不是在工厂摆了堆机器人，就叫智能制造

撰文｜Odin Chong

题图｜修改自视觉中国

“智能制造是什么”系列

本篇是本系列的第二篇。

－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－

2012 年，Wube Software 开发了一套很另类的游戏，名字叫 Factorio。

根据维基说法，这个游戏的故事基线是以一名太空人（也就是玩家）的飞船，坠落到一个未知的星球上，为了能再度重返地球，玩家必须利用星球表面的所有可用资源，建立各种生产设备，升级科技，最终发射载有卫星的火箭通关游戏。可能大家会感到有点懵逼，不一定有听说过这游戏，因为它真的相当另类：它不是什么科幻游戏，而是一个相当硬核的供应链模拟游戏。

原视频来自 Factorio.com。

Factorio 在游戏里重现代工业自动化的生产流程，玩家需要通过合理部署运输设备、管线，实现从资源采集、运输、通过生产设备合成、存储，最终实现流水线式的最终产物输出，并且需要合理构建生产与运输，从而保证生产量最优化（上方视频）。虽然游戏中的故事发生在未来，地点发生于异星球，所以我们理所当然地把会把里面的生产模式，视为未来的工业模式。

图片来源：Oden Technologies。

然而，单纯大规模引入机器人，并不完全是真正的未来工业模式。我并不是说机器人不是智能制造的其中一部份，但像上方 GIF 图这种利用机器人，取代人类去进行大量重复的工作，这只是通过机器化来增加产能、降低单件产品售价的老套路，其实仍然是上世纪的生产模式。

那到底新世的生产模式是怎样的？新科技如何能实现这种新的生产模式？这回我们会为大家分析：

到底新消费模式下的生产模式是怎样的？
新科技如何针对这种新式的生产模式？
智能制造需要引入什么新技术和设备？
新技术在工业上如何实际应用？

新消费模式，带来更复杂的生产模式

上回我们提到，新消费模式下，消费者要求更多的款式、更高的质量、更快的物流、又要有更廉价的产品。但与此同时，厂商所收到的订单变得更频繁，但数量变得更少、更为零碎。因此，厂商必须保持高效率、低成本的大量生产方式，但又要用高度弹性的生产手段，应付量少款多的碎片化订单。

不过，人类还是相当聪明，总有逆转日常逻辑的神方法，同时实现“量多款少”、“量少款多”这两种完全矛盾的生产模式。但是，他们是怎样做到的？

请注意上图信息经过简化，并不完全反映供应链实况。

不少供应链的朋友都知道，通过精准的集约化采购和灵活的资源调度，就能规模化复用各种生产资源，生产出多款式、小批量的产品。上图是一个简化了的例子：不同的时装款式代表不同的工序、以及不同的加工费用，而不同款式面料和印花，也会带来额外的成本开支。但只要调度灵活，就能大批量采购几款的面料、大量生产几款工序和印花，也能生成多种选择的小批量产品。

但在现实的生产环境里，产品所需要的生产资源和工序，远远比上图更为复杂。以一台电脑为例，里面的零件可逾 15,000 款，当中还有不同品牌、不同规格、不同档次，再加上生产时需要进行大量的繁杂工序？不但排单极为耗时，也会增加排单错误的机会，导致生产线出现混乱。

而且，电商热潮为厂商带来更零碎的订单，厂商就更需要不进一步增加款式、增加采购频率、降低单件产量，就必须把工序再拆分得仔细，各项资源的复用和交错，将更为复杂。更零碎的订单、带来更零碎的资源管理，进一步考验供应链的弹性，同时考验管理者对细节的掌控能力。

请注意上图信息经过简化，并不完全反映供应链实况。

另一种同样复杂的手段，就是在产品设计以至生产过程中，无间断地实时监察不同款式、不同供应商、以至不同档次的生产资源成本，再配合自身库存与生产流程，不断更换成本最低的资源（上图）。毕竟生产资源和工序成本，受不同工艺成熟度、市场供需以至上游的库存环境的影响，价格经常出现波动。只要你掌握足够信息，即使小批量采购和生产，也能把成本压低足够地低。

看起来好像很简单，不就是在菜市场买菜时，挑便宜的一棵来买吧？事实并不如此。

毕竟供应链的物料繁多，而且质量和档次也非常参差，你很难完全掌握所有信息。今天 A 物料价格低了，但可能无法与 B 物料兼容；C 物料因为清库而突然降价了，但当你发现的时候，可能已经被竞争对手买光光，让你望门兴叹。

