新能源装备智能制造协同演化研究

李颖辉， 李宝虹， 宋 鹏

(1.河南柴油机重工有限责任公司， 河南 洛阳 471039； 2.哈尔滨师范大学 管理学院， 哈尔滨 150001； 3.江苏大学 财经学院， 江苏 镇江 212013)

在“双碳”工作有序推进、国际能源安全问题的双重背景下，加快新能源的产业化发展现已成为实现“双碳”目标和能源供给稳定的双重最优解。新能源装备作为加快新能源开发与利用的核心工具，其产业发展受到政府、企业及学术界的高度重视。当前中国正处于能源结构优化和制造业智能化转型的历史交汇点，新能源装备制造业要实现跨越式发展，必须紧随《中国制造2025》的战略部署，将“智能制造”作为产业转型升级的主攻方向[1]。新能源装备智能制造不仅对于实现产业升级、提升产业价值链地位具有现实意义，更有利于建设生态文明和落实“双碳”行动。作为全球减排力度最大的国家，未来能源结构优化对于新能源装备的需求将持续增长。而随着碳达峰行动方案的有效落实，新能源装备向智能制造转型有望成为继高铁之后中国高端装备制造业的新名片。

新能源装备多为大型复杂的集成配套设备，由于应用场景复杂、客户需求多变等原因，具有装备参数差异大、专用性强的特征。新能源装备在产品设计、生产和后期运营等环节有较高程度的非重复性，由此决定其高度定制化特性[2]。而智能制造系统不仅具备提高产品精度、缩短生产周期并降低生产成本等优势[3]，更重要的是用户特殊需求得以通过智能制造实现定制化，兼具规模化生产和差异化定制的功能[4-5]，进而使制造商基于用户特殊需求提供新能源装备整体解决方案。随着新能源装备智能制造系统不断成熟，产品协同开发服务、模块化产品开发支援服务、精益产品开发支援服务等一系列信息交互平台相继问世，用户在交易中的角色逐步向联合开发者转变[6]。以智能工厂为基础，智能制造系统应是一个涵盖研发设计、生产、销售和服务的全流程生态圈，与用户共同创造价值[7]。在未来工厂实现智能制造的过程中，制造商与研发设计机构、用户及技术供应商形成的协同关系形成智能制造系统虚拟组织[8]。Ying等则进一步提出智能制造生态系统的构想，指出智能制造生态系统的本质是互联，这种互联除智造技术的集成应用外，还包括制造商与外部环境中科技机构、用户及其活动的联系，在互联中实现价值创造[9]。

新能源装备制造商、产品研发机构和用户在智能制造系统中的协同关系更加紧密，三方如何融入智能制造并形成联盟级的互联协同，是产业智造化转型升级的关键。在新能源装备智能制造过程中，制造商不仅要同供应商、技术提供者或其他合作关联方的实现横向协同，更须寻求与研发机构和用户的纵向协同[10]。智能制造的协同理论研究中，学者认识到用户个性化需求在智能制造价值共创过程中的巨大潜力以及产品研发对于挖掘用户价值的作用。然而制造商如何有效引导用户群体与研发群体参与协同智造？协同关系的形成及演化在经济效益层面是否具有可行性？以上问题鲜有学者给予充分关注，因而成为新能源装备智能制造亟待解决的重要管理问题。

本文基于演化博弈理论，首先对新能源装备制造企业、研发机构和用户的智能制造协同关系进行分析，建立演化博弈模型探究新能源装备智能制造的协同演化特性。其次，根据博弈模型的演化特性设置企业引导协同智造的情景方案，为对策建议的提出提供理论证据。较之已有研究的创新之处在于：在经济效益可行的前提下研究新能源装备协同智造体系的形成过程，丰富了新能源装备制造智能化转型升级的理论体系；针对实际经营决策问题，基于情景分析法为新能源装备制造商引导协同智造的形成提出情景方案并验证其有效性。

1 新能源装备协同智造演化博弈分析

博弈论中的利益均衡理论为智能制造多方协同的演化分析提供了研究思路[11]。根据惯性假设、短视假设和突变假设[12]，现实中很难具备经典博弈论“完全理性”和“共同知识”的假设条件。新能源装备制造企业、用户和装备研发机构在选择协同策略时并非完全理性，其最终策略很大程度上通过个体间相互模仿、学习，经演化形成稳定状态。协同三方的这些特征符合演化博弈理论的基本假设[13]，因此，演化博弈模型更适合于本研究。

