金准人工智能中国智能制造报告文档格式.docx

金准人工智能中国智能制造报告文档格式.docx

《金准人工智能中国智能制造报告文档格式.docx》由会员分享，可在线阅读，更多相关《金准人工智能中国智能制造报告文档格式.docx（19页珍藏版）》请在冰豆网上搜索。

亚洲作为制造业重要区域也在积极部署自动化、智能化。

一、 

突破与成长

亚洲正受到自动化、智能化大潮冲击。

国际劳工组织（ＩｎｔｅｒnationalLaｂourＯrganisatｉon）调研发现,越南、柬埔寨、菲律宾和印度尼西亚的工人的失业风险最高,据估计这几个区域约50％的工人工作可能在未来２0年被自动化取代。

亚洲作为制造业的重要区域，在面临制造业向自动化、智能化、数字化转型中,能否继续保持其竞争力?

毫无疑问,亚洲正在积极寻求突破。

以人工智能为例,各国政府大力支持人工能,推动科技公司、初创公司和学术界的创新。

201７年，韩国政府宣布了10亿美元的人工智能资金;

日本鼓励人工智能创业公司和风险投资；

新加坡政府的国家研究基金会宣布国家人工智能计划（ＡI.SG），计划未来五年投入1.5亿新加坡元（约1.07亿美元）发展人工智能。

除了政府的支持，亚洲企业更积极打破行业壁垒加快新产品开发。

不同于欧美同类企业,中国领先企业间的合作屡见不鲜,一些知名范例包括：

XX与小米在物联网与人工智能领域合作开发更多应用场景；

腾讯与京东合作布局电子商务生态圈;

印度系统集成商组成ＡI联盟（ＯpeｎAＩ）。

这赋予它们惊人的影响力,也意味着它们拥有可用于快速推动创新的技术实力和资本基础。

中国是亚洲智能化转型的重要力量。

政府加强智能制造顶层设计,开展试点示范和标准体系建设;

企业加快数字化转型，提升系统解决方案能力。

中国智能制造取得明显成效,进入高速成长期。

中国智能制造进入成长期主要体现在三方面：

首先，中国工业企业数字化能力素质提升，为未来制造系统的分析预测和自适应奠定基础。

第二、财务效益方面,智能制造对企业的利润贡献率明显提升。

第三、典型应用方面,中国已成为工业机器人第一消费大国,需求增长强劲。

1．１数字化能力素质提升

企业数字化能力素质体现在其利用数据指导生产以及系统自优化的能力。

我们借鉴国际普遍认可的工业４．0发展路径，将企业智能化成熟度分为六个阶段:

计算机化、连接、可视、透明、预测和自适应。

①计算机化：

企业通过计算机化高效处理重复性工作,并实现高精度、低成本制造。

但不同的信息技术系统在企业内部独立运作，很多设备并不具备数字接口。

②连接:

相互关联的环节取代各自为政的信息技术。

操作技术（OＴ）系统的各部分实现了连通性和互操作性,但是依旧未能达到IT层面和OT层面的完全整合6。

③可视：

了解正在发生什么，通过现场总线和传感器等物联网技术，企业捕获大量的实时数据，建立起企业的“数字孪生”,从而改变以前基于人工经验的决策方式，转为基于数字进行决策。

④　透明:

了解事件发生的原因,并通过根本原因分析生成认识。

⑤　预测：

将数字孪生投射到未来，模拟不同的情景对未来发展进行预测，并适时做出决策和采取适当措施。

⑥自适应:

预测能力只是自动化行为和决策的根本要求，而持续的自适应则使企业实现自主响应,以便其尽快适应变化的经营环境。

随着中国两化融合和工业物联网建设等多项举措推进,制造型企业数字化能力素质显著提升，大部分企业正致力于数据纵向集成。

金准人工智能专家调研结果显示，81％的受访企业已完成计算机化阶段,其中４１%处于连接阶段,28%处于可视阶段，9%处于透明阶段,而预测和自适应阶段的企业各自占2%。

