前言
经过几十年发展，我国逐步建立起了门类齐全、独立完整的工业制造体系，制造业增加值连续1年居于世界首位。中国制造业企业在各个细分领域的市场份额不断攀升，例如在锂电池行业，01年全球动力电池装机量TOP10企业中中国企业就占据6席，市场份额达到48.6%。
中国制造的庞大产能规模优势也体现在出口方面，01年我国出口1.7万亿元，同比增长1.%。家电、手机、计算机、集成电路等8类机电产品出口均超千亿美元。但是，出口贸易总量或贸易顺差额并不能真实反映中国制造业的竞争力。
从全球价值链上来看，中国制造业核心竞争力仍然不强。具体从贸易增加值和国民收入视角来看，生产出口赚得的一部分收益其实是要被划分为外国国民收入[1,]。在全球价值链中，中国制造业主要还是在赚取加工费，一部分中国企业仍然依赖于外国资本要素和技术要素，欧美国家则掌握着通过专利技术等要素来获取收益的方式。
目前我国制造业面临“双向挤压”的局面没有发生根本性扭转。一方面在中低端领域面临其他发展中国家的竞争，我国已经不能延续1世纪初期依靠人口红利的发展模式，即继续依靠人工大规模生产低附加值工业品。另一方面，在中高端领域，我国制造业企业自动化、智能化程度相较于发达国家还较低，还没有完全掌握重点行业的关键核心技术，在研发设计和国际标准制定等方面还没有足够的主导权。
正是在这种情形下，我国政府提出要实现智能制造，在“十三五”、“十四五”期间连续编制智能制造发展规划，促进制造业企业实现数字化、网络化、智能化转型，向制造强国迈进。本文将结合笔者观察到的一些产业前沿进展来重点阐述如下几个方面：
如何理解智能制造？智能制造的底层基础是数字化实现智能制造应当聚焦装备和工艺制造工艺和设计仿真协同促进正向设计企业设计仿真、生产制造及服务全流程协同制造业通过数字化、智能化技术提升管理决策水平智能制造领域的人才和初创企业从企业经营和产业发展角度看待智能制造展望
一、如何理解智能制造
谈及智能制造，首先就需要从企业需求角度出发。制造业企业最关心的是质量能不能更好？成本能不能再低一些？怎么让交付更快？说到底是制造业本身对规模效应的追求，特别是在当今市场需求愈发多样化、个性化，企业需要具备更强的柔性制造能力和产品设计创新能力。智能制造正是要回应企业对规模效应和柔性化制造这两方面的诉求。
智能制造是要贯穿企业研发设计、生产制造到服务的全过程，核心落脚点是在制造环节，特别是在工艺和装备两方面上。我们的分析也将从装备工艺开始逐步延伸至设计仿真、服务环节。
中国制造要向中高端领域迈进，生产出更高性能、更高精度的高质量产品，势必将对工艺和装备以及企业正向设计能力提出更高的要求。实现智能制造，企业需要使用智能化的装备，在生产过程中形成更优的生产工艺，做出全局最优的生产和研发决策。而不是仅仅停留在看一个显示生产过程数据的大屏系统，又或者是单纯的可视化渲染界面，新技术的应用还是要深入生产过程中去，避免“高大全的花架子”。
从控制论的角度来看，实现智能制造应理解为是要打造一个闭环控制系统，控制目标即为实现最佳生产工艺流程，达到最佳生产状态。控制系统运行的关键在于可以实现良好的负反馈调节，以及实现从决策端到执行端的打通。闭环控制系统的覆盖范围可以是一台机器或者一条生产线，也可以是一个车间、一个工厂甚至是一条产业链。同时，这个系统具有自适应性。
图片来源：6氪制图
