智能制造的一些个人感想

智能制造的一些个人感想

一、背景：

        制造业的是一个国家工业化水平的决定性因素。以信息物理生产系统为核心的第四次工业革命正在引领新一波的制造系统变革。

        其实对于“工业4.0”、“互联网+”、“中国制造2025”、“工业大数据”等都是最近讨论比较激烈的话题，各个科研院所、企业以及个人也想抓住未来制造业的发展趋势。这些火热概念的背后都源于近几年来互联网和计算机技术的发展，尤其是云计算及移动互联技术的发展。下图是利用物联网、大数据、云存储等技术实现面向整个产业链的智能化应用体系。

二、国内外现状：

        工业4.0时代传统制造业如何升级？对于像美国、德国等国家来看，他们更有条件实现“智能制造”。德国发挥其传统的装备设计与制造的优势，可以创造一个高度灵敏、高透明度和高整合度的智能生产系统；美国发挥其传统信息产业的优势，可以实现从设备、系统、集群到社区智能化的有效化整合，为用户提供全产业、全寿命周期的服务。

对于中国来说，中国制造的优势在于庞大的产品和使用群体，可以实现从使用端来创造价值（利用使用数据量，智能化的数据分析）。中国制造业仍然处于自动化的初级阶段，关注点仍然停留在解决可见的问题上。按李杰教授在《工业大数据》的建议，工业4.0时代的契机，中国制造的转型需要做到三点：

1.        在自动化道路上需要遵循科学的规律，继续推进和完善合理化与标准化；

2.        利用6C的角度去审视6M，通过在6C空间中的服务转型反向弥补原本薄弱的环节；

3.        关注制造业对用户、社会以及环境的价值。

三、启示与个人感想

       1、在工业4.0和国内制造业的大环境背景下，两个个层次的学习：

       层次一，是关于以如何实现智能感知层为目的，补“工业3.0”，甚至“工业2.0”的课。如蓝牙、WiFi、UWB等传感器，数据采集设备、控制器等，监控软件、数据库等，实现建立统一的数据环境，具体包括：  

a)        设备运行状态参数，感知振动、温度等指标监控数据。

b)        设备运行的工况数据，负载转速、运行模式。

c)        设备运行过程中的环境参数，温度、风速、天气状况。

d)        设备的维护保养记录。

e)        绩效类数据，稼动率、能耗、生产质量、加工精度等

        层次二，学习相关的算法及数据的挖掘，实现从数据到信息的分析过程，具体包括：

a)        不同时间历程的比较，建立数据平台，大数据分析工具；

b)        实体状态信息的切片化管理，建立与实体系统相互映射的镜像模型，集群分析和大数据挖掘

c)        用户价值APP的开发：功能的柔性和定制化开发；给用户提供真切的信息感受；信息和服务的快速送达；

d)        认知层：预测，数据的可视化、多智能仿真与推理、决策的协同优化分析；

e)        配置层：执行，管理与控制

       2、  在已有学习的基础上，展开相关“智能制造”的实践。

       前期：关于继续6M（材料、机器、方法、测量、维护）中5M领域的工作。

       中期：利用智能传感器与分析技术将5M过程中产生的工业数据，建立工程机械生产设备的分析模型，这样就能对每个设备过去、当前、及未来的性能进行完整的分析，这种分析能够渗透全寿命周期的决策链和价值链。（智能工厂的建立）

       后期：有了前面6M的基础，逐渐与6C（连接、云、虚拟网络、数据内容与来源背景、社群、定制化）相结合。在客户使用端创造服务价值，建立工相应的镜像模型，提供智能服务。

        最终实现一个有关全生命周期信息服务和闭环的设计回路。

四、例子

        Cat智能真正实现了数字化施工，通过有效载重、坡度控制、压实控制、事物探测、遥控操作、智能收割等Cat智能科技收集作业参数，有效代替人工监管，实现智能决策。不仅如此，以设备管理解决方案为代表的Cat智能服务将实时监管设备工作状态，帮助客户更好地管理设备，降低运营成本。同时Cat代理商可帮助客户监控设备位置、油耗和利用率，以及设备的健康和保养问题等。

五、相关概念资料收集

       智能制造应当包含智能制造技术和智能制造系统，智能制造系统不仅能够在实践中不断地充实知识库，具有自学习功能，还有搜集与理解环境信息和自身的信息，并进行分析判断和规划自身行为的能力。

