智能制造扩展为价值链全域优化

　　要解决工业3.0大规模生产的同质化、资源重塑、产能过剩、产品附加值低等问题，需要全新技术持续优化产品迭代更新速度，优化制造过程的效益，优化供应链的整体协同效益，比如在产品中如何实现更高附加值的服务。此过程实际是把原来单环、单项的价值链优化变成双环。

　　我们知道，从工业3.0到4.0的企业智能化转型势在必行。无论从产业发展趋势、国家前瞻性的指引抑或产业竞争中的要求，都提出了从3.0到4.0的转型趋势。在3.0时代，诸多产业发展是以规模、成本、效益为核心竞争优势，但在4.0时代，用户需求发生了巨大的变化，产业供给极度丰富，诸多大规模生产的产品已经过剩。无论是原材料行业或是诸多高科技制造业，如何以用户为中心实现大规模定制生产成为首要议题。因此，需要智能化、自动化的诸多全新技术。

　　在这个过程中，要解决工业3.0大规模生产的同质化、资源重塑、产能过剩、产品附加值低等问题，需要全新技术持续优化产品迭代更新速度，优化制造过程的效益，优化供应链的整体协同效益，比如在产品中如何实现更高附加值的服务。此过程实际是把原来单环、单项的价值链优化变成双环。双环的意义，从制造的角度指的是人、机、料、法、环、测。“人”是工厂生产线的工人，“机”是生产线的装备，“料”是生产的原材料，“法”是生产的工艺参数、工艺逻辑，保证产品闭环价值。“人、机、料、法、环、测”在产业链优化中不仅需要提高效率，更需要和企业级的研、产、供、销、服结合。

　　比如，每一单的定制化生产要从前端的电子商务平台收集用户个性化需求开始，包括预测用户的需求。之后，从电商平台进入到ERP系统，把订单分捡到工厂进行排查。大规模定制化生产和批量生产对产线的排产要求、自动化水平完全不同。从产品营销的角度看则需理解用户的个性化需求，以便通过电商平台进行精准推荐。

　　总之，需要把制造的环节和企业整体运营环节虚实结合后，互联工厂、柔性制造、智能决策和闭环质量体系才能最终建立。其中存在诸多需要优化的环节。比如，工业互联网或者数据智能平台如何通过智能化技术、大数据技术、物联网技术优化全价值链。“研、产、供、销、服”各个领域中均有诸多智能化应用场景，通过这些应用场景的持续优化、整体组合后，才能形成智能制造，提升智能化水平。

　　在此过程中也面临诸多挑战。因为联想经过了大概七八年的利用大数据、人工智能技术优化自身业务链、效率和智能化的历程，同时也为国内大中型企业提供数据智能转型的优化服务，在数字化转型、智能制造实施的过程中，最典型的是以下几个方面。

　　首先，现在很多业务流程中，人工过程非常多，比如制造环节、工厂人员管理、生产线的诸多工艺参数管理，甚至有些看似智能的工厂，仍旧将工艺参数写在纸上，通过代代相传的模式进行管理。整体生产产品的交付体系、订单、物料、生产、仓储物流的整体无法很好协同。这其中最核心的则是没有数字化、自动化过程。

　　第二个挑战与第一个挑战极为相关，即为什么无法实现自动化过程？为什么需要涉及诸多手工干预？其实这是由于智能制造、自动化、IT信息技术的价值链非常復杂。在某个工业生产线上，可以看到大量工业自动化设备，比如当今配备的诸多机械手。虽然诸多工厂已完成了大量智能化改造，现存的大量智能化穿戴设备可以帮助工厂工人提高效率，但是这些体系非常独立、分散。因为工业体系里大量工业协议是互不相通的，共有2000多种工业协议。虽然也有一些比较标准的协议，但是很多企业为了提升竞争力，仅仅在一些通用领域里支持标准协议，但在希望建立壁垒的领域都使用自身封闭的协议，这些实际上对于工厂的数字化改造、数据收集、产线互联、不同工厂互联、上下游互联造成了巨大障碍。如何实现全价值链数据打通，并且实时分析、实时运算、实时规划，这都是巨大的技术挑战。