由此可见，智能制造包含感知、决策和执行三个要素，通过工业物联网、边缘计算等技术收集系统内产品、设备、车间和企业的运行状态，这些数据经过处理后会汇总到工业数据平台上。最为核心的是决策中枢，过去企业的生产决策都是以依靠人的经验判断为主，智能制造系统中决策将逐渐以数据驱动+工业机理融合模型的判断为主，决策中枢将具有自适应性。执行系统也是必不可少的，现在也有企业将RPA技术应用到一些固定的机台联动操作流程上，减少人工操作，进一步提高生产的自动化程度。
二、智能制造的底层基础是数字化
新一代信息技术与制造业深度融合，引发出一个重要变化：数据作为一种新型生产要素逐渐得到产业界的重视。可以看出，智能制造的底层基础是数字化，即数据需要在系统内得到精准的采集、传输、存储和分析。智能制造的核心数据来自装备和工艺过程，在此基础上包含装备与生产管理软件间的交互，以及软件间的交互。
整个系统要对数据实现整合分析和闭环控制，就需要面向工业物联网场景的数据接入和转换协议方案、消息中间件、时序数据库或实时数据库、边缘AI推理框架或工具乃至一整套的云边端AutoML平台。
图片来源：6氪制图
以数据存储环节的数据库为例，由于工业物联网场景下的工业数据规模巨大，例如GoldWind每个风机部署有10-个传感器，数据采集频率最高会达到50HZ，万台风机每秒就会有5亿个时序数据，这些海量数据的存储和实时计算就会对数据库提出更高要求[]。
在实际访谈和调研中发现，工业数据的收集、协议的转换确实是一个令人头疼的问题，因为采集的物理量会有很多，工业协议又有很多种，业界也有在探索应用OPCUAoverTSN等技术解决这类问题。但更重要的问题是采集哪些数据更有用，以及数据收集后怎么把数据用起来。这里面还是要以工艺优化、生产决策优化为导向，不能为了采集而采集，为了上数据平台而上数据平台。
数字化、网络化和智能化是相互支撑的，不实现智能化变革，数字化转型也会失去方向和价值支撑。仅以生产过程为例，生产过程中自动化设备产生的生产数据沉淀下来，网络化就是指通过网络技术将数据传输至数据平台或现场控制系统中，更重要的是对数据进行分析处理，实时决策控制装备和工艺过程，实现智能化生产。
三、实现智能制造应当聚焦装备和工艺
智能制造涉及装备、生产工艺、生产决策、产品全生命周期管理、研发设计等方面，这些方面始终围绕的核心是质量。
质量是制造业企业的生命线，而质量依赖于可靠的装备和先进的工艺。装备承载工艺，工艺引导装备，两者不可分割并且会相互促进。因此智能制造的重点首先是要深入工艺生产环节，落在装备智能化和生产智能化上。装备和生产工艺智能化特别需要企业将新一代信息技术与先进制造技术融合，但不是一味强调AI一类的新技术。认为有了新技术可以解决一切问题或者弯道超车的观点是有失偏颇的，实现装备和工艺智能化需要立足制造规律和工业基础。
装备方面，机床是最为重要的机械装备，主要分为切削加工和成形机床两大类。其中切削加工机床的智能化主要在以下方面：通过实时采集振动、主轴温度、切削力具备感知力，进而可以针对外界环境和机床及刀具本身状态的变化进行自适应决策，即动态实时优化控制进给深度、进给速度和切削速度以及温度误差补偿等，同时防止刀具过度磨损。但是机床的加工工艺目前仍然需要工艺规划人员人工设置，尚未实现自主规划和自适应的优化，无法高效应对多品种小批量的柔性生产需求[4]。
再以金属塑性加工中的锻压装备为例，目前锻压装备正在数控技术基础上向智能化迈进，通过分散多动力、伺服电动机直接驱动和集成一体化等技术途径满足智能化锻压设备生产过程高效、柔性、高精度的要求[5]。
