我們如今處在新時代，出現了比以往更多的概念：精益生產、智能制造、工業4.0、數字化工廠、工業物聯網、工業大數據、人工智能。然而，該如何厘清這么多概念之間的關系？

智能制造必須服務于企業經營

無論我們對于智能制造，用何種定義與實現方法進行探討，我們都必須以企業的經營戰略為目標。企業的經營在于：

①為消費者/客戶提供質優價廉的產品

②為股東投資確保回報

③為員工的福利

這是企業經營者必須考慮的，也是企業作為整體的價值所在。

當下對于智能制造的討論多數聚焦于技術之實現，標榜智能制造產線，多是以局部看全局，而另一方面，為了智能制造而上系統也是偏離了企業經營之本質，如何厘清經營與智能制造間的關系，建立有效的路徑分析與判斷，并逐次有效的實施整體戰略，對于企業而言，尤為重要，因為，這關乎企業長久的存亡，而非短期之政策紅利。

每個概念所扮演的角色如何？

盡管我們不能把已經實現的稱之為概念，但是這里將以其所對應的領域來進行闡述。

1精益是數字化的根基

精益是一種不斷改善經營效率，發揮資源，包括核心的人的能動性力量，持續學習不斷改善，讓企業不斷提升競爭能力，消除浪費就是一種對資源的最大化利用，發揮成本效率的途徑，最終去實現經營的利潤率最大化。

精益對生產中的過度生產、等待、運輸、過度加工、庫存、缺陷返工、走動、人才浪費進行了聚焦，并提出了諸多的方法予以消除。這些與生產制造單元的經營目標緊密相關。

我們總把計算機、MES/ERP這些理解為數字化系統，但是，數字化的根基是“數字”—是基于“量化管理”的管理科學思想，因此，所謂的數字化運營的本質在運營，而非數字，數字只是實現的數字化運營的手段。

之所以說精益是數字化的根基在于精益為生產提供了各種量化方法、工具，例如KPI、OEE、TPM、RCA、5S、目視化管理、看板等，這些使得工廠成為了一個可以被量化、可視化、透明化的工廠，一切都服務于經營目標：質量、成本與交付能力。

智能工廠的性能指標要求是基于精益的可量化而定義的，這些是數字化運營、智能制造、工業4.0等所有概念必須去實現的目標。

智能工廠的性能指標要求

2自動化的角色

傳統上，我們僅站在自動化行業的角度理解自動化，就是傳感器檢測、控制循環、顯示、趨勢報警，然而，當我們把自動化放在智能制造大環境下，我們會發現它扮演的角色是服務于運營本質的。

（1）確保效率

為什么要自動化？從傳統生產運營角度而言，采用人工搬運、加工的過程顯然與機器的速度無法相比，尤其是談到智能制造的集成生產，將繼續削減中間不必要的環節—精益中所定義的不增值環節。事實上，在自動化程度上，連續型生產的自動化程度要更高。

（2）確保生產質量

高精度的伺服定位與同步、機器人集成制造使得產品質量及其一致性不斷提高，這些都是機器相較于人而言更為重要的作用。

（3）提供生產靈活性

運動控制不僅提供了高精度的加工質量，而且還確保了生產的柔性，就像在各種機器上，運動控制扮演讓生產更為靈活的角色，通過參數設置，伺服系統自己規劃加工曲線，確保平滑的工藝切換。

（4）提供上行數據采集與下行指令執行

當然了，自動化系統還扮演了精益的可視化管理角色，包括趨勢、報警，當然也包括生產中的能源、維護、品質數據向管理系統的輸送，當然，也接受來自管理系統的指令，如新的訂單加工參數、工序等。

3數字化/信息化的角色

自動化已經讓標準化的大規模生產達到了極高的水平，但是，當生產的個性化需求變得越來越多的時候就產生了新的挑戰，從精益角度，質量、成本與交付都成了困難，幾個例子來說明：

不良品率：當印刷批次變小時，開機浪費將提高不良品率，使得質量實際上下降；

成本：當不良品率提高，成本顯然提高，而個性化生產帶來的工藝切換時間也會造成成本上升、當機也會造成成本的損耗，而從個性化產品成本計量角度，必須將成本分配在每個批次的產品上，那么這個生產計劃中的能耗、機器效率就變得更為重要-顯著提高了成本。

