在線客服
企業(yè)微信
核心提示：向數(shù)字化的智能制造要生產(chǎn)力，是各國應(yīng)對產(chǎn)業(yè)升級轉(zhuǎn)型的共同選擇。基于深耕制造行業(yè)七年的成功實(shí)踐，阿里云對于制造業(yè)向智能制
向數(shù)字化的智能制造要生產(chǎn)力，是各國應(yīng)對產(chǎn)業(yè)升級轉(zhuǎn)型的共同選擇�；谏罡圃煨袠I(yè)七年的成功實(shí)踐，阿里云對于制造業(yè)向智能制造升級提煉了九大場景，以及對應(yīng)九大場景的可行解決方案。從微觀到宏觀，這九大場景已經(jīng)基本覆蓋了智能制造的所有關(guān)鍵環(huán)節(jié)，可以作為回答智能制造現(xiàn)階段問題的著力點(diǎn)。
中國的制造業(yè)，無論是流程制造還是離散制造，都遇到了進(jìn)一步發(fā)展的瓶頸期。對于流程制造來說，如水泥、鋼鐵，表現(xiàn)比較明顯的是能源利用率的提升問題——特別是進(jìn)入雙碳時(shí)代后，制造業(yè)的環(huán)保需求逐步加大。對于離散制造來說，突出問題是需求側(cè)市場變化太快，工廠的投入和產(chǎn)能存在巨大不確定性。
“如果將流程制造、離散制造等一系列的問題做抽象與提煉會發(fā)現(xiàn)其中有共同的痛點(diǎn)，無論是設(shè)備的能耗優(yōu)化/預(yù)測性維護(hù)、生產(chǎn)線的自動控制/工藝優(yōu)化/調(diào)度優(yōu)化、產(chǎn)品的質(zhì)量檢測，還是供應(yīng)鏈管理、營銷與銷售預(yù)測、產(chǎn)銷協(xié)同，可以歸類為：用大數(shù)據(jù)技術(shù)解決產(chǎn)線上的具體問題、AI技術(shù)落地于具體場景的問題，以及基于數(shù)據(jù)中臺和AI引擎的全鏈路數(shù)據(jù)一體化用于解決供應(yīng)鏈上下游協(xié)同的問題。總之，一系列的問題都可以歸結(jié)為：如何用新的數(shù)據(jù)智能方式去幫助制造業(yè)企業(yè)實(shí)現(xiàn)產(chǎn)業(yè)升級。”阿里云行業(yè)線產(chǎn)品解決方案部總經(jīng)理曾震宇總結(jié)道。
向數(shù)字化的智能制造要生產(chǎn)力，是很多國家共同的戰(zhàn)略選擇�；谏罡圃煨袠I(yè)七年的數(shù)字化實(shí)踐，阿里云對于制造業(yè)向智能制造升級提煉了九大場景，以及對應(yīng)九大場景的可行解決方案。
解決這些共性問題的底座是四種能力：數(shù)據(jù)中臺、AI優(yōu)化控制引擎、數(shù)字孿生與云釘一體。
其中，數(shù)據(jù)中臺是制造企業(yè)非常重要的基礎(chǔ)能力。過去制造業(yè)可被實(shí)時(shí)搜集、感知和在線的數(shù)據(jù)少；未來3--5年，制造業(yè)的實(shí)時(shí)數(shù)據(jù)量一定會急劇增加，包括設(shè)備數(shù)據(jù)、傳感器數(shù)據(jù)等，需要圍繞這些數(shù)據(jù)進(jìn)行建模、加工，然后基于數(shù)據(jù)中臺，不斷訓(xùn)練AI數(shù)據(jù)模型并形成AI引擎，與工廠傳統(tǒng)經(jīng)驗(yàn)形成互補(bǔ)，最終形成AI知識圖譜，數(shù)字化一切以前不可量化的人為因素。
另外，和所有的技術(shù)一樣，虛擬現(xiàn)實(shí)融合技術(shù)，真正規(guī)�；a(chǎn)生產(chǎn)業(yè)價(jià)值的方向并非在生活娛樂領(lǐng)域，數(shù)字孿生是工業(yè)發(fā)展的大趨勢。工廠內(nèi)全維度數(shù)據(jù)構(gòu)成的數(shù)字世界，今天已經(jīng)不再是“科幻”，而是能夠利用數(shù)據(jù)和算法檢測生產(chǎn)線上的設(shè)備健康狀況、產(chǎn)品質(zhì)量，并進(jìn)行預(yù)測性智能決策。
