什么是智能制造？如何发展？

近些年有几个概念炒得非常火，叫做“云大物移智链”，指的是云计算，大数据，物联网，移动互联网，人工智能，区块链这些时髦的技术热词组合，在这波新一轮的创新浪潮下，工业界智能制造的概念又反反复复的被人提起。那到底怎么准确的理解智能制造？

这儿我们尝试用WHAT-HOW-WHY三个维度来诠释完整的“智能制造”。

WHAT: 什么是智能制造？

很遗憾，目前并没有一个统一的准确定义，但是根据各个工业大国提出的智能制造战略，和国内外智库的权威文章，我们可以初步这么理解：

智能制造，就是继自动化制造之后更进一步的制造业形态，其核心是数字化，网络化，智能化。

想了解智能制造的官方解释，我们不妨先回顾下各国基于自身国情提出的智能制造战略。

2012年，美国出台了 “先进制造业国家战略计划” ，大力推动以 “工业互联网”和“新一代机器人”为特整的智能制造战略布局。

2013年，德国正式实施以智能制造为主题的 “工业4.0” 战略，巩固其制造业领先地位。

2015年，我国出台了制造强国中长期发展战略规划《中国制造2025》，全面部署并推进我国制造强国战略实施，坚持创新驱动，智能转型，强化基础，绿色发展，加快我国从制造大国向制造强国转变。

因此，中美德也关于智能制造给出了定义，见下图。

同期，以下是三个国家发布的主要架构模型。

How: 怎么发展智能制造？

想要进一步了解智能制造，就要知道智能制造领域内包含的核心技术，列举并介绍如下：

A． 工业云计算 = 工业云平台 + 大数据 + 人工智能

业内人士想必对云平台已经不陌生了，简单点可以理解为远程服务器，在这个服务器上存储着本公司的数据资源，也运行着各类软件服务。

优势：

1. 省钱，不需要花费巨额的人力和财力来搭建企业IT系统。

2. 提升行业竞争力，云上的资源可以轻易扩张和缩减，其优良的弹性可以让企业制定各品类解决方案，在瞬息万变的市场行情下快速实现最优解。

3. 数据利用率提高，利用云提供商的各类服务，可以更高效处理数据，比如调取足够 的GPU资源来跑深度学习算法。

4. 服务全球化，利用大一统的云平台，可以集成所有地区的数据联合分析，提供的数据服务也可以利用开放接口直接提供给全球客户。

劣势：

1. 数据作为核心战略资源，公司发展受限于云服务商，如果云服务商出现性能限制等问题，将对公司造成重大损失。

2. 数据安全问题，云服务商存储的数据万一泄露，后果不可估量。

结合优势和劣势，大家可以这么理解，数据上云或者业务上云可以使得企业低成本享受高质量的IT数据服务，但是会受限于云服务商。

以Siemens的MindSphere举例，考虑到地域因素，MindSphere有两个版本，分别是基于阿里云和亚马逊云的，在国内发行的是阿里云版本，这也能为国内用户提供更流畅的使用体验。

MindSphere不仅仅是一个单纯的工业云平台，结合MindApps和MindConnect，siemens官方更愿意称MindSphere为一个工业物联网操作系统。

基于MindSphere，用户可以用MindConnect来接入各类数据源，结合原生MindApp就可以快速实现数据的可视化和资产管理功能，用户如果想自定义app，则可以利用云内套件nodered（virtual flow），或者mendix等低代码开发工具，通过拖拽的方式来定制化开发MindApp并发布。

就目前来看，国内还是有很多企业在上云的成本和回报率之间纠结徘徊，但是随着社会分工的进一步细化，数据上云是必然是大势所趋。

B． 物联网

物联网，简而言之，就是把物品的信息通过传感器连接到网络，实现智能化应用的技术。

工业领域一直是物联网技术应用的主要阵地，物联网的核心是传感器技术和通信技术，传感器的重要性不言而喻，其把温湿度，设备振动，光照，位置偏移等物理量转化为数字量，是最重要的工业数据来源；通信技术的重要性也是毋庸置疑，之前受限于无线通信的稳定性和传输速率，很多对实时性有要求的工业智能服务只能停留在示范或者Demo阶段，现在5G的来临使得以前的不可能成为可能。

此处用西门子的一个物联网网关产品，IOT2040，来让大家对物联网有个更好的了解。

IOT2040有2个串口，2个USB口，2个网口，外接扩展板之后支持模拟量和数字量输入，因此IOT2040在数据接入方面能支持市面上大部分传感器，系统通过sd卡烧录系统（同树莓派），官方系统已经内置python环境和nodred工具，可以让用户在开放的linux系统中自定义所需要的服务。

基于IOT2040，西门子去年年底发布了一款轻量级数字化解决方案SIMICAS，工作流描述如下：

1. 组态工具：通过拖拽的方式灵活搭建产线模型和关键绩效指标体系。在组态工具中，存储着来自西门子先进工厂的绩效指标库， 搭建完成的组态模型将会传输到部署在现场的智能网关中。