1．２智能制造利润贡献显著提升

向工业4.０进阶为制造企业带来真实可见的效益。

２013年金准人工智能专家曾调研全国2０0家制造型企业，结果显示中国企业智能制造处在初级阶段，且利润微薄。

经过五年的快速发展，智能制造产品和服务的盈利能力显著提升。

2013年智能制造为企业带来的利润并不明显,5５%的受访企业其智能制造产品和服务净利润贡献率处于0-10%的区间，而2０１7年，仅有11%的受访企业处于这个区间，而41%的企业其智能制造利润贡献率在1１-30%之间。

利润贡献率超过50%的企业，由2０１3年受访企业占比14％提升到20１7年的３3％。

智能制造利润贡献率明显提升，利润来源包括生产过程中效率的提升和产品服务价值的提升。

１.3应用市场潜力

中国已连续六年为工业机器人第一消费大国。

ＩＦＲ（Ｉntｅｒnatｉonal　FｅderatｉonｏfＲoboｔics）数据显示，中国工业机器人市场规模在20１7年为4２亿美元，全球占比27%，２０２0年将扩大到59亿美元。

2018－20２０年国内机器人销量将分别为1６、19.5、23.８万台,未来3年CＡGR达到22％。

汽车、高端装备制造和电子电器行业依然为工业机器人的主要用户。

中国有哪些独特优势?

首先是数据量。

当前人工智能热潮背后的机器学习技术对数据极其依赖。

识别人脸、翻译语言和试验无人驾驶汽车需要大量的“训练数据”。

由于中国的人口数量和设备数量庞大，中国企业在获取数据方面具有天然的优势。

第二,中国制造业企业硬件设备和厂房相对欧美企业普遍较新,比较容易实现设备连接和厂房改造。

二、智能制造部署重点

金准人工智能专家调查发现,中国工业企业智能制造五大部署重点依次为：

数字化工厂（6３%）、设备及用户价值深挖（62％）、工业物联网（4８%）、重构商业模式（36%）以及人工智能（21％）。

访企业所关注的相关技术包括工业软件、传感器技术、通信技术、人工智能、物联网、大数据分析等。

当然，我们不能简单认为有了这些技术，就是实现智能制造，因为新制造业文化的变革进程是相当复杂和缓慢的，没有行业、企业与用户的融合推进,这次变革无法实现。

2.1 

数字化工厂

智能制造是以制造环节的智能化为核心，以端到端数据流为基础,以数字作为核心驱动力，因此数字化工厂被企业列为智能制造部署的首要任务。

目前企业数字化工厂部署以打通生产到执行的数据流为主要任务，而产品数据流和供应链数据流提升空间大。

数字化工厂通过新一代信息技术,实现从设计、生产、物流和服务等各个环节的数据串连，加速决策,提高准确性。

只有打通数据流才能实现基于实时数据变化,对生产过程进行分析和优化处理,进而实现业务流程、工艺流程和资金流程的协同，以及生产资源（材料、能源等）在企业内部及企业之间的动态配置。

打通数据流也是工厂建立“数字孪生”的前提，数字孪生不仅指产品的数字化,也包含工厂本身和工艺流程及设备的数字化，从而实现全面追溯、物理与虚拟双向共享和交互信息。

打通数据流主要包括三类数据的连通,即生产流程数据、产品数据以及供应链数据。

2.1．1生产流程数据

打通生产流程数据除了从生产计划到执行的数据流（如ＥRP到ＭES），还包括MEＳ与控制设备和监视设备之间的数据流,现场设备与控制设备之间的数据流，以及MＥS与现场设备之间的数据流等。

２.１．2产品数据流

打通产品数据流主要体现在产品全生命周期数字一体化和产品全生命周期可追溯。

产品全生命周期数字一体化以缩短研发周期为核心，主要应用基于模型定义（MＢD）技术进行产品研发、建设产品全生命周期管理系统（ＰＬM）等。

研发是数字化工厂“数据链条”的起点，研发环节产生的数据将在工厂的各个系统间实时传递，数据的同步更新避免了传统制造企业经常出现的由于沟通不畅产生的差错,也使得工厂的效率大大提升,缩短产品研制周期。