云釘一體解決的是組織協(xié)同問題。釘釘在實(shí)踐過程中將制造業(yè)的組織、系統(tǒng)集成在一起，整個(gè)辦公流程、生產(chǎn)流程、生產(chǎn)管理、質(zhì)量控制、售后服務(wù)的自動化，都可以基于釘釘?shù)膮f(xié)同平臺和應(yīng)用開發(fā)平臺實(shí)現(xiàn)。
智能制造的九大場景有六大場景著眼于產(chǎn)線的微觀智能，分別是自適應(yīng)控制、生產(chǎn)工藝優(yōu)化、能耗優(yōu)化、專家知識系統(tǒng)、智能質(zhì)檢、預(yù)測性維護(hù)；另外三大場景著眼于大型組織的數(shù)據(jù)歸一與協(xié)同的宏觀智能，分別是數(shù)據(jù)移動在線、產(chǎn)銷協(xié)同與柔性制造、工業(yè)數(shù)字孿生。從微觀到宏觀，這九大場景已經(jīng)基本覆蓋了智能制造的所有關(guān)鍵環(huán)節(jié)，完全可以作為回答智能制造現(xiàn)階段問題的著力點(diǎn)。
場景一：數(shù)據(jù)移動在線化
去年12月工信部等八個(gè)部門正式印發(fā)《“十四五”智能制造發(fā)展規(guī)劃》，明確到2035年，規(guī)模以上制造業(yè)企業(yè)全面普及數(shù)字化網(wǎng)絡(luò)化，重點(diǎn)行業(yè)骨干企業(yè)基本實(shí)現(xiàn)智能化。中國工程院院士李培根進(jìn)一步解讀，“發(fā)展智能制造，數(shù)據(jù)是基礎(chǔ)，數(shù)據(jù)是血液”。數(shù)據(jù)融合是制造企業(yè)降低生產(chǎn)各環(huán)節(jié)成本、提高生產(chǎn)效率的關(guān)鍵。
人員的排班排產(chǎn)、產(chǎn)線的調(diào)度優(yōu)化、貨物流轉(zhuǎn)、金融周轉(zhuǎn)等運(yùn)營效率的提速，都需要生產(chǎn)經(jīng)營數(shù)據(jù)的在線化與移動化。數(shù)據(jù)的在線可以讓企業(yè)管理人員在生產(chǎn)、經(jīng)營過程中，依據(jù)實(shí)時(shí)數(shù)據(jù)不斷調(diào)優(yōu)決策。
釘釘發(fā)布的制造行業(yè)解決方案2.0從對生產(chǎn)狀況影響最大的人和設(shè)備著手，讓設(shè)備數(shù)據(jù)、成本數(shù)據(jù)實(shí)時(shí)呈現(xiàn)。“設(shè)備上釘”產(chǎn)品實(shí)現(xiàn)了人與設(shè)備的連接，每一臺設(shè)備都是一個(gè)釘釘賬號，管理人員可在釘釘上查看設(shè)備運(yùn)行狀況，任何設(shè)備故障都可以通過釘釘自動通知到人，讓風(fēng)險(xiǎn)在第一時(shí)間被發(fā)現(xiàn)、被處理；設(shè)備上的生產(chǎn)進(jìn)度，成為采銷、生產(chǎn)計(jì)劃的依據(jù)。
除了“設(shè)備上釘”產(chǎn)品，“碼上制造”的專屬行業(yè)底座，通過生產(chǎn)碼、庫位碼、報(bào)工碼、物料碼等四個(gè)生產(chǎn)環(huán)節(jié)的二維碼，解決制造企業(yè)最核心的進(jìn)（采購）、銷（銷售）、存（倉儲）、生產(chǎn)環(huán)節(jié)數(shù)據(jù)在線化和移動化的難題。
這些能力全面開放給釘釘生態(tài)，在釘釘“制造工作臺”“行業(yè)廣場”上開發(fā)千人千面、個(gè)性化的工作界面，讓企業(yè)自主選擇符合需求的SaaS應(yīng)用，讓更多類似設(shè)備上釘、碼上制造、計(jì)件日結(jié)的創(chuàng)新在釘釘?shù)男袠I(yè)平臺上長出來。
