馈来的数据，对那些不确定性的过程进行学习，通过与质量、时间、成本相关性的分析来优化，形成持续优化能力，将生产中的知识变为可重复利用的技术。当然，需要人的介入，需要人与机器的协同。

对于整个智能制造系统，产线设计与规划、制程管理、精益制造的人员必须介入。因为，对于智能系统的技术人员来说，他们必须了解用户需求。Know-How不仅是技术，也包括产品如何设计规划以及生产制程设计，这些设计最终要能够被有效执行。生产制造必须与智能技术形成协作，才能实现技术与生产的任务、目标、过程的结合。因此，未来我们会发现需要大量可以衔接管理与技术的人员。

但是必须意识到，在真正实现个性化生产方面，工艺本身的突破才是真正颠覆性的。这也需要一个成熟过程，并且需要传统制造和新制造的相互弥补。工艺上的变革比较难，因为需要大量的技术研发投入，相对来说也更容易产生颠覆性的生产能力。比如数字印刷技术，它会取代传统的印刷版辊，实现个性化生产。当然，数字印刷在生产速度和产品品质方面无法与传统印刷相较，它胜在灵活。3D打印也是一种更为有效的生产方式，增材制造与传统的减材制造相比显然更具灵活性，但它有赖于材料和工艺处理的更好发展。通过印刷方式生产电路板的柔性混合电子同样是更为高效的生产方式，但它对制造技术也提出了更高要求。任何新生产方式并不能完全脱离原有的制造技术，但要求更高效地发挥这些技术的作用。新旧技术之间是连续的，而非割裂的。

四、制造业应该寻求更为有效的盈利模式

从上市公司中的制造业企业的年报来看，盈利能力并不高，因为传统制造业的确处在竞争的红海状态。人们应该先关注什么样的业务模式可以更好地盈利，无论是传统制造还是智能制造，其本质都是让我们在竞争中赢得先机。很多企业依赖高速的“资金周转率”来盈利，低利润率并不意味着低的整体利润。快速消费品、日用化妆品、服装类都是这类盈利模式。但是，在狭义的制造业中，非消费市场的制造业（如机器与装备领域）产品制造周期比较长，如果没有较高的利润率保障，资金年化回报就会比较低，相对于重资产来说，资产回报率也会低。这个主要以财务评价指标来看待。那么，盈利能力强的地方在哪里？

1.从产品各环节分析

盈利能力高自然来源于稀缺性和人员智力的凝聚，最容易走的路也是最难走的路，这就是辩证法。如果没有技术门槛或者行政门槛，大家都可以进入，那就会成为一个纯竞争市场。因此，加大技术投入、筑高壁垒，能够获得更高的回报。从产品制造的各环节来看，设计的物理性投入最小，但回报变数最大——它可能很弱，但也有可能很大；其次是制造环节。因此，欧美国家会把设计、工业研发牢牢抓在手中，而把制造部分分包出去；把包括生产工艺在内的制程管理抓在手中，而把制造组装分包出去。分包出去的，都是利润比较低的环节，需要大量的设备投入、人员投入。

2.从产业链来看——上游筑坝

对一个产业来说，往往越往上走，越容易把握高利润环节。例如一个产品，末端是生产企业，上游是制造设备的厂商，再上游可能就是自动化厂商，再上游就是材料提供商。材料一直属于高回报领域，不管是3D打印的金属粉末、柔性混合电子与数码印刷的油墨，还是芯片生产中的光刻胶、SiC和GaN的功率器件，原料本身往往处于高垄断地位，当然机器与设备对这些原料的成型处理的工艺本身也需要大量的测试验证。这些技术含量比较高的地方，利润也比较高。

3.软的比硬的更值钱

有一家公司做软件，每次报关都被要求提交说明，因为几张光盘就卖好几百万。光盘的物理成本可以忽略不计，光盘里面承载的被“卡脖子”的工业软件才具有真正的价值。通过大量测试验证形成的知识，被复用为各种软件，这些都是高附加值的。其实，管理也是一样的。好的管理会带来效率，而差的管理会带来灾难。好的人才会让企业拥有更好的产品与技术，而磨洋工的员工只会增加成本。中国的工业软件之所以没有发展好，对于软件不重视只是一方面，另一方面对知识产权保护不严格，太容易被复制而法律追溯又耗时费力，使得很多企业不愿意投入研发。

