如何理解智能制造？

「1．智能制造的定义」

制造是把原材料变成适用的产品。需要特别注意的是，这里制造的含义不止限于加工和生产。对于一个制造企业而言，其制造活动包含一切“把原材料变成适用的产品”的相关活动，如产品研发、工艺设计、设备运维、采购、销售。

对智能制造最通俗的理解莫过于“把智能技术用于制造中”。然而什么是智能？什么是人工智能？尽管从人工智能概念的提出到现在已经过了半个多世纪，但是关于人工智能的定义却依然存在争议。一般认为，目前人工智能的研究方向主要集中在自然语言处理、机器学习、计算机视觉、自动推理、知识表示和机器人学等六大方向上。但显然人们并不认为，企业实施智能制造就一定要应用上述所有技术。

关于智能制造的定义有很多。

美国Wright和Bourne在其《制造智能》（智能制造研究领域的首本专著）中将智能制造定义为“通过集成知识工程、制造软件系统、机器人视觉和机器人控制来对制造技工们的技能与专家知识进行建模,以使智能机器能够在没有人工干预的情况下进行小批量生产”。今天能够用于制造活动的智能技术不只是上述定义中所列举的，此外智能制造显然不局限于小批量生产。但人们没有任何理由因为此定义的局限性而轻视其意义，在当时（20世纪80年代）相关技术发展尚不成熟的时期提出智能制造的概念无疑是富有远见和开创性的工作。

路甬祥曾对智能制造给出定义：“一种由智能机器和人类专家共同组成的人机一体化智能系统，它在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等。通过人与智能机器的合作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。它把制造自动化的概念更新、扩展到柔性化、智能化和高度集成化”。其中强调的人机一体化，乃深刻洞见。

在中国《智能制造科技发展“十二五”专项规划》中，定义智能制造是“面向产品全生命周期，实现泛在感知条件下的信息化制造，是在现代传感技术、网络技术、自动化技术、拟人化智能技术等先进技术的基础上，通过智能化的感知、人机交互、决策和执行技术，实现设计过程智能化、制造过程智能化和制造装备智能化等。”此说中实现设计过程、制造过程和制造装备的智能化，只是智能制造的现象。或者说，智能化设计、装备等只是制造的手段，而非目标。

工信部在2016年发布的《智能制造发展规划（2016—2020年）》中对智能制造明确定义：智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。此定义无疑吸取了多位学者和专家的智慧，点明了智能制造的技术基础、应用的环节，揭示了其功能表象，但未能触及智能制造的本质和内涵。

在美国、欧盟、韩国等受到重视的SM（smart manufacturing），可看成是智能制造发展的更高级阶段。SM是近些年一些前沿技术迅猛发展的结果，如，物联网、大数据、VR（虚拟现实）/AR（增强现实）、智能传感、云技术、新一代人工智能等。美国国家标准技术局认为，SM是完全集成的协同制造系统，能够实时响应企业、供应链和客户中需求及条件的变化。这一定义颇为简单，并未直接点出所涉及的技术及系统具体的功能，却更清晰地揭示了智能制造的目标。

此处给出智能制造及系统的极简定义，之所以如此，恰恰因为智能制造还在发展中。简单的定义可能包罗更广的功能和技术要素，不管是已有的，还是未来的；简单的定义可能含义更深，不管是表象的，还是内在的；不管是显性的，还是隐性的。

智能制造：把机器智能融合于制造的各种活动中，以满足企业相应的目标。

定义中的关键词：机器智能、融合、制造活动、目标。

机器智能包括计算、感知、识别、存储、记忆、呈现、仿真、学习、推理等，既包括传统智能技术（如传感，基于知识的系统KBS等）,也包括新一代人工智能技术（如基于大数据的深度学习）。一般来说，人工智能分为计算智能、感知智能和认知智能3个阶段。第一阶段为计算智能，即快速计算和记忆存储能力。第二阶段为感知智能，即视觉、听觉、触觉等感知能力。第三阶段为认知智能，即能理解、会思考。认知智能是目前机器与人差距最大的领域，让机器学会推理和决策异常艰难。