中國民營企業(yè)500強(qiáng)的東方希望集團(tuán)于2017年開始使用釘釘，過去五年間，東方希望在釘釘上開發(fā)了67個(gè)針對不同場景的應(yīng)用，集成到釘釘上，實(shí)時(shí)呈現(xiàn)工廠里的生產(chǎn)狀況和工藝，一旦出現(xiàn)產(chǎn)線異常，便由釘釘自動通知責(zé)任人。
場景二：自適應(yīng)控制
利用生產(chǎn)裝備和工藝的自動化是智能制造在過去幾十年追求的重要目標(biāo)，但是由于生產(chǎn)設(shè)備和生產(chǎn)現(xiàn)場的復(fù)雜性、生產(chǎn)原料的不穩(wěn)定性和環(huán)境變化，生產(chǎn)產(chǎn)線完全依賴傳統(tǒng)的PLC（可編程邏輯控制器）、DCS（分散控制系統(tǒng)）很難做到自動控制，依賴產(chǎn)線工人根據(jù)經(jīng)驗(yàn)判斷各種異常進(jìn)行頻繁的操作控制，也會因?yàn)槠诤徒?jīng)驗(yàn)的差異出現(xiàn)波動。
融合數(shù)據(jù)感知和AI決策的自適應(yīng)控制應(yīng)運(yùn)而生。自適應(yīng)控制基于產(chǎn)線的機(jī)理進(jìn)行建模，根據(jù)歷史記錄，生產(chǎn)結(jié)果數(shù)據(jù)對模型進(jìn)行訓(xùn)練和優(yōu)化，將模型下發(fā)到生產(chǎn)端根據(jù)產(chǎn)線實(shí)時(shí)數(shù)據(jù)推理生產(chǎn)參數(shù)并推薦，最后結(jié)合控制技術(shù)對生產(chǎn)線進(jìn)行閉環(huán)控制。
清潔能源行業(yè)的瀚藍(lán)環(huán)境擁有22個(gè)生活垃圾焚燒發(fā)電項(xiàng)目，日生活垃圾焚燒發(fā)電總規(guī)模33100噸。僅是廣東佛山南海廠區(qū)的六臺焚燒鍋爐，每天就能“消化”近3000噸垃圾，發(fā)電150萬度，足以滿足南海區(qū)16萬戶40萬人的生活用電需求。
整個(gè)垃圾焚燒發(fā)電的過程，為了盡量做到讓垃圾的燃燒更充分、蒸汽更穩(wěn)定，主要是靠鍋爐師傅調(diào)節(jié)焚燒爐的各種參數(shù)。限制發(fā)展的最大阻礙，就出在焚燒過程對人工經(jīng)驗(yàn)的過度依賴。不同工藝專家技術(shù)水平不同，調(diào)出來的效果相差較大。而培養(yǎng)一位合格的工藝專家需要1--2年的時(shí)間，一旦離崗，經(jīng)驗(yàn)也隨之帶走。
企業(yè)亟需將經(jīng)驗(yàn)中的隱性數(shù)據(jù)轉(zhuǎn)化為顯性知識，嵌入到自適應(yīng)控制中，讓機(jī)器協(xié)助人類來完成焚燒過程的復(fù)雜決策與控制。垃圾的充分穩(wěn)定燃燒，過程中充斥著復(fù)雜的物理與化學(xué)變化，涉及多達(dá)2000個(gè)實(shí)時(shí)測點(diǎn)數(shù)據(jù)。第一步需要大量的數(shù)據(jù)計(jì)算，識別出最關(guān)鍵的30個(gè)測點(diǎn)數(shù)據(jù)，包括推料進(jìn)程、推料動作、一次風(fēng)量、一次風(fēng)壓、二次風(fēng)量、爐膛溫度、煙氣含氧量、主蒸汽壓力等。
第二步，鎖定關(guān)鍵參數(shù)后，輸入到工業(yè)大腦平臺上的仿真預(yù)測模型，進(jìn)行垃圾焚燒過程的模型訓(xùn)練，實(shí)時(shí)預(yù)測焚燒產(chǎn)生的蒸汽情況。通過對每次垃圾推料的前后關(guān)系分析，比如推料前的爐型狀態(tài)、推料動作，以及推料后的焚燒反應(yīng)，構(gòu)建數(shù)據(jù)的輸入輸出關(guān)系模型。訓(xùn)練過的焚燒爐蒸汽量仿真預(yù)測模型可以準(zhǔn)確預(yù)測90秒后的蒸汽量，準(zhǔn)確度到達(dá)95%，為后續(xù)推料提供決策依據(jù)。