交付能力顯著下降：工藝切換的時間消耗、當機、返工這種在大批量生產已經非常成熟的解決方案在個性化時代就會放大，使得交付下降。

從這個角度來觀察生產制造的要求就會發現，在更大的全局來優化產線成為了必然，例如：

1.如何讓生產運營過程最大的協同來消除中間的時間、能耗等浪費？

2.當有設備停機產線如何自動分配負載？

3.在批次降低質量迭代周期變小時如何削減開機浪費？

4.工藝切換的時間耗費如何降低以達成快速交付？

再回到運營角度來思考，就會發現，智能制造必須借助于信息的透明來分析問題，數據連接起來，才能全景的觀察產線，才能尋找運營的優化。

而制造級的數據采集由于垂直行業的差異性一直是一個挑戰，而事實上在最近幾年運營智能制造的項目中這一問題也比較突出，造成了很大的障礙，這也是為什么OPCUA成為了熱點的原因，因為OPCUA解決了以下幾個問題：

① 共享數據模型使得數據對象變得簡單，可以較為便利的方式對數據進行采集；

② 語義互操作使得跨平臺的系統之間可以進行數據基于標準與規范進行交互；

③ 垂直行業信息模型的集成更為垂直方向提供了數據便利。

圖1 基于OPCUA/MQTT的制造信息集成

OPCUA提供了通信與設備層的規范，而數據字典則提供了在管理級的信息建模規范，在RAMI4.0的參考模型中包括管理殼（AdministrationShell）、數據字典都解決全局的業務層面的信息標準與模型。這是一種在水平角度的信息集成。

圖2 關于智能制造的標準體系架構參考

不僅要梳理數據的傳輸，也要明白數據的流向—即用途，也是要服務于生產運營的。圖2是來自NIST關于智能制造相關的標準，包括從底層的現場總線、信息模型、數據模型、設計、制造各個環節，以全景形式給了我們以參考。

4智能化--全局優化與決策支持

自動化建立在對單個控制任務的調節，即使多變量系統通常也是在一臺機器、一個子系統（如煉化、制藥過程）中，而生產的全局優化要在更高維度，而這個時候，計算能力、模型能力已經超出了目前的機理模型。

圖3 從精益到智能運營的幾個層級

圖3全景描繪了從精益到智能的全局過程，數據采集、信息處理、全局利用直到最終的自主學習能力。

因此，總結而言，智能化是必須建立在精益運營、自動化、信息化之上的全局的優化問題，通過更為全局的模型，對市場端的需求拉動、工藝設計與輔助制造、供應鏈（除了傳統意義的供應鏈還包括智能電網、物流）、生產制造環節、運營維護整個的協同，就形成了整體的基于設備狀態、生產訂單、能源消耗、財務成本等共同構成的“尋優”，并給予運營“決策支持”。

知識化人才培養-并非題外話

知識化人才培養探討的是智能制造從精益基礎到智能的過程，考慮知識與人才培養的關系對于智能制造同樣至關重要。

1知識化-智慧資源的重用

人是最為重要的一個環節，在整個制造過程中，從精益的持續改善、到自動化控制的機器設計、信息化乃至智能化的學習等，這些都將依賴于人的智慧傳輸成為“標準”、“規范”，可重用的，能夠讓知識成為一種可被系統重復利用，并能自己不斷學習升級，用于最終的優化決策。

不僅軟件復用，人的知識經驗也必須復用，實物的材料和非實物的時間都是資源，而人的智慧、經驗更是資源，從性價比的角度來說，人的經驗具有巨大的潛力，這是更為重要的資源。

2人才培養與教育是智能制造的根基

圖4 智能制造人才知識結構分析與規劃

人才培養是智能制造的關鍵，對于智能制造的各種缺乏全局的認知都來自于在教育中缺乏全局與系統思維的訓練，從具體的角度看，智能制造包含了更為全局的技術學習，包括自動化專業向IT、機械的延伸，機器人、通信、PLCopen的軟件開發思想。