更麻烦的是，当厂商面对愈来愈零碎的订单，不得不经常而频繁地进多次小批量采购，就必须更在更短的时间内，更频繁地收集各种资源信息，甚至需要与上游供应链建构策略同盟，共享库存资源。这对供应链的信息获取能力、以及采购的反应速度，要求极高。

事实上，厂商还有不少手段（例如共享生产或集团化采购），均能以“量多款少”的生产模式、生产“量少款多”的个性化产品，同样供应链管理变得更为复杂。但无论用哪一种手段，均与以往工厂单纯追求低成本、高产能完全不同。今天的供应链，追求的是调度更灵活、反应更快速的供应链管理能力，而这就是在智能制造时代，我们经常提到的供应链柔性 (Flexibilty of Supply Chain)。

智能制造背后的原理

如何在在纷杂无比的供应链里，抽丝剥茧地进行快速而灵活的调度？并取得各项物料以至工序的详细信息？这就要视乎厂商对供应链的信息掌控能力。

因此，智能制造绝非堆砌机器人秀“机”肉，而是通过最新的科技，全面获得供应链的所有细节信息，并以信息驱动的手段，实现更精准的供理链管理。个中重点，是物联网 (IoT) 与人工智能 (AI)。

物联网与生产线的全面信息化

我们在上回曾说，在及时生产制以及 Zara 等快时尚公司的推动下，全球主要的国际供应链早就高度信息化。例如他们会通过 RFID 无线射频技术，监察产品和原料的出入库状况，也会把供应链和门店的销量和库存数全部记录在数据库里。然而，这种程度的信息化，并不足以在碎片化的新消费模式下全面和灵活掌控供应链。

以往的信息化的工厂，仅仅记录产品和原料流转数据就够了，但现在的工厂，却要把生产过程的每个细节记录下来，并上传到工业物联网集中处理。工厂需要在各个生产环境加入各种传感器，把生产设备的细节全部数据化、可视化、透明化，例如布料的用量、机床的闲置时间、PCB 贴片机的走刀速度和温度、甚至是上游合作伙伴的生产、库存、质检和成本数据，都需要一一记录。

通过物联网信息，在庞大的供应链流程里，仍然能快速找出并解决问题。图片来源：N3N。

通过物联网的数据，厂商才能知道所有影响生产速度、良率和成本细节，并对生产流程进行极度细致监察、管理和调整。只要任何一个生产细节发生细微问题，例如机台 A 老是漏油、隔壁老王是躲在一旁摸鱼？管理者也能及早了解细节（上图）并提早纠正错误。供应链管理者就能全面掌控整个流程，并对生产流程进行细密的分割和重组。

人工智能与生产流程的提早预判

但是，要把这些地点分散、频繁又零碎的生产数据，整理和转化为可协助决策、提高供应链柔性的可用信息，我们就必须把数据集中起来，并累积海量的大数据，并对此进行全盘分析。

但根据 IBM 的说法，一家智能制造工厂的一条生产线，可能包含 2,000 台不同的设备，每个组件可能配备 100 到 200 个传感器，用于连续收集数据，每月累计收集的数据量可达 2,200 TB。

想像一下，一个办公室用的试算表文档、或是记录在文档里的图片，仅 2MB 不到；但物联网每月可以生成超个 10 亿个这样的照试算表文档或照片，即每天 3,000 万个文档或照片。试想想，每天给你看 3,000 页小黄图，也许你都累成狗，更不要说分析和整理逾 3,000 万份燥枯的报表和照片了。

可以想像到，这种活真的不是“人”干的，只有人工智能，才能及时而高效地处理。

通过人工智能，才能在短时间内分析累积的大数据，监察不同产品的销量、估不同物料的消耗量、计算不同工序、不同物料的良率变化、以及在供应链不同场景、不同时间发生问题的可能性。厂商就能基于这些数据，作出采购和排单决策，或是及早规避问题。

图片来源：中国商飞。

简单来说，所谓的智能制造其实就是一个物联网构自动构建和集成的大数据系统（上图），供应链管理者在人工智能的协助下，能身之使臂地统率整个供应链，实现各种柔性化的操作。