       以用户端的价值需求为出发点提供定制化的产品和服务，并以此作为整个产业链的共同目标。

       收集传感器产生的数据，不仅是可见的监控，而是对大量数据进行挖掘分析（大数据是看待问题的方式，连接看见与看不见的世界）后。在原有自动化的基础上，根据产品加工状态自动改变。利用数据挖掘产生的信息为用户创造价值。依靠智能化的技术代替人进行复杂流程的管理、庞大数据的运算、决策过程的优化和行动的快速执行。

      原有的信息系统内部并没有实现信息回路，信息到决策再到控制系统的反馈依然无法实现和自动完成。

 三层：设备健康信息    健康/衰退程度     故障识别与影响分析      风险分析与剩余可                       用时间

              业务管理        客户服务与        供应链管理              企业资源管理

                       客户关系管理     生产计划执行

               企业目标        产品生命周期管理  工厂生产效率与稼动率     无忧的生产环境 

产品的数字化镜像 

蛋黄：6M，前三次工业革命主要是在5M的领域进行改善和竞争，第六个M：Modeling，数据和知识建模，包括检测、预测、优化和防范等。利用智能传感技术将5M过程中产生的工业数据连接并建立模型。（改变核心零部件和先进材料过度依赖进口的现状；重视工艺和制程的研究和生产过程的管理；研发核心生产设备和智能设备，并对设备的使用进行精细化和信息化管理）。

蛋白：6C，连接、云、虚拟网络、数据内容、社群、定制化（利用增值服务提升工业产品的核心竞争能力；构建自己的工业互联网，扶持传感器技术、数据采集设备、运算能力和数据分析能力的研发和应用，利用数据挖掘和信息内容管理获取新的知识和技术）。

先进技术：传感器技术、物联网、云计算、控制器、3D打印、智能算法。

大数据发展进程：

1990-2000：远程监控、数据采集和管理；

2000-2010：大数据中心和数据分析软件；

2010-至今：数据分析平台与高级数据分析工具；

工业大数据（专业性、关联性、流程性、时序性和解析性，对预测和分析结果的容错率远远比互联网大数据从低）和互联网大数据。

意义：

1.        以较低成本满足用户定制化需求；

2.        使制造过程的信息透明化；

3.        提供设备全生命周期的信息管理和服务。

CPS的五层：

1.        智能感知层，蓝牙、WiFi、UWB，传感器、数据采集设备、带宽、数据库。

       建立统一的数据环境：  

a)        设备运行状态参数，感知振动、温度等指标监控数据。

b)        设备运行的工况数据，负载转速、运行模式。

c)        设备运行过程中的环境参数，温度、风速、天气状况。

d)        设备的维护保养记录。

e)        绩效类数据，稼动率、能耗、生产质量、加工精度等

       实现以分析目标为导向的柔性采集策略：

       自主式、应激式传感。以事件为导向、以活动目的为导向、以设备健康为导向采集策略

2.        信息挖掘层，应用程序，运行状况。从数据到信息的分析过程，算法；

3.        网络层，不同时间历程的比较，建立数据平台，大数据分析工具。实体状态信息的切片化管理，建立与实体系统相互映射的镜像模型，集群分析和大数据挖掘

    用户价值：功能的柔性和定制化开发、给用户提供真切的信息感受、信息和服务的快速送达；

4.        认知层，预测，数据的可视化、多智能仿真与推理、决策的协同优化分析；

5.        配置层，执行，管理与控制

物联网该链接那些对象、该采集那些数据可以按照服务体系的要求加以确定。

物联网与服务网的借口是智能化数据分析。

数据分析流程：对数据进行收集、汇总、解析、排序、分析、预测、决策、分发的整个流程。

Watchdog Agent的算法分为四部：信息的处理和特征提取；健康评估；性能预测和故障诊断。

平台基础：智能数据收集与平台运用

分析手段：智能化的数据分析、管理、优化应用

商业模式内核：智能管理及服务体系的设计与应用

智能化工厂：零部件传感器（退化检测与剩余使用寿命）；机器控制器（预测、监控良性运行）；生产系统网络化制造系统

智能化服务：全产业链同优化

六、参考文献：

《2015年智能制造行业分析报告》

《智能制造》

《工业大数据》