　　如果能理解第二个挑战，说明企业信息系统还是具备比较良好的基础，而只是没有互联。但很多实际情况则不然，大多数企业信息化基础均较为薄弱，诸多系统，比如自动化、订单管理、计划排产等均无法实现实时更新，数据基础更无从谈起。人工智能技术不仅仅是算法，还要和机理模型、业务相结合才能发挥最大价值。所以基于此，联想构建了工业互联网平台以支撑智能制造应用。Leap IoT是物联网平台，核心目标是获取全量实时的产线数据和产品运营数据，并且支撑边缘计算，以便在此基础上实现工业APP应用。

　　从技术角度可以更深入、直观地了解此平台的价值。一侧是支撑现场连接的部分，实时数据、采集的代理和上位机也可以和CNC智能设备结合。一方面是从这些设备种采集运营数据，同时也可以通过反向控制进行优化。另一侧是边缘侧，配备了大量边缘服务器。边缘服务器在整个架构中处于非常关键的地位。一方面把大量的前端产线和运营设备数据进行整合，包括一些规则的处理、不同协议适配和数据统一处理、大规模并发数据的统一处理等。最关键的则是在边缘侧加入一些人工智能、机器学习的计算能力。边缘处理能力加强后，就能够实现毫秒级的数据采集、分析和控制。

　　在此基础上，可以实现各种工艺参数优化应用。比如像OE、质量管理、全价值链优化等。为了提升全价值链智能化优化，最核心问题则是前端数据采集和边缘计算的效率优化和提升。联想为此也提供了非常高效的硬件平台支撑边缘计算，处理能力基本等同于当下最先进的PC机或者台式机的计算能力。同时支持GPU、诸多算法分析和计算能力，以实现终端采集和边缘端的数据处理。

　　另外在该平台上仅仅配备大数据技术、物联网技术、人工智能技术并不是智能制造的全部，一定要和工业机理深度融合才能真正实现智能化应用。该平台支撑大概200多种算法和数百种细分行业应用模型，这些应用模型通过标准、通用算法与各个行业结合。

　　该工业互联网平台已经接入超过两亿台设备，每天接入150亿条数据和1500多种工况。同时也和280余万家分销商、渠道商、零部件供应商共同打通物流、生产、制造、营销、采购全供应链。该平台在全球大概有10个数据中心，这10个数据中心会在不同区域提供区域化的本地服务。在此基础上，从业务角度实现诸多优化，全球70%的产品都是个性化定制和小批量生产，即使用户直接定制也可以满足需求。质量管理、供应商生产线数据、质量数据可以和质量管理系统整合，实现上下游一体化的全程质量管理。比如全球采购预测、销售预测都可以基于大量产品实时运营数据和客户评价的舆情数据进行预测，这样也为全价值链提供支撑。

　　联想一直与全球排名前三的大型石化企业分公司合作，共同优化工艺参数和综合收益率。将整个生产线中各个地方的温度、压力、催化剂等2000多个数据点进行分析后发现，将这2000多个数据进行建模后就可优化整体收益率，特别是提升其中某几个数据的集中模式后便能显著提升整体流程效率。优化模式后，整体850万吨催化裂化生产线的收益率提升了0.5到0.9个百分点。这些均对工厂的效益和安全生产水平有显著提升和巨大助力。

　　另外，在零散制造行业的工业经验更为丰富。因为联想本身也从事典型的高科技零散制造行业，比如汽车行业，而且在整体业务模式、产品质量、全价值链管理中，汽车行业和联想自身有诸多相似之处。联想因此已经助力十几家主机厂的数字化转型提升、智能制造提升和智能化应用服务的普及。其中，最核心的是构建数据服务，包括订单数据、运营数据、车联网数据、销售数据、经销商数据、网络销售数据等。所有数据整合、全量数据融合后便能进行全价值链的优化。因为无论是精准营销、工厂自动化排产、个性化定制等，均会和企业全价值链的数据相关。另外一个典型行业则是金融行业。通过设备运营过程中的数据进行精准客户画像和风险控制尤为重要。因为这些设备本身非常昂贵，大多是通过融资租赁模式提供给客户，所以风险控制在供应链金融的服务中具有极大价值。

　　以上是联想对工业互联网、数据智能、技术平台的认知和诸多实际应用案例。希望通过这些应用案例和技术成果，能够让行业内外更深入了解联想在工业互联网、工业智能方面的推动作用，这一方面为企业、国家整体效率提升带来了巨大价值，但同时也面临诸多挑战。联想希望能与产业内外携手共同克服以上挑战，推动行业持续智能升级，为国家创造更大价值，从而使我国从制造业大国变成真正的制造强国。

　　（根据会议速记整理，未经本人确认，有删节。）

　　田日辉