智能制造的实际应用

诚然，无论理念再动听也好，无法落地到实际应用，带来生产力的提升，就是废话。但是，智能制造目前已构建了能落实到生产的多种应用，这里仅列出几个比较重要的核心应用：

自动检测

最常见的新式智能制造应用，必然是自动检测了。目前自动测检工作，多由计算机视觉完成（下图）：厂商会在生产线里加装摄像头，并在生产流程当中，替需要进行质检的部件拍照，再通过人工智能进行比对照片，检测部件质量是否有问题，及早找出有问题零件，以免影响下一个工序。

BMW 采用计算机视觉检测生产流程。图片来源：Your Car。

也许很多人会以为，这种自动检测仅仅是用来改善良率、甚至是无良老板打算用来节省人力成本的小伎俩吧？但其实并不仅仅如此。

自动检测的另一个重要作用，是实时记录产品的良率。如果次品出现机率过高，那代表了相关工序出现问题，就能及早优化和修正。但有些先进工艺难度真的很高，良率完全无法提高，人工智能也会自动计算好增加了的成本和工时、以及出错的概率，然后在下面的“智能排单”和“数字孪生”应用里，就会将相关风险，列入生产计划的控制因素之内。

智能排单

智能排单可算是智能制造里的最核心应用之一，它对于供应链的柔性至关重要。先前我们提到，要通过各种巧妙的资源调度，才能以大规模生产的手段，满足碎片化的需求，但各种资源调度手段也会增加排单的难度。

生产排程示意图。请注意上图信息经过简化，并不完全反映供应链实况。

当生产线接入物联网后，厂商虽然可以基于物料库存量、生产线的产能和效率，以至各种⼯序的良率、设备维护、物流状况等等变量信息，精确地计算出最高效率、但又最低成本的生产流程（上图）。

但由于这个变量相当复杂，我们就曾以联想为例，提到它们的排单搭配，可能性高达约 10 的 160 次方，每天需要一组人花上 6 小时才能把排程算好。

后来，联想启动基于人工智能的智能排产项目，将海量的订单与物料、库存、生产线闲置状况等等生产数据，通过机械学习算法计算，2 分钟之内，就能排出由生产、检测至物流的全局最优解。通过智能单应用，厂商就能以短时间内，在混乱不堪的供应链变量数据里，找出生产速度最快、成本最低、但又能满足各种零碎而个性化订单的生产流程，满足碎片化的订单需求。

数字孪生

可能有人会问：今天的人工智能仍然是笨得要死（iPhone 里的 Siri 表示....），这样计算出来的生产流程靠谱吗？

毕竟工业物联网带来海量的数据，只要当中稍有错漏，在流水式生产工序下，上游工序的小延误，将会拖慢下游工序的进度，一层一层向下堆叠成多米诺骨牌效应，为生产带来严重难题。这时候总不能让人工智能背锅吧？

不怕。如果计算真的出错，我们还真的能模拟出一些工人，帮我们来背锅。

大家在下图见到的，不是什么模拟人生游戏，而是通过全新的数字孪生 (Digital Twin) 技术，构建出来的“仿真工厂”。数字孪生会把物联网把生产线上各种传感器数据，通过仿真技术构建出有如双胞胎一样的模拟生产线。只要你的传感器信息足够丰富，数字孪生就能虚拟生产线上，巨细无遗地重现真正生产线的各项细节，例如面积、距离、机器生产效率、闲置时间、产品良率以至各可能出现的问题。

讲在数字孪生生产线里调制轮值工人的数目，模拟出 70% 的利用率、以及增加 3% 动用资本回报率 (ROCE) 的成绩。图片来源：PROLIM。

由于这个仿真生产线仅仅存在于虚拟世界，你即使把核弹头引爆了，也不需要把工厂炸掉。因此，你可以放心把人工智能排出来的生产排程在这虚拟的生产线上试错，看看其效率是否合乎预期。你更可以在这个“模拟工厂”里微调和优化智能排单的成果，检验微调的改善效率（上图），一方面降低了生产时可能出现的各种风险，另一方面增加管理者的掌控力，强化供应链的柔性。

智能制造除了以上几种应用之外，还有利用区块链实现更安全可靠的数据同步能力、以及利用 VR/AR 技术来进行培训或远程操作等方法，但我在这里就不一一列举了。

需要引入怎样的设备？

但无论智能制造的技术有多炫酷，厂商更关心的是要建立起这样的一条柔性供应链，需要引入什么设备？是否要对生产线进行大规模改造？引入的成本又是多少？

反正说到钱，一切就变得相当复杂了。不过，工信部原装备工业司司长张相木曾说过，智能制造尚无国际公认的定义，没有人能告诉你要购入多少台设备、实现多少程度的智能化，才叫得上是智能制造，花多少钱才能搭建一家智能工厂。你只能按你自己的需求，添置需要的设备。