1.1 新能源装备智能制造

中国国土幅员辽阔，新能源项目所在地的地理和气候特征致使新能源装备的运行环境较为复杂，制造商需要经过长期的实地勘察，了解装备应用场地的气候条件和地理条件，结合用户负载需求有针对性的设计装备功能参数，进而对新能源项目进行全面的定制化设计。智能制造系统使新能源装备制造具备差异化的设计与生产能力，在为制造商实现优化资源配置和生产流程等效率提升功能的同时，也有能力为用户定制专用性强、环境适应性强的高精度装备，使其在复杂运行环境中发挥预期功能，高效率服役于新能源供应。基于服务型制造理论，用户在新能源装备制造中的角色正由被动选择者向联合开发者转变，新能源装备研发设计机构、装备制造商和用户由此形成紧密协同的合作关系。因此，新能源装备的智能制造需要企业群体、研发群体和用户群体协同完成，形成“产研用”联合的新能源装备“协同智造”模式。为便于表述，本文以“协同智造”指代智能制造的协同过程。

1.2 演化博弈关系分析

1.2.1 新能源装备制造企业与用户的博弈分析

新能源装备制造业制造企业与用户的博弈策略主要包括协同智造和传统制造两种。首先，新能源装备制造商引导用户参与协同智造的策略选择下，通过与用户进行充分的交流互动以及场地考察，根据实际情况提供完整新能源解决方案再进行装备定制[14]。个性化的新能源装备解决方案提高了产品附加价值，并且在特殊工作环境下具有较高的专用性和适应性[15]。尽管新能源装备协同智造使双方均有受益，但供应商对特殊定制业务进行专门投资时，将面临高额的成本费用[16]。这些额外的成本费用既包括智能制造系统相关的技术和设备将产生额外折旧费用，也包括新能源装备用户定制的相关实地勘测或用户协调成本等。此外，对于一些复杂的产品，用户并非总可以明确表达自己的需求，这使得一些隐性知识难以被传达[17]。因此，博弈模型必须考虑到新能源装备智能制造结果未达到预期时对用户使用的负面影响。其次，当协同智造关系未能形成时，智能制造系统无法获得足够的定制决策信息，新能源装备则不具备较高程度的专用性，其后果是产品交付后期较高的维护、改造费用，同时预期的能源输出效率无法达到预期的理论目标，对用户的能耗活动产生影响。综上，新能源装备制造企业参与智能制造协同的策略包括协同智造和传统制造两种，而其混合策略则为参与协同概率α，该参数在产业层面反映了整体协同度。同理，用户纯策略包括参与协同智造和被动选择新能源装备两种，其混合策略用比率β表示，反映了用户群体整体协同度。

1.2.2 新能源装备制造企业与研发机构的博弈分析

新能源装备制造商同装备研发机构间形成协同博弈关系，更倾向于契约关系的体现，新能源装备制造商与研发设计机构的协同过程中将用户需求委托与研发机构。基于智能设计信息交互平台，新能源装备协同设计与开发无疑是制造商提升产品质量，研发机构提高创新效率的有效途径。然而信息交互技术下的协同开发也产生额外的运营成本，延长了装备制造整体进度。尽管高支出在一定程度上限制了协同智造合作关系的形成，但对于新能源装备研发机构而言，协同智造的意义不仅限于经济利益，更重要的是合作衍生的创新价值、科研价值等非经济利益。此处研发群体参与度用比率γ表示，其纯策略包括协同开发和独立设计两种。

1.2.3 新能源装备用户与研发机构的博弈分析

新能源装备研发机构与用户的博弈关系中，双方追求的“利益”不同于企业追求的经济效益。装备研发机构与用户的合作不仅加强了装备在特殊运行场景下的稳定性，为用户提供稳定的能源输出，且获取的运行信息反馈有助于后续的产品改良，完成进一步的产品创新活动，除经济利益外还包括科研和创新改良价值。用户参与协同智造则获得具有更高应用价值的新能源装备，避免非定制交易情况下新能源装备在极端特殊环境中的低效率运行，如对风电装备定制设计温差补偿装置能够解决其在极端温差下电力供应不稳定现象。