虽然机器智能是人开发的，但很多单元智能（如计算、记忆）的强度远超人的能力。将机器智能融合于各种制造活动，实现智能制造，通常有如下好处：

（1）智能机器的计算智能高于人类，在一些有固定数学优化模型、需要大量计算、但无需进行知识推理的地方，比如，设计结果的工程分析、高级计划排产、模式识别等，与人根据经验来判相比，机器能更快地给出更优的方案。因此，智能优化技术有助于提高设计与生产效率、降低成本，并提高能源利用率。

（2）智能机器对制造工况的主动感知和自动控制能力高于人类。以数控加工过程为例，“机床/工件/刀具”系统的振动、温度变化对产品质量有重要影响，需要自适应调整工艺参数，但人类显然难以及时感知和分析这些变化。因此，应用智能传感与控制技术，实现“感知—分析—决策—执行”的闭环控制，能显著提高制造质量。同样，一个企业的制造过程中，存在很多动态的、变化的环境，制造系统中的某些要素（设备、检测机构、物料输送和存储系统等）必须能动态地、自动地响应系统变化，这也依赖于制造系统的自主智能决策。

（3）制造企业拥有的产品全生命周期数据可能是海量的，工业互联网和大数据分析等技术的发展为企业带来更快的响应速度、更高的效率和更深远的洞察力。这是传统凭借人的经验和直觉判断的方法所无可比拟的。

机器智能是人类智慧的凝结、延伸和扩展，

总体上并未超越人类的智慧，但某些单元智能强度远超人的能力。

企业的制造活动包括研发、设计、加工、装配、设备运维、采购、销售、财务等；融合意味着并非完全颠覆以前的制造方式，通过融入机器智能，进一步提高制造的效能。定义中指出了智能制造的目的是满足企业相应的目标。虽未指明具体目标，但读者容易明白，提高效率、降低成本、绿色等均隐含其中。

智能制造系统：把机器智能融入到包括人和资源形成的系统中，使制造活动能动态地适应需求和制造环境的变化，从而满足系统的优化目标。

除了智能制造中的关键词外，这里的关键词还有：系统、人、资源、需求、环境变化、动态适应、优化目标。资源包括原材料、能源、设备、工具、数据……；需求可以是外部的（不仅考虑客户的，而且还应考虑社会的），也可以是企业内部的；环境包括设备工作环境、车间环境、市场环境……；此定义中，系统是一个相对的概念，如图所示。即系统可以是一个加工单元或生产线，一个车间，一个企业，一个由企业及其供应商和客户组成的企业生态系统；动态适应意味着对环境变化（如温度变化、刀具磨损、市场波动）能够实时响应；优化目标涉及企业运营的目标，如效率、成本、节能降耗等。至于系统所需的各种手段均隐含其中。

智能制造系统的层次

特别需要注意的是，上述定义隐含：

智能制造系统并非要求机器智能完全取代人，即使未来高度智能化的制造系统也需要人机共生。

韩国学者Kang等指出，智能制造（SM）不能仅仅着眼于增效降本的经济性指标，还应该能够持久地对社会创造新的价值。缺乏对人和社会问题的考虑可能会引发一些问题。不能把智能制造仅仅简单地视为IT前沿技术的应用，它应该是基于面向人和社会“可持续发展”哲学的、能够导致持续增长的制造发动机。

「2. 智能制造的基本内涵」

引言中概述了从自动化到数字化、网络化进而到智能化发展的必然。自动化技术经过百余年的发展，相对而言已经很成熟了。稍加观察和略为抽象地思索一下自动化技术适合解决的问题。