五、提升成本效率是制造的永恒话题

无论是传统制造还是智能制造企业，必须以成本效率为生产运营的追求目标。传统的精益运营打下了良好的基础。智能制造业仍然是制造，它的挑战在于“个性化”，即如何在个性化生产时代实现低成本、高效率的问题。对于传统标准化、大批量生产来说，开机成本较低，浪费可以承受，但是小批量则完全是另外一种情况。智能制造要解决的是“小批量、多品种”生产下的成本效率问题，包括很多实现方法：通过设备互联，削减中间环节，提高速度；通过CPS架构设计，让数字孪生在早期验证、采用虚拟方式打样；更快的工艺换型，降低时间的消耗，提高产出；采用新的产线规划方法、调度，让效率提高；动态的质量预测，降低质量的不确定性；采用智能，形成更好的质量、路径规划等以提升效率。智能制造与传统大规模生产的成本效率诉求是一致的，仍然可以基于原有的生产目标设定，但是要通过质量、成本、交付，包括机械、电气、工艺的各种升级来实现。

六、提高知识的使用效率推进智能制造

生产系统运行逻辑始终是：一旦发生问题，人根据经验分析问题、根据经验调整以解决问题，然后进一步积累经验。依据人的经验，这当然也是一种智能方法，但这种方法具有“不可复制性”，受到个体的因素制约。因为它存在“对人的依赖”、“不易复制”、“难以自动化实现”的特点。机器智能就是将人的智能转换为可被复制的“智能”，因为机器智能具有高一致性、稳定性。实现人的智能方法有演绎和归纳。基于模型就是对物理对象的机械、电气、光学、电磁、热、流体等进行建模并形成稳定的算法，对输入进行推理，得出稳定的控制输出，并周期性执行。这是所有自动化技术的基本原理，不仅成本低而且非常成熟。另一类智能实现是“归纳法”，基于数据的收集形成“模型”，即所谓的“数据驱动的建模”。但这类建模适合于“非线性系统”，因为它没有直观的可解释、确定性的模型，只能依赖大量数据来“训练”模型。这便是产业里常说的机理建模（Physics Modeling）、数据驱动的建模(Data-Driven Modeling)。相对来说，机理建模的历史更悠久、更成熟，也更稳定，经济性更高。当机理模型发挥到极致时，人们会寻求数据建模方法，以期获得更为有效的模型改善生产。

必须说明的是，机理建模非常好。如果能够有物理建模，那么一定是既经济且可解释性、确定性最好的。今天的人们聚焦在“数据驱动建模”的人工智能方向，其实是一种“捷径”思想，就像在传统的燃油发动机领域，中国经过这么多年发展也没有更好的发动机材料、设计、制造等方面的能力，希望通过“电动汽车”换条路走走的想法。其实，无论是燃油汽车还是电动汽车，汽车本身的空气动力学储备和精益运营方面的管理能力，仍然是要有的。

七、AI人才在智能制造中更具优势

AI的应用必须是计算技术结合物理对象、行业经验的。如果没有行业经验、对物理对象的了解，你就不知道你要干什么。

AI在商业领域主要处理图像、语音、视频等数据。这类数据维度高，更适合AI来干。但是工业数据具有低维度特征，而且数据类型包括温度、压力、液位、流量、开关量、速度、扭矩、视觉、脉冲等参数。同时，工业的应用有“周期性”要求，数据处理和传输方法不同，必须是实时网络。所以，要在系统中构建适用于工业的知识、算法、模型，必须有工业背景知识的人才配合，而AI只是工具。作为AI产业来说，进入工业中往往会陷入泥潭。他们的优势在于工具与平台的能力，但如果陷入到具体的应用中则很难从经济性上支撑其快速发展。因此，具有可复制性、易于学习、易于使用的工具设计，利用在软件工程、用户体验方面的能力，可能是最好的选择。