1.3 演化博弈模型

1.3.1 参数设定与支付矩阵

根据博弈关系分析设定演化博弈模型中成本与收益参数，见表1。根据参数相关关系构建演化博弈模型的收益矩阵，如图1所示。

表1 演化博弈模型参数

图1 演化博弈支付矩阵

1.3.2 复制动态

演化博弈参与群体通过观察同一群体中其他个体的收益进行学习和模仿，进而调整自身策略选择，个体是否会模仿其他个体的策略取决于维持现状与改变策略为其带来的收益变化[18]，这一机制由复制动态描述，联立复制动态函数将获得演化博弈均衡点，但该均衡点的演化稳定性有待验证[19]。

新能源装备制造企业选择协同智造策略的适应度为Uα，选择传统制造策略的适应度为U1-α，根据收益矩阵有：

Uα=βγ(R1-C1-I1)+β(1-γ)(-L1-I1)+

(1-β)γ(-I1)+(1-β)(1-γ)(-I1)=

βγ(R1-C1+L1)-I1-βL1

(1)

U1-α=-βγL1-β(1-γ)L1

(2)

由式(1)、式(2)，得企业策略平均适应度：

(3)

则反映企业策略变化的复制动态微分方程为

(1-α)U1-α)]=α(1-α)(Uα-U1-α)=

α(1-α)[βγ(R1-C1+L1)-I1]

(4)

同理，新能源装备用户群体参与协同智造策略适应度与不参与策略适应度为

Uβ=αγ(R2-C2+E2)+α(1-γ)(-L2-E1)+

(1-α)γ(-L2)+(1-α)(1-γ)(-L2)=

αγ(R2-C2+L2)+αE2-L2

(5)

U1-β=αγE3+α(1-γ)E3

(6)

用户群体策略复制动态微分方程为

α(E2-E3)-L2]

(7)

新能源装备研发群体参与协同智造策略适应度与被动选择策略适应度为

Uγ=αβ(R2-C2)+α(1-β)(-L3)+

(1-α)β(-L3)+(1-α)(1-β)(-L3)=

αβ(R3-C3+L3)-L3

(8)

U1-γ=0

(9)

研发群体策略复制动态微分方程为

(10)

综上，三方策略的复制动态方程，即式(4)、式(7)、式(10)反映了新能源装备协同智造博弈模型的群体演化动态，联立上述公式，方程组(11)反映了博弈参与方进行策略学习与模仿的速度和方向。

(11)

F(αγ)=αγ(R2-C2+L2)+α(E2-E3)-L2

(12)

经上述数学推理可以认为，β的变化趋势以及变化速率受α与γ影响。同理，γ的变化趋势以及变化速率受α与β影响。这一数学结论的现实意义在于，新能源装备制造业的策略选择，能够对用户群体和研发群体协同决策产生影响。因此，做出如下推论。

推论1：在新能源装备协同智造的博弈关系中，产业内个体可以通过提高整体参与度引导用户以及装备研发群体的策略选择。

1.3.3 演化博弈均衡解

方程组(11)为零时，表明演化博弈模型处于相对稳定状态，由此得到演化博弈均衡解：

X12=

推论2：理性经纪人假设下，新能源装备制造企业选择协同智造策略时对成本效益的评估智造化协同度，进而影响整个博弈的演化方向。

推论3：用户对新能源装备协同智造体系进行深度交互而获得的良好体验将持续改变其参与意愿。

2 算例分析

2.1 系统动力学建模

系统动力学(system dynamics，SD)以系统科学理论为基础，通过使用计算机仿真技术研究系统反馈结构和运行机理[21]。新能源装备协同智造三方演化博弈模型中，个体策略选择通过持续的影响、学习和反馈形成的演化过程符合系统动力学的研究逻辑。因此，本文运用系统动力学模型并通过一个代表性算例探究新能源装备协同智造三方博弈的演化特性，对应的SD模型如图2所示。