适合于自动化技术所能解决的问题基本上都是确定性的。所有的自动线、自动机器，其工艺流程是确定的，运动轨迹是确定的，控制对象的目标是确定的。当然，机器实际的运动可能存在误差，反映在制造物品的质量上也存在误差，也就是说，不确定性并非完全不存在。但就一个自动系统的设计考虑言，其系统的输入输出工作方式、路径、目标等等都是确定的，只需要保证产生的误差在允许的范围内即可。

经典的自动化技术面对的基本都是结构化的问题。能够用经典的控制理论描述的问题，是结构化的，如自动调节问题，PID（比例积分微分）控制等。电子和计算机技术的发展加速了程序控制、逻辑控制在自动化系统中的应用，其针对的问题也是结构化的。在现代的控制系统中，某些场合人们用基于知识的系统，类似于IF-THEN，本身就是一种结构，处理的问题还是结构化的。

传统自动化技术处理的问题均有其固定的模式，像自动加工、流水生产、物料自动输送等。

传统自动化技术针对的问题相对而言是局部的，很少有企业系统层面的问题，如供应链问题、客户关系、战略应对等。

让我们再观察和思考一下企业的现实问题。企业里存在大量的不确定性问题，譬如说，任何企业都必须关注的质量问题。对于一些预先就知道的、确定性的、可能引发质量缺陷的问题，可通过设置相应的工序及自动化手段去解决，这是传统自动化技术所能及的。有很多影响质量的随机因素，如温度、振动等，虽然预先知道这些因素将影响质量，但只是定性的概念，无法事前设定控制量。这就需要实时地监测制造过程中相关因素的变化，且根据变化施加相应的控制，如调节环境温度，或者自动补偿加工误差。这就是初步的智能控制了。这类引发质量问题的随机因素虽然有不确定性，但是显性的，容易为人们所意识到。更有一类不确定性因素是隐性的，是工程师和管理人员甚至难以意识到的。如，一个先进的、复杂的发动机系统，影响其性能的关联及组合因素到底有多少？影响到何种程度？又如，某种新的工艺，可能存在的、非显性地影响工艺性能的参数有哪些？影响程度？于工程师而言，这些可能是不确定的。其实，其中某些因素及其关联影响有确定性的一面，只是人们对其客观规律还缺乏认识，导致主观的不确定性。另外，还有一些原本确定性问题，因为未能数字化而导致人对其认识的不确定性。如企业中各种活动、过程的安排，本来就是确定性的。但因为涉及的人太多，且发生时间各异，若无特殊手段，于人的认识而言纷乱如麻。此亦即人的主观不确定性或认识不确定性。为何把主观不确定性也视为制造系统的不确定性？因为制造系统中本来就应该包括相关的人。还有一类隐性的影响因素本身就是不确定的。如，精密制造过程中原材料性能的细微不一致性，能源的不稳定性，突发环境因素（如突发的外部振动）等，导致质量的不稳定；车间中人员岗位的临时改变而引发的质量问题；某一时期某些员工因特别的社会重大活动（如足球世界杯）而致的作息时间改变引发的质量问题；重大公共卫生安全发生后，对企业的具体影响程度，这些与企业供应链、所处地区位置、人流、企业人员受感染等各种特殊性（各个企业都不一样）有关。目前，人们对此类问题只能有抽象、定性的认识，很难根据具体影响程度进行相对精细的应对。对诸如此类的问题，经典的自动控制技术自然被束之高阁，即使带有一定智能特征的现代控制技术也无能为力。

智能制造系统并非要求机器智能完全取代人，即使未来高度智能化的制造系统也需要人机共生。

注意：显性的和隐性的不确定性因素！

企业中有大量的问题是非结构化的。当人们想尽可能提升质量时，发现影响质量问题因素的构建就是困难的；重大公共卫生安全发生后，对企业的具体影响程度，很难有定量的分析，更何况应对；这些都因为环境及问题本身就是非结构化的。企业中有大量的信息并非常规的数值数据或存储在数据库中的可用二维表结构进行逻辑表达的结构化数据，如全文文本、图像、声音、超媒体等信息，此即非结构化数据。这些非结构化的数据都是企业有用的信息，如研发人员的报告、收集的外部资料（文本、图像等）……传统的自动化技术未能有效利用这些信息，只能止步于此。