2. 智能网关IOT2040：获取并解析组态模型，根据模型去采集已部署在网关上的传感器数据，PLC数据，以及第三方数据。获得数据之后，再结合所需的绩效指标进行数据预处理和边缘计算，计算结果发送给MindSphere。

3. MindApp：对现场数据进一步处理，处理结果进行统计分析并展示。

完整的SIMICAS解决方案视频介绍如下：

结合SIMICAS工作流，可以看出物联网在智能制造中的重要作用，它联通了底层设备和云端，是智能工厂中不可或缺的一部分。

C． 数字孪生( Digital Twin)

数字孪生，也叫数字化双胞胎，在“公四100术语”中对其的定义是：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、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。

利用数字孪生技术，可以实现以下功能：

1. 将产品模型数字化，对其进行仿真测试和技术验证，以极低的人力成本在短时间内开发更多的样机，缩短新品上市时间。

2. 将生产流程数字化，结合运筹学理论调试并优化虚拟产线模型，从而提升工厂生产效率，发挥隐藏的产能潜力。

3. 将生产设备的状态数字化，在实际生产中产线往往会因为设备老化，工人操作不规范等问题造成意外停机，从而引发重大经济损失，而生产设备的数字化则能实时监控关键部件的健康状态，当出现异常信号时能根据历史数据给出最有可能的故障原因猜测并给出维保建议，能极大缩短维修时间，提升OEE(设备综合效率)。

简单点说，“数字孪生”将现实世界中复杂的产品研发，生产制造和产线维护映射到了虚拟世界中一个个数字化模型，通过虚实连接，数据的不断迭代，模型的不断优化，进而不断提升制造业的生产效率。

除此之外，智能制造的核心还有以下技术。

A． 机器视觉

B． 增材制造（3D打印）

C． 虚拟技术（AR/VR/MR）

D． ……

Why: 为什么需要智能制造？

智能制造对于企业，研究所，乃至整个工业生态都有很重要的意义。

对于企业来说，采用数字孪生技术可以在产品设计阶段就模拟出该产品的整个生命周期，同时利用仿真模型计算出最优的生产流程，在实际生产中，工厂的实际生产数据和仿真数据不断对比，实时矫正产线运行参数，保证了产线的稳定运行，最终可以实现产品开发周期最短，产品成本最低，生产效率最高。

对于高校和研究所而言，研究的仿真模型和AI算法往往缺乏实际项目或者实际数据的支撑。现在有了工业云平台，高校最新研究的算法模型可以直接在云上提供一个简易试用版，应用云服务的企业可以搜索到所有针对自己行业的模型，试用之后效果良好的话可以快速进入深度合作，这也有利于减小工业实际应用和学术理论之间的鸿沟。

对于整个工业生态来说，智能制造带来的改变将是巨大的，宏碁集团创办人施振荣先生曾经提出过一个“微笑曲线”理论，横坐标代表行业上中下游，分别是研发，制造和营销，纵坐标表示利润。从曲线得知，只会开厂跑流水线是创造不了巨额利润的，近几年从行业来看，很多大型制造型企业也确实正走在“转型”的路上。拿机器人行业举个例子，现在一些机械臂供应商提供的不单单是产品，还有产品相关的一系列智能服务，例如系统自诊断，设备预测性维护等增值服务，只有这样。才能保证在企业在智能制造时代有足够的竞争力。

智能制造的本质，其实就是让硬邦邦的制造业变软，制造业的核心资产会从硬件分流到软件上。有些企业主也许已经意识到，厂里一条标准产线的数字化模型，完整的数字化生产状态信息（振动，温度，电流等），这些数字信息如果能充分的利用起来，能极大提高生产效率，甚至开辟新的商业模式，其价值绝不亚于该产线硬件本身。

智能制造进程其实也是工业技术的软件化进程，由软件来控制数据的自主流动，解决复杂产品的不确定性。第二产业向第三产业迁移，这也是历史的必然。

最后，无论说是智能制造也好，工业4.0也好，都是需要几十年甚至上百年的发展，如今只是摸着石头过河的探索阶段，往后漫漫长途，工业界人士一起共勉，去见证更精彩的风景。

本文由西门子工程师撰文回答，希望对题主和关注这个话题的知友们提供帮助

西门子中国研究院

物联网与工业无线通信分析师 陈俊杰

本账号为西门子中国的官方知乎账号。西门子是全球领先的技术企业，创立于1847年，业务遍及全球200多个国家，专注于电气化、自动化和数字化领域。我们希望与你一同分享这些领域的知识与新科技，欢迎你的提问。此外，我们并不卖家电:)

西门子中国的每一位专家都是我们的智囊，你在这个账号可以阅读到来自西门子各个不同方向专家们的见解。请大家不要吝惜手里的“邀请”，让我们在分享中共同进步。

也欢迎大家关注我们的微博（ID：西门子）和微信 （ID：西门子中国） ，更多的了解我们。

看到这里就给点个赞吧！