产品全生命周期可追溯以提升产品质量管控为核心。

主要应用是让产品在全生命周期具有唯一标识,应用传感器、智能仪器仪表、工控系统等自动采集质量管理所需要数据，通过MES系统开展在线质量检测和预警等。

2.1.3供应链数据流

打通供应链数据流主要体现在供应链上下游协同优化，实现网络协同制造。

主要应用是建设跨企业制造资源协同平台，实现企业间研发、管理和服务系统的集成和对接,为接入企业提供研发设计、运营管理、数据分析、知识管理、信息安全等服务，开展制造服务和资源的动态分析和柔性配置。

金准人工智能专家调研结果显示,目前企业致力于打通从ＥＲP到MEＳ乃至现场设备的数据流，但这也仅是从生产到执行的打通，未来还需将产品数据、供应链数据串联。

我们们将生产数据流分为两个环节:

一、打通生产计划与执行系统的数据流；

二、执行与监控和现场设备的数据流。

结果显示,8３%的受访企业表示已打通ERＰ和MEＳ的数据流打通。

62％的企业继续向下打通MES到现场设备的数据流。

但仅有47％的企业打通了产品数据流，４４％的企业打通供应链数据流（图２．４）。

而且考虑到我们调查的企业均为资质较好且为中等以上规模，这一系列比率显然高于中国整体平均水平。

从行业角度来看，航空航天领域全部受访企业已经打通从生产计划到执行的数据，但从生产执行到现场设备、产品以及供应链的数据链条连通相对滞后，提升空间大。

电子组件及电器制造行业产品数据流和供应链数据流连通情况高于其他行业,数字化工厂整体水平较高。

产品质量可谓是制药行业的生命，而打通产品数据流的制药企业仅占33%,行业需要强化产品全生命周期可追溯，提升产品质量管控能力。

汽车及汽车零部件以及高端装备制造都在产品数据流方面领先（图2.5）。

未来数字世界和现实世界会是一体两面,打通数据流也是数字孪生（digiｔaltwin）操作的基础。

金准人工智能专家认为数字孪生是物理实体或流程的准实时数字化镜像,有助于企业绩效提升。

数字孪生往往包含“数字产品孪生”、“生产工艺流程数字孪生”和“设备数字孪生”不同层面但可以高度集中统一的数据模型。

数字产品孪生领域,特斯拉公司为其生产和销售的每一辆电动汽车都建立数字孪生模型,相对应的模型数据都保存在公司数据库。

每辆电动车每天报告其日常经验,并通过数字孪生的模拟程序使用这些数据来发现可能的异常情况并提供纠正措施。

通过数字孪生模拟，特斯拉每天可获得相当于１60万英里的驾驶体验,并在不断的学习过程中反馈给每辆车。

生产流程数字孪生领域，一些嗅觉敏锐的工厂及生产线开始引入数字孪生,在建造之前，对工厂进行仿真和模拟,虚拟出建造工厂的最佳流程,再将真实参数传给实际的工厂建设,有效减少误差和风险。

待厂房和生产线建成之后，日常的运行和维护通过数字孪生进行交互，能够迅速找出问题所在,提高工作效率。

Gartnｅｒ对美国、德国、中国与日本的２0２位企业的调查发现，到2020年,至少50％年收入超过５0亿美元的制造商将为其产品或资产启动至少一项数字孪生项目,届时参与使用数字孪生技术的企业数量将增长3倍。

预计在今后数年时间,将有数以亿计的用户使用数字孪生操作，它将被企业用于规划设备服务、生产线操作、预测设备故障、提高操作效率、加速新产品开发等。

在未来,这项技术有望与工业生产彻底融合,推动智能工业进入新阶段。

如何创建数字孪生?

金准人工智能专家认为数字孪生的创建包含两个主要关注领域:

一是设计数字孪生的流程和产品生命周期的数据要求——　从资产的设计到资产在真实世界中的现场使用和维护;

二是创建使能技术，整合真实资产及其数字孪生,使传感器数据与企业核心系统中的运营和交易信息实现实时流动。

2.2 

设备和用户价值深度挖掘

制造型企业面临愈发激烈的市场竞争和日益透明的产品定价，不得不寻找新的价值来源。

金准人工智能专家智能制造调研结果显示,设备和用户价值深度挖掘是企业智