如何利用非结构化的数据从而做出正确的判断和决策？

企业中的很多问题是非固定模式的。如今很多企业为了更好地满足客户需求，实施个性化定制。不同类型的企业实施个性化定制的方式肯定不一样。即使对同一个企业而言，对不同的产品、不同类型的客户，可能也需要不同的模式。数据的收集、处理，数据驱动个性化设计和生产的方式都不尽相同。又如工厂或车间的节能，不同类型的企业节能的途径可能不一样。即使同类产品的企业，其设备不一样，地区环境不一样，厂房结构不一样，都会导致节能模式的不同。从事传统自动控制的技术工作者自然不会问津这类非固定模式的问题。

我们的祖先有一个很好的文化传统，即注重整体联系。中国古代的物质观，金木水火土，相生相克。此一说虽然并不科学，但其注重整体联系的思想却有合理成分。中国传统医学把人视为一个整体，如经络说，实际上强调人体的整体联系。虽然从科学的角度言，其说有局限性，但从某些实践（如针灸）的有效性依然可见其思想的合理成分。

企业是一个大系统，其中有很多分系统、子系统，有各种各样的活动（设计、加工、装配……）,各种各样的资源（原材料、工具、零部件、设备、人力……）,供应商，客户……大系统中如此多的因素，相互关联和影响吗？肯定影响——凭想象和感觉。对大系统的整体效能的具体影响程度？高级管理人员和工程师们未必清楚。即使是一个设备系统，其部件、子系统、运行参数、环境等诸多要素之间的相互影响，同样人们只能定性地知道某些影响，难以全部清晰地认识其影响程度。总之，我们对企业大系统及其分系统的整体联系的认识是很有限的，之所以如此，不仅在于系统之大而复杂，还在于系统充满前述的不确定性、非结构化、非固定模式的问题。

更清晰地认识整体联系有助于进一步提升企业的整体效能。

并非言以前人们就意识不到整体联系、不确定性等问题的存在，只是苦于缺乏工具而脑力所不及。人类从来不会停止追求“超自然存在”工具的步伐。基于更清晰认识乃至更精细地驾驭整体联系、不确定性、非结构化、非固定模式等问题的欲求，人类终于创造出合适的工具，即物联网、大数据分析、人工智能（尤其是新一代的）等。正是有了这些工具和手段，就不能继续让整体联系、不确定性等问题困扰我们，制造领域自不例外。至此，我们可以更深刻地理解智能制造的内涵：

来源：智造苑

什么是智能制造？

近年来，随着大数据、云计算、人工智能、工业互联网等技术的迅速发展，数字化技术被广泛应用于经济的各个环节，推动了新消费时代的到来。个性化、定制化的消费观越来越普遍，重塑了生产者和消费者之间的关系，也对供给端的生产效率、产品质量、敏捷反应等都提出了更高的要求，制造业的智能升级迫在眉睫。

4月17日，阿里研究院举办了智能经济主题报告发布会，从技术、制造、组织、分工四个角度剖析了未来智能经济发展的新密码。其中，《从工具革命到决策革命——通向智能制造的转型之路》 聚焦智能制造，以“数据+算力+算法”这一大技术体系为核心，从产业链的视角详细阐述了科技对制造业五大生产环节的全面提升和重构。并在此基础上，提出了智能制造的四条赋能路径，全面解读智能制造带来的“工具+决策”两个维度的革命性机遇。

智能制造的核心技术体系

“数据+算力+算法”构成了智能制造的核心技术体系。首先，数据是智能经济的基础，是智能制造的核心生产资料。其次，以云计算、边缘计算为代表的算力的快速发展为处理海量数据提供了有力保障。第三，以人工智能、机理模型为代表的算法技术帮助智能制造发现规律并提供智能决策支持。最后，以5G等为代表的现代通讯网络将三大要素紧密联系起来，让它们协同作业，发挥出巨大的价值。

