本文逻辑

传统企业经营环境越狭窄、竞争状态越激烈、所在产业结构越精细化,就越需要数字化转型以辅助降低成本,提高效率,探寻新的商业模式。

通过打造物理世界到数字世界的全映像及数据流通和决策反馈体系,构建传统制造业的数字化转型架构及路径。

数字化转型助力从以制造为中心向以数字化技术支持的以服务为中心的转变,推动创新的业务模式和商业模式。

始于二零二零年初的新冠疫情叠加经济周期调整给我们的生活带来巨大和长久的影响,经济环境增加了很多不确定的因素,这些外部因素也必将加速我们的产业结构调整和很多传统制造业的转型和变革。

近年来,国家从宏观层面提出了产业结构调整、供给侧改革,调整劳动密集型产业向以科技和高端制造业为主导的技术密集型产业的转变。汽车、机械制造、化工、建筑工程、运输物流等传统企业的数字化转型也成了炙手可热的话题。

所谓的数字化旨在利用技术和数据提升、优化乃至重构企业的业务价值链的全过程,数字化转型也即相应的业务转型的演变,使传统企业从当前的数字化世界的技术进步中获益。

在新技术领域,以从消费互联网到产业互联网的迁移、以传感器、大数据和人工智能算力、算法的技术发展为表征的数字化正在越来越多的为各领域的制造企业的数字化转型提供有力的技术保障和可行性支持。数字化技术在生产过程治理与流程优化、智能辅助决策、产品全生命周期的数字化管理、智能运营直至商业模式创新等方面都有着显著的应用和广阔的发展空间。

一 产业现状

随着人口红利的减弱,在产业结构调整预期和新的经济环境下,越来越多的传统企业将面临着更加激烈的竞争、更加严苛和不确定的生存环境、越来越高的人工成本和更加强烈的市场需求,也有着更加迫切的降低沟通成本和运营成本、突破现有商业模式等创新需求。

当前,传感器技术的发展、物联网的普及和应用,以及硬件对大数据和人工智能算法的支持下,技术条件已经具备了支持越来越多的传统企业去实现生产、运行中的更全面的数据获取、实时传输、构建虚拟映像、数据的实时处理和大规模存储、以及辅助决策或自动决策以控制反馈至物理世界的设备运行的条件,这就使传统的制造业在生产和运行中,形成一整套从物理世界到数字世界的全景映像得以实现具备了可行性,同时也具备了基于数字世界的智能服务的闭环可操作性。

出于成本、人才等因素的原因,绝大多数的传统制造企业尤其是中小型企业,还没有足够的能力和技术构建完整的数字化生产和服务,信息化水平在不同企业之间差距较大,大多数停留在获取一部分数据和传输及存储上,或者主要是在数据展示上的管理驾驶舱,其本质还是传统的信息传输和报表展示支持的弱辅助人工决策信息系统。

今天,工业互联网平台也在大规模涌现,从事互联网服务的初创公司,通过直接购买云服务、使用开源软件和公开的人工智能算法,对某类设备的实时运行数据进行故障预测诊断,对外提供数据服务,并逐步完善这套算法。由于这类App的核心是算法和知识,而算法和知识本身具有高度的抽象性,无须过多地考虑设备之外所处的环境,所以可以比较容易的提供云端SaaS服务。

但在制造业或其它工业企业,仅接入SaaS服务还不能满足从生产管理到设备运行、以及整个产品生产和运营生命周期的全流程数字化服务,除了考虑设备之外,还要考虑生产线的生产计划、执行、物流、质量等。很多制造企业中,IT (Information Technology) 和OT (Operational Technology) 技术未能有效融合,也即没有形成完整的物理世界到数字世界的映像(即所谓的数字孪生技术, Digital Twin),数据的分析没有应用和反馈到现实的生产活动或服务中,因此,未来的数字化之路还有很大的发展空间。

二 数字化转型的架构及路径

在生产和运营实践中,不少制造企业已经从设备的制造和运行中获取了很多生产数据和运行数据,并且已经能够通过对数据的建模和分析使其产生运营价值。对于不断迭代演进的数字化体系来说,如何更加全方位多维度的获取生产和运行数据,如何应用这些数据就是构建整个传统企业数字化生态的进一步的考量。其数字化的转型,必然是一场对企业信息化架构和相应业务流程的重构。