图2 演化博弈SD模型

本文以离网风电装备的研发设计、装备制造及用户定制为研究对象，通过调研访谈确定模型参数数值。首先，离网风电装备制造服务于相应的工程项目，由于装备运行受用户所在地区的地形、气候及风力特点影响，具有定制化程度高的特点。其次，离网风电装备制造涉及前期的研发设计，中期的核心装备及必要组件制造以及后期的运营监控和维护，智能制造系统能够在装备参数智能设计、流程优化、运行数据分析等多个方面充分发挥作用。因此，离网风电装备的协同智造具有新能源装备制造的共性特征，是智能制造与定制化深度融合的代表性产品，适合作为算例进行分析。通过对某离网风电装备制造企业及与其合作的研发机构进行调研访问，由科研人员、管理人员根据其内部信息给出参数的相对数值，同时通过客户反馈信息确定了用户有关参数的相对数值。最终，在不影响一般研究结论的前提下调整外部变量初值为：R1=50，C1=20，I1=10，L1=30，R2=40，C2=20，L2=10，E2=3，E3=1，R3=30，C3=5，L3=20。 根据离网风电装备制造的特点对部分参数含义进一步解释。R1和C1：装备应用场景的风能测量信息的智能分析，决定了装备模块的相应内容。如风力强度决定经济性和稳定性兼具的叶片材料、周期性风向变化决定偏航系统设计、用电负载及温差决定蓄电模块容量及工作温区等等诸多定制化设计。全面的数据采集需要提高了协同智造的投入，但最具适应性的风电装备优化设计提高了定制精度和产品价值。L1和L2：离网风电装备协同智造未能实现的情况下，装备的环境适应能力弱，制造决策对风力特点、周边地势等对于装备运行影响较大的因素掌握不足，使装备工作效率无法达到最佳预期，不仅影响用户能源需求的满足，还将产生额外的运营维护成本。

2.2 演化博弈相图

相比两方演化博弈模型，三方演化博弈相图的制作计算量巨大，因此使用蒙特卡洛模拟思想制作演化相图。使用Matlab2014a软件，于三维空间3生成100 000组随机数作为演化博弈三方初始策略，根据复制动态方程(11)确定的演化方式，将演化结果进行分类，结果发现，除X1和X8外其他均衡解均不是最终演化结果(除此均衡解本身外)。因此，根据演化结果将3划分为两个区域，两个区域初始策略最终分别向X1和X8演化。演化相图如图3所示。图3(a)为全数据的拟合面，为清晰反映平面状况，图3(b)为缩减数据规模后的拟合面，左下方初始策略向X1演化，右上方初始策略向X8演化。y-z视图图3(c)反映了初始用户策略和研发策略的演化结果，图中数据点初始策略向X8演化。

图4 均衡解X5和X12演化博弈结果

图3 演化博弈相图

2.3 均衡解稳定性分析

将外部变量初值代入，得到均衡解X1～X12，其中X1～X8为纯策略，X9～X12为混合策略。

保留多位小数，防止计算过程中小数误差反复积累出现错误结果。

将X1～X12分别作为初值代入系统动力学模型，以X5(1,1,0)和X12(0.858 1,0.517 9,0.321 8)为例，演化结果如图4所示。其他均衡解演化结果均与X5和X12相同，保持初始值不变。

当博弈三方不改变自身策略，获得支付持续稳定时，群体内个体没有新内容学习，博弈处于一种相对的演化稳定状态。实际上，维持这种稳定状态要求群体中不出现新策略尝试。演化博弈理论认为博弈方是有限理性的决策人，信息不对称、认知错误、创新尝试等原因都可能造成博弈方群体策略的组成发生突变，并且这些突变的出现是不可避免的[22]。因此，将均衡解的策略组合设置小幅突变进行SD模型运算，以探究其演化稳定性。以X12(0.858 1,0.517 9,0.321 8)为例，突变设定见表2，将表内初值代入SD模型进行运算，结果如图5所示。计算结果表明X12并非演化稳定策略。同理，按这一突变形式计算其他均衡解，结果表明除X1和X8外，所有均衡解策略在发生小幅策略突变的情况下都不具有演化稳定性。

表2 X12单群体突变

将突变形式进一步复杂化，对三方同时设置不同方向和幅度的策略突变，见表3，SD模型计算结果如图6、图7所示。通过对比S1和S′1、S2和S′2演化图发现，同一突变方向，不同突变幅度也将使博弈系统向不同结果演化。根据推论1，假设初始状态为S′3，突变方向为S′3→S3，此过程中用户协同度和研发协同度减小，而产业协同度提升，博弈系统S′3向X1(0,0,0)演化，S3向X8(1,1,1)演化，表明产业协同度的提升起到了引导作用。