在新兴的增材制造领域，国外公司Markforged通过嵌入AI算法驱动的软件并结合IoT传感器提升装备的智能化程度。其增材制造装备可以自适应地打印零部件，实时进行公差补偿和路径优化。而且每一台D打印机的打印流程数据都会沉淀在云端平台，于是整个增材制造系统将通过这种联合学习实现自我优化，用户也将得到更精确的制造流程。对于增材制造这种成型同时成性的制造方式，软件提供的智能化价值更加重要。
在工业机器人智能化方面，自适应编程轨迹规划的需求日益增长，学术界和业界都在进行探索。业界如摩马智能自主研发认知智能算法训练平台，将基于AI的自适应轨迹规划算法下发到边缘端，使得机器人可以根据不同产品的生产工艺及周围环境的变化，实时做出动作决策。如此，工业机械臂的部署时间可以缩短到十几小时甚至是几个小时。对企业来说，节省换线部署成本和人工调试成本是具有很高价值的[6]。
工艺方面，目前主要通过机理模型和数据驱动模型两种建模方式来实现智能化。又因为实际工业场景中的诸多工艺过程大多具有非线性、时变性及复杂多尺度的特点，有的场景甚至无法建立完整的机理模型或者建立难度非常大，所以通常会将机理模型和以AI技术为基础的数据驱动模型融合起来，实现工艺过程的自主学习迭代和智能决策控制。
流程行业中张梦轩等总结了将化工过程的第一性原理及过程数据和AI算法相结合的混合建模方法。混合模型可以综合机理模型和数据驱动模型各自的优点，应用在化工过程中的监测、优化、预测和软测量方面[7]。
离散行业中的塑性加工的锻造成形过程也是一个复杂的非线性时变过程，加上实际场景中还可能存在油液泄漏等众多不确定的干扰因素，所以精准锻造过程控制难度很高。单纯依靠机理模型的控制策略存在偏差。将基于物理动力学的机理模型和具有在线样本学习能力的数据驱动模型结合起来，可以在锻造过程中对锻造工艺参数进行实时调整与补偿，实现锻造过程的智能化控制[8]。
再比如工业中应用场景最为广泛的工艺：焊接。目前无论是船舶分段制造中的焊接，还是动力电池组的电阻点焊，大多依赖人工焊接[9]。正式焊接前通常需要进行大量尝试各种焊接参数组合，才能得到制造需求的最优参数，这种“试错法”耗时长、材料消耗大。
星云电子的徐海威等研究发现利用贝叶斯极限梯度提升机(Bayes-XGBoost)与粒子群优化(PSO)算法结合预测最优参数，可以帮助电阻点焊工程师面对新的动力电池组生产需求时快速选取合适工艺参数，提升人工焊接生产效率，避免耗费大量材料[10]。
其次，无论是人工焊接还是机器人焊接，其焊接过程仍属于开环控制。即使是高度自动化焊接机器人产线，其焊接过程和质量都不是完全可控，单机的误差累计和多机之间的相互影响都会影响焊接质量，而焊接质量直接决定了产品安全性能。比如一台汽车白车身的焊点数量在~个，为了保障焊点质量，国内外车企都会在自动化焊接后进行人工抽样检测，再根据抽检结果进行焊接工艺参数的离线调整。但这种事后抽检无法做到%质量保障，一旦出现问题就会批次召回，损失很大。这就迫切需要针对工艺过程环节的在线控制和实时质量评价技术[11]。
图片来源：视觉中国
对于人工焊接，工艺智能分析技术可以将IoT层面收集的实时信息和分析结果通过MES下发到现场，帮助企业实现生产加工缺陷实时智能诊断。
对于焊接机器人，可以采用基于焊工智能技术的方法提升焊接机器人智能化水平，思路是使机器人具备类似人类焊工的学习动态焊接问题的能力，主要通过视觉、体觉和思维上在线感知实时焊接状态，并具备类似焊接工人对焊接场景形成记忆的学习能力。在焊接过程中，机器人主要基于熔池动态捕捉和识别算法实现对熔池的动态监测，并通过调整焊接速度和焊接电流两个工艺参数对熔池进行实时控制，最终得到受控的连续均匀焊缝[1]。该方法属于一种基于质量在线评价的工艺实时闭环控制技术。