因此,数字化转型的架构可以理解为IT (Information Technology) 与OT (Operational Technology) 相互融合之下的新一代企业数字化整体架构。工业互联网所借助的很多技术在企业信息化应用领域中早已得到广泛的应用,在生产和运营中的转型将进一步推动IT与OT的融合,将IT背景下的企业应用软件与OT背景下的工业应用软件,用云计算、大数据和人工智能等数字化技术加以融合,从而构成新一代的企业数字化整体架构。

对制造企业来说,更重要是要思考如何将快速发展的IT技术安全有效地“融”入至OT环节,提升运营效益,为企业创造价值。

IT与OT数据的集成

在这些IT与OT系统的集成中,最常见的是企业资源计划系统(ERP)、过程控制系统、制造执行系统(MES)、实验室信息系统、设备维护管理系统、数据采集与监控系统(SCADA)等之间的交互。从原材料到制成品,每个环节都需要使用OT数据来履行专门的职能。

ERP系统是维护公司账簿的“记录系统”。它从会计角度管理订单、库存、生产和成品。在较高的层次上,ERP系统软件会通过生产订单,告诉MES生产什么以及要生产多少。 MES反过来告诉过程控制系统所需的材料、数量和满足订单所需的设备。

过程控制系统根据信息运行,以完成生产材料所需的工作,同时向MES报告其进度。在正常产品生产过程中的特定步骤可能需要在实验室信息系统中对要生产的材料进行采样和分析,以确定产品是否符合规格。该分析的结果可以在过程控制系统中启动操作,其中可能包括报废材料,将材料送回整个流程进行返工等。

设备维护管理系统负责监视设备的实时运行状况、运行时间、空闲时间、停机时间、功耗以及所有源于OT层的其它关联数据。 设备维护管理系统还可跟踪设备维护历史记录、备件、使用的零件、备件库存、供应商和成本、维护计划以及其它属性。

SCADA系统监视过程报警和事件,包括生产过程中运行人员采取的任何措施。过程历史数据库不断收集和存储这些数据,包括时间序列过程数据、批处理数据以及其它测量数据。过程控制系统生成的大量数据和历史数据库捕获的数据,为对生产环境进行整体状态监控提供了基础。

为了使过程控制系统数据及其所有交互组件在回顾视图之外仍然有用,数据必须能够在IT系统提供的情境中构建可访问框架。要做到这一点,这些上层IT系统中的数据必须是可访问的。在现代的历史数据库平台中,历史数据库数据可利用通用和开放的接口技术,包括用于过程控制的OLE(OPC)和结构化查询语言(SQL)等,通过网络将其用于OT和IT系统。

构建数字孪生模型

通过仔细查看OT产生的广泛的数据和IT应用程序已消耗的数据,并在每个应用程序的范围内对其进行情景化,制造企业可以获得用来构建数字孪生模型的原始数据。

数字孪生是关于生产设备、产品和过程的虚拟模型。在密歇根大学制造工程师协会会议上的一次演讲中,该概念也被描述为产品生命周期管理(PLM)的基础模型。数字孪生模型被用于优化实物资产、系统和制造流程以及产品生命周期管理的运营和维护。

如果将IT应用中的情境化数据与OT层中的实时和历史数据一起使用,则可以构建设施、设备和产品的完整数字孪生模型,涵盖从收到订单到发货以及其它所有过程。基于物理实体的基本状态,数字孪生模型以动态实时的方式将建立的模型、收集的数据做出高度写实的分析,用于系统的监测、预测和优化。

数字化产品全生命周期管理及决策反馈控制

传感器,控制器或执行器,计算部件和通信网络构成了CPS(Cyber Physical System)的主要结构。通过构建产品、设备或系统在云端形成数字孪生的虚拟映像,打造数字化产品。“物理世界”中的设备或产品被附上了多种传感器,它们将收集到的数据发送到云端。在云端,建立起设备或产品的“虚拟世界”,对设备和产品进行模拟、预测等运算。从传感器收集数据,到数据的互联互通,再到数据可视化,直到后面的数据应用。通过打造从实体世界到数字世界的全景映像,实现数字化对企业的产品生产、运行的采样拟合。