表3 X12混合突变

图6 X12混合突变1演化博弈结果

综合以上分析，除X1(完全不协同)和X8(完全协同)两个极端纯策略外，其他均衡解都具有较强的路径依赖性。这些策略都不具备演化稳定性标准，突变方向、突变幅度都能决定博弈的最终演化结果。

2.4 参数敏感性测试

站在制造商的角度，可控程度较高的变量包括收入(R1)、成本(C1)、激励效益(E2)和激励成本(I1)。根据推论2和推论3，基于均衡点X12，将SD模型中上述变量数值增加1～2个单位，对其敏感性进行测试。演化结果如图8～图11所示。

图7 X12混合突变2演化博弈结果

图8 收益敏感性

图9 成本敏感性

图11 激励效果敏感性

根据图8～图11所示的参数敏感性测试结果发现：参数改变影响博弈的演化进程，并且参数变化越大，演化博弈将以更快速度接近稳态；参数E2变化增加两个单位比增加一个单位，更容易使博弈系统向完全协同X8(1,1,1)演化；相比参数R1和I1，参数C1和E2发生变化时博弈系统的敏感性更高，并在更短的周期内接近稳态。

3 情景假设与分析

3.1 情景假设

根据推论1～推论3，以引导协同智造博弈向完全协同X8(1,1,1)演化为目的，基于现有理论推测我国新能源装备制造未来发展的可能性情景假设，根据推论提出3个情景方案，沿用离网风电装备制造算例并使用SD模型验证方案有效性。

情景1：产业联盟战略。智能制造系统的设计和运行需要考虑工艺技术特点、行业标准、协议等多个方面存在于组织间的差异，制造商独自协调并消除这些差异是极为困难的[23]。从我国制造业现状看，尽管中国在工业机器人、智能工厂解决方案等细分领域出现了不少掌握先进技术的企业，但仍然缺乏能够整体架构信息物理系统和全流程数字化解决方案的综合集成企业[24]。相比之下，对社会资源的充分利用成为德国工业4.0的先进之处[25]。基于这一观点，结合推论1，情景1假设新能源装备制造环节形成大规模的产业联盟，与智能制造产业深度融合，基于专业化分工形成智能制造技术、智能设备供应、必要组件制造和装备运营服务方的协同智造合作网络，提升产业整体协同程度，影响新能源装备用户群体和研发群体的策略演化过程。

情景2：起步政策扶持。根据推论2，较高的运营成本是阻碍新能源装备协同智造体系形成的一大障碍。目前，中国智能制造核心技术稍显薄弱，高精尖零部件进口依赖程度依然较高[26]。新兴技术在不成熟阶段，政府政策的扶持对其产业化发展起到重要作用[27]。结合推论3中博弈参数对参与方决策的影响，情景2假设在新能源装备面向智能制造转型初期的技术不成熟阶段，政府提供适度的财税支持政策，帮助企业渡过起步阶段的同时引导新能源装备协同智造体系顺利形成。

情景3：营销激励。供应商为用户提供定制化解决方案的过程始于机会的感知和捕获[28]，而大数据营销、仿真技术的发展为感知和捕获能力增添更高的技术内涵[29]。首先，大数据分析、云计算等技术基于海量数据寻找具有潜在需求的用户，将营销目标精细化，提高营销精准度。其次，虚拟现实、计算机仿真等技术基于用户需求提供可视化的新能源解决方案，使用户获得更好的协同智造互动体验，提高营销成功率。总之，新能源装备制造商使用智能制造技术将营销与定制深度融合，能够为用户提供更好的协同智造互动体验，从而激励用户参与协同新能源装备协同智造。因此，根据推论2～3，情景2假设智能制造技术在营销阶段的应用强化了企业激励用户参与协同智造的效率。