以“数据+算力+算法”为核心的智能经济科技体系

基于对智能制造核心技术体系的现阶段发展程度的深度调研以及对其大规模应用落地的预测，智能制造的初步体系在2020年前后将初现端倪，其主要特征可以概括为：数据驱动、软件定义、平台支撑、服务增值、智能主导。

智能制造体系图解

智能制造重构生产体系

“数据+算力+算法”这一技术集群从需求洞察、研发、采购、生产、营销和售后等五大产业链环节对制造业进行了赋能重构。与传统制造体系相比，智能制造生产体系的优势主要表现为：消费者洞察从间接到直接，研发环节由串行到并行，采购环节实现自动化、低库存化和社会化，生产环节全面智能化，和无所不在的智能销售和售后服务。

传统制造业和智能制造业的对比

四大赋能路径

报告通过深入研究，并结合企业案例，首次总结出了智能制造的四条赋能路径及其为企业带来的巨大价值：1.规模化供给解决定制化需求，实现长尾重构；2.精准捕捉用户需求，快速推出新品，实现敏捷响应；3.工业大脑结合行业洞见，重构人机边界，实现智能决策；4.工业互联、云中台助力大型集团构建高度协同的智能制造生态体系。

长尾重构 规模化供给解决定制化需求

当前，互联网正在从信息交互的互联网、产品交易的互联网向能力交易的互联网迈进，在这一新的发展进程中，如何应对高度碎片化、个性化的需求，并对各种新的需求做出实时、精准、科学的响应是产业互联网需要解决的核心问题。在此背景下，C2M（Customer-to- Manufactory，顾客对工厂）定制化生产模式应运而生，成为这轮产业革命的新趋势。

厂家通过将碎片化需求与闲置产能相匹配从而实现大规模的定制化生产

敏捷响应 精准捕捉用户需求，快速推出新品

敏捷制造是指制造企业采用现代通信手段,通过快速配置各种资源（包括技术、管理和人）, 以有效和协调的方式响应用户需求,实现制造的敏捷性。在消费互联网带动产业互联网发展的大背景下，制造企业敏捷性的一个重要体现就是新品投放速度，是企业打开新市场、建立竞争优势的重要手段。

智能决策 工业大脑结合行业洞见，重构人机边界

在制造领域，人机边界的重构体现在建立由人类赋予机器智能，由机器随时、随地完成复杂决策与逻辑操控任务的机器智能工厂。这一未来工厂的模式由智能化、数字化与自动化三位一体打造，实现了工厂从无脑到拥有一颗工业大脑的转化，是继三次工业革命后的又一次跨越。工业大脑的思考过程，简单地讲是从数字到知识再回归到数字的过程。生产过程中产生的海量数据与专家经验结合，借助云计算能力对数据进行建模，形成知识的转化，并利用知识去解决问题或是避免问题的发生。同时，经验知识又将以数字化的呈现方式，完成规模化的复制与应用。一个完整的工业大脑由四块关键拼图组成 ——分别是云计算、大数据、机器智能与专家经验。

基于“数据+模型”实现锅炉燃烧能耗优化

高度协同 工业互联、云中台助力大型集团构建高度协同的智能制造生态体系

工业互联网产业联盟指出，工业互联网平台是面向制造业数字化、网络化、智能化需求，构建基于海量数据采集、汇聚、分析的服务体系，支撑制造资源泛在连接、弹性供给、高效配置的工业云平台，在社会化资源协作方面发挥着重要的作用。工业互联网平台的协同作用可以体现在企业内部的制造协同、企业间的产能协同、不同种类产业间的产业协同和企业与金融行业的产融协同等。

中信智能制造产业云平台助力集团智能化转型