应用这类智能化焊接技术可以有效解决焊接机器人的自适应决策控制难题，不仅可以帮助企业实现加工过程的精确控制，获得最佳的材料组织性能与成型质量，还可以帮助企业节省下来日常调试和换线部署机器人的时间成本和高昂的人工成本。
上述参数寻优、质量在线评价及实时控制技术在业界也已经开始了相关产业实践，比如蕴硕物联和大熊星座。
从以上例子可以看出，就工艺智能化而言，其控制目标是生产条件达到最优，产成品良率得到提升，减少交付时的残次品数量。我们会很自然地发现，相较于在质检环节单点式地运用检测技术，工艺智能可以从源头上解决质量问题，因为前者只是一种事后检验评价。
诚然，厂商需要对缺陷等产品残次情况进行检测，目前AI技术在工业中的应用也主要集中于视觉检测，但厂商更需要形成对残次原因追根溯源和精细化工艺参数反馈控制的能力。由此，单纯的机器视觉、设备制造乃至工业软件等公司都可以从自身产品出发逐步扩展，实现更大范围内的智能优化。
这方面举一些半导体行业中将工艺制程优化和视觉检测结合的案例，例如应用材料公司将机器学习算法融入ADC（自动缺陷分类）技术中，其PurityIIADC技术拓展了应用材料SEMVisionG7系统的机器学习能力。基于ML算法进行实时自动分类、缺陷检测和根本原因分析，可以促进半导体制造企业工艺和良率管理水平的提升[1]。
国内的初创公司哥瑞利、昆山润石科技等也在进行类似工作，将工艺制程管理的FDC（自动失效分类系统）和ADC系统结合起来，使用AI算法并融合IoT设备采集的过程数据，共同形成了一个可实现负反馈调节的制程优化控制系统，帮助企业快速定位缺陷产生原因、优化工艺，进而可以缩短产线调试周期和提升良率。
上述列举了装备和工艺智能化方面的典型案例，这些案例都是从制造业最关心的质量问题出发，以实现生产过程的实时自适应决策控制为目标。这些智能化技术将以软件形态交付给设备使用企业甚至是设备制造商。持续沉淀积累的工艺数据将不断加强这类工艺智能软件的技术壁垒。对于装备制造业企业来讲，需要从单纯提供硬件产品转变到同时交付软件和硬件产品，提高客户粘性，加强自身技术壁垒。
四、制造工艺和设计仿真协同促进正向设计
上一节阐述了应用装备和工艺的智能化技术实现精准过程控制，进而保证产品质量和良率。但是产品良率提升并不是从生产环节的设备控制和工艺优化开始的，而是在设计仿真环节就可以开始介入，特别是在正向设计开发新产品新工艺的阶段。
例如在锂电池制造过程中，涂布、干燥、辊压、pack这些工艺中的参数变化以及工艺间的相互作用会怎样影响最终电池性能（能量密度和循环次数）。现在业界主要还是使用“试错法”来对工艺进行验证，但是效率较低、耗费成本较高。这就需要利用设计仿真软件平台进行虚拟测试验证，节省下真实世界中物理测试的成本。
AlejandroA.Franco主导建设了一个名为“ARTISTIC”的项目，该项目受到欧盟地平线00科研计划的资助。该项目团队建立了一个模拟锂离子电池制造过程并预测其电化学性能的计算平台。该技术平台通过离散元法和粗粒化分子动力学（coarsegrainedmoleculardynamics）模型基于工艺参数预测电极介观结构，再基于连续介质模型利用介观结构数据预测电池宏观上的电化学性能表现。可以看出该项目在尝试建立一个材料-工艺-（极片）结构-性能的多尺度仿真平台[14]。
图片来源：ARTISTIC项目