3.2 情景分析

情景1：X12向S2(0.86↑, 0.50↓, 0.321 8→)的突变过程中，产业协同度升至0.86，博弈系统向X1(0,0,0)演化，S2向S′2(0.87↑↑, 0.49↓↓, 0.3218→)突变，产业协同度继续上升，但仍未改变博弈系统向X1(0,0,0)演化的事实。产业联盟情景下，新能源装备智能制造产业联盟的形成将大幅提高产业整体协同度，将该参数提升至0.95，SD模型计算结果如图12所示，该结果表明产业联盟的形成有效引导了用户及研发群体的策略演化。

情景2：该情景假设政府通过财税支持政策扶持帮助新能源装备制造企业于当前技术不成熟时期平稳过渡，模型中以运营支出的降低反应情景假设。仍然针对S′2(0.87↑↑, 0.49↓↓, 0.321 8→)的不利情形，将外部变量C1和C2降低为C′1=C′2=18和C″1=C″2=16，分别使用SD模型计算博弈的演化进程，结果如图13所示。外部变量C1和C2降低2个单位时，演化方向不变，但降低4个单位时，博弈系统改变演化方向，至X8(1,1,1)。该结果表明，智造技术不成熟时期较低财税政策扶持延缓了博弈向不利结果演化，而提升政策力度后改变了演化方向。因此，适度的财税政策扶持对于新能源装备协同智造体系的形成具有积极影响。

图12 情景1演化博弈进程

图13 情景2演化博弈进程

情景3：针对S′2(0.87↑↑, 0.49↓↓, 0.321 8→)的不利情形，将外部变量E2分别提高为E′2=3.5和E″2=4，SD模型对各方策略演化结果的计算如图14所示，当E″2上升至4时，博弈系统向完全协同X8(1,1,1)演化。该结果表明，制造商对用户体验的完善对于引导用户参与协同具有积极作用。

4 结论与建议

4.1 结论

基于智能制造系统，新能源装备制造商如何突破工厂级技术架构的边界，与研发机构及用户取得合作并协同完成装备制造，形成联盟级的互联互通，是产业智造化转型升级的关键。本文基于对制造商、研发机构和用户在新能源装备协同智造过程中的利益分析，构建了三方演化博弈模型，通过新能源装备制造中比较有代表性的离网风电装备算例分析了协同智造参与方的策略演化过程。研究表明：①在产业组织层面上，新能源装备制造业基于各自技术专长形成大规模合作网络，通过提高产业整体协同度影响了其他两方的策略选择，最终突破现有智能制造系统边界形成联盟级的互联互通；②在企业管理层面，智能制造核心技术缺失导致的高成本仍然是新能源装备向协同智造演化的障碍；③在新能源装备智造化转型的初期阶段，政府提供适度的政策扶持是确保企业平稳渡过技术不成熟阶段的重要手段，同时间接引导了协同智造的形成；④基于智能制造技术对营销环节加以创新，对于引导用户参与新能源装备协同智造具有积极影响。

4.2 建议

根据研究结论，本文预测了新能源装备协同智造未来发展的3个情景方案，结合系统动力学模型计算了3个情景中协同智造参与方的策略演化过程，据此提出以下建议：①产业组织层面。借鉴德国工业4.0的先进经验，新能源装备智能制造业应将社会智造资源加以整合，联合研发方完成新能源装备定制化解决方案的同时将积极引导用户参与协同智造，跨出智能制造技术在企业层面的应用局限，横向整合智能制造技术供应商、装备关键组件供应商、配套设施供应商等智造资源，纵向整合创新资源、研发资源、用户资源等基础资源，形成一个“物种”丰富度极高的联盟级新能源装备协同智造生态体系。这一构想应由政府机构、科研机构和影响力高的企业共同发起，中小企业积极响应，在规模扩大的同时依靠我国经济高速发展以及新能源市场规模的影响力构建新能源装备智能制造的“中国标准”。②企业管理层面。应加快智能制造技术在新能源装备制造业的推广应用，以技术成熟化提高智能制造系统对利润的贡献率。但在技术不成熟阶段，政府应提供适度的扶持政策是帮助新能源装备制造商渡过构建智能制造系统的初期阶段。然而企业不能无限依靠政策扶持，加快智能制造技术的成熟应用，基于管理手段降低运营成本才是长久之计。同时，新能源装备制造商应基于云计算、大数据分析、虚拟现实技术对新能源装备的营销模式加以创新，为用户提供更好的互动体验以引导协同智造体系形成。