通过数据总线,结合有线、无线网络、5G等数据传输和网络技术,实现海量数据的实时流通和处理。在云端可以利用的数据往往不仅仅局限于这些传感器数据,同时也要与设备或产品的“交易数据”混合起来,形成“智能大数据”,并据此做出更加全面、及时的决策,由此对设备或产品发出动作指令。

结合生产实践,不断完善数据处理模型或者人工智能算法,使虚拟的产品运行映像中反馈的问题或者决策能够反向控制或者决策到实体生产制造和产品运行中。从而打造实体世界到数字世界的相互影响和相互控制的IT和OT的有效融合的数字化生产运营场景。

同时,这种数据收集不仅仅局限于工厂内部,工厂的上下游也会收集数据、发出指令,从而推动整个工厂及其上下游的运行。实现个性化定制化生产,在PLM (Product Lifecycle Management) 中,与客户联合,构建客户需求驱动的产品研发 (Requirement-driven Development),建立打通产品全生命周期的实时研发。

通过成本挖潜的对策,运用工业互联网技术,对制造大数据和供应链与物流大数据进行挖潜,可以有效地帮助制造企业降低成本。例如,对于制造过程中的设备大数据和工艺大数据,使用人工智能中的机器学习技术进行分析,可以帮助企业降低设备故障率和提高加工质量,打造完美工厂。溯本追源,工业互联网本质上是制造型企业向服务升级的数字化转型成果。

三 数字化服务

诞生于20世纪60年代的预测性维护与服务(Predictive Maintenance & Service, PdMS)近年来在工业领域逐渐得到了广泛的重视。该技术的基本原理是在设备运行时,对选定的部位进行定期或连续的数据采集,通过分析所采集的数据,预测出设备未来的发展趋势和可能的故障模式,从而帮助相关方预先制定维修计划,并驱动相应的维修活动。

例如意大利倍耐力轮胎公司,通过在轮胎上安装联网的传感器,实时收集车辆的运行大数据,帮助物流车队对轮胎进行管理和优化,实现按里程收费的新模式。我国的沈鼓集团推出的沈鼓云,支持多款自研的预测性维护与故障诊断产品,通过监控泵机轴振动和温度等指标实现在线状态监控和实时故障诊断,从而推动企业从制造向制造加服务转型。

这些基于传感器大数据的预测性分析,从被动式检修向基于机器学习的大数据预测性检修的创新,都标志着现代制造企业正在从以制造为中心向以服务为中心的创新的转变。目前我国的制造业企业或者工程机械企业中,服务营收占比相对欧美制造业企业很低,以服务为中心的数字化创新也必将为传统企业开拓出新的业务模式和商业模式,加快制造向服务的转型,对我国的制造业来说具有重要的现实意义。

从传统的以加工制造,转向数字化技术支撑的以服务为中心。是在智能产品的基础上,通过物联网技术将产品连接到互联网上,并应用大数据和其他IT技术将企业的商业模式从销售产品转变为销售服务或产出,从物理的产品驱动转变为虚拟的数据驱动,从而实现商业模式的升级甚至革新。

例如智能汽车行业,在以谷歌为代表的无人驾驶技术和以优步为代表的城市汽车共享潮流的影响下,一种“数字驱动的服务”的雏形正在逐渐形成。运营的核心转向了数据,包括车辆数据、道路数据、环境数据和个人出行需求数据,而非产品。未来随着智能交通技术的出现和普及,人们期望的是随叫随停的出行方式,追求便利、安全、舒适和绿色,而汽车厂商则会向社会交通工具运营商的方向发展。

从以制造为中心向以服务为中心是大多数制造企业转型的趋势和方向。实际上,这是一条漫长和艰巨的旅程。对于制造企业来说,从早期的大批量生产到后续的成套生产和提供解决方案,甚至是按使用收费的数字化产品,都是一个产品服务系统不断演进的过程。

如今的数字化转型解决方案,不再是单纯的软硬件实施,而是对人、组织、流程、IT的整体改造。在传统制造业的数字化变革中,没有最好,只有最合适。

最后修改日期: 2021年12月21日

作者

留言

撰写回覆或留言

发布留言必须填写的电子邮件地址不会公开。