但我们肯定的是，智能制造的核心是生产信息，而生产信息的来源在于物联网，引入物联网相关的设备仍然是首要任务，而关键词就是传感器。

可是，智能制造所需要的传感器，无论在质和量上都与以往不同。机械化的生产模式，只要布署 RFID 无线射频识别标签、以及各种条码阅读器就能完成任务；但智能制造却需要按生产线的个别需求，配套包括视觉、温度以至压力等多样化的传感器。

此外，智能制造需要获取整个生产线的详细信息，所以也需要成千上万的传感器。由于传感器的数量远远比旧式生产线要多，所传输的数据量也远超机械化工厂，一般工业 Wi-Fi 网络，绝对无法负荷。因此，厂商也要针对不同的应用场景，使用以太网络或搭建 NB-IoT 之类的窄频物联网，更直接的方法，在工厂内搭建 5G 专网，通过其超大带宽以及海量连接能力，承载海量的物联网数据。

由于厂商需要把物联网的海量信息，集中转化为大数据，厂商也必须引入云计算，把数据通过云端收发、共享以至进行高强度的人工智能处理。如果厂商想想进一步实现更快速、更具柔性的供应链管理，就需要对外打通上游供应商的数据库、对内打通本地用户的订单平台，这时你更需要能连接多个环境的混合多云架构，实现跨平台的数据互连。

如果你需要生产线有极高的响应速度（例如通过 AR 远程操作设备），必须在以往的服务器之外，再架设 5G 边缘服务器，才能实现 5G 的超低延时数据传输。

图片来源：英业达。

智能制造对工厂的机械化，也有完全不同的要求。以往在机械化生产时代，机床仅仅为了大量生产而设计，不但功能单一、甚至只能对接既定的上下游工序，无法灵活调度。因此，智能制造需要的是新式的模块化机台，厂商能够按着不同的排程需求，配置不同的机床（上台），执行不同的生产任务，以增加生产的灵活性。

除此之外，智能制造供应链，也会积极引入运输用的机械人，例如自动引导车 (AGV)、自动驾驶运货车、以至物流无人机等。通过这些运输机械人，供应链就能在需要的时间、按既定的排单，向正确的地点运送物料和产品。这就能在极混乱的排程和物流程序下，仍然实现快速而正确的反应。

智能制造是灵丹妙药吗？

尽管智能制造有着上述种种好处，但这并不代表你必须引入智能制造不可。

图片来源：德勤。

正如我先前所说，任何不从用户需求开始讨论智能制造，都是在耍流氓。根据德勤在 2018 年的调查显示，企业在引入智能制造时，最大的障碍是“商业模式优化”（上图）。如果智能制造供应链无法适配用户需求，再炫酷的供应链也是负累。

因为，如果你的智能制造计划只是为了彰显公司的先进性，而不是为了解决碎片化需求的话，只会为你徒添更多难题。智能制造的难点，绝不在于技术或成本，而是管理：智能制造是一套通过海量信息，实现全面供应链管理的手段，但海量信息也会使本来繁杂无比的供应链，进一步变得混乱不堪。

而且在技术上，智能制造目前用上了太多最新的前沿科技，但当中有不少根本尚未成熟。除了人工智能可靠性仍然有待改进，Odin 先前也提到物流无人机技术，目前远远未达能大规模商用。倘若你引入了一些不成熟的技术，偶尔丢链子、偶尔出错误，不但无法提高生产效率，反而让你要花更多时间，解决更多的问题。

但更重要的是，智能制造搭建了一个全局的物联网，设备与设备之间一环接一环，每个设备的引入、维护与升级，都会对其它设备带来一定程度的影响，也可能出现兼容性问题。如果厂商在引入时没提早作出通盘考虑，例如引入海量传感器，但又没为传感器生成的海量信息作出足够配套，反而会影响原有的生产流程，到时只会求荣反辱。

虽然智能制造并不是供应链的灵丹妙药，但既然新消费模式是个不可逆的大趋势，那智能制造也将会成为业界必须认真考虑的一个课题。你可以质疑它、你也可以反对它，但你唯一不能做的，就是无视它的存在。

评论

最新评论