第三步，算法模型分析的結(jié)果通過API接口把推薦工藝參數(shù)實(shí)時(shí)提供出來。構(gòu)建人機(jī)交互界面，部署到工廠控制室,輔助工人決策什么時(shí)候該推料，以及如何推料等操作建議。過去操作員4個(gè)小時(shí)內(nèi)需要操作30次，才能讓垃圾焚燒過程保持穩(wěn)定，而如今在AI的協(xié)助下，干預(yù)6次即可。工業(yè)大腦輔助對比單純?nèi)斯げ僮�，可以提升約1%--2%的蒸汽產(chǎn)量，鍋爐蒸汽量穩(wěn)定性提升20%。
第四步，算法直接與鍋爐系統(tǒng)連接，實(shí)現(xiàn)對垃圾焚燒過程的自動控制。由人控制機(jī)器轉(zhuǎn)為人監(jiān)測機(jī)器、無需干預(yù)，降低對人工經(jīng)驗(yàn)的依賴。
場景三：工藝優(yōu)化
工藝，是一家企業(yè)如何利用生產(chǎn)工具對各種原材料、半成品進(jìn)行加工或處理，使之成為產(chǎn)品的方法，包括鑄造、鍛壓、機(jī)械加工、熱處理、焊接、裝配、油漆等工藝類別。
一方面，各個(gè)行業(yè)都有自己的通用數(shù)字工具和自動化設(shè)備，如CAPP（計(jì)算機(jī)輔助工藝過程設(shè)計(jì)系統(tǒng)）。另一方面，企業(yè)自主研發(fā)創(chuàng)新、經(jīng)驗(yàn)總結(jié)的加工方法，可以成為企業(yè)自己的獨(dú)門秘籍，比如毛坯制作、機(jī)械加工、熱處理等各個(gè)環(huán)節(jié)先后順序的優(yōu)化，都可以提高生產(chǎn)效率、降低生產(chǎn)成本、提升產(chǎn)品質(zhì)量，是一家工業(yè)企業(yè)最核心的競爭力。
每家制造業(yè)企業(yè)都規(guī)定了產(chǎn)品的工藝路線、機(jī)器設(shè)備和加工模具的種類、品名及編號、檢驗(yàn)方法等，是組織生產(chǎn)和工人進(jìn)行生產(chǎn)操作的重要依據(jù)。
過去20年中國制造業(yè)的工藝優(yōu)化，主要聚焦于兩個(gè)方面：引進(jìn)國外的輔助工藝設(shè)計(jì)系統(tǒng)和培養(yǎng)有經(jīng)驗(yàn)的專家。今天，則轉(zhuǎn)向了數(shù)據(jù)智能。
工藝優(yōu)化的案例是攀鋼集團(tuán)。脫硫是鋼鐵生產(chǎn)過程中的一個(gè)重要環(huán)節(jié)，硫工藝的好壞可以拿來評判中國鋼鐵與德國鋼鐵的重要差距。由于硫化物會降低鋼的韌性，所以工人師傅傾向于多加脫硫反應(yīng)劑。但反應(yīng)后產(chǎn)生的脫硫渣會帶走大量金屬料，每個(gè)爐次以220噸計(jì)，脫硫渣量均值為5噸，其中鐵損占比約為40%--55%。假設(shè)脫硫劑的加入量降低10%，理論上可降低0.8--1kg/噸的鋼料消耗。
第一步，構(gòu)建仿真模型：基于歷史數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù)，構(gòu)建脫硫預(yù)測模型。通過結(jié)合脫硫劑加入量、噴吹速率等十多個(gè)關(guān)鍵參數(shù)，模擬脫硫全過程，并配合參數(shù)優(yōu)化模型，檢驗(yàn)不同組參數(shù)的合理性及有效性。
第二步，參數(shù)尋優(yōu)模型：結(jié)合機(jī)器學(xué)習(xí)與老師傅的經(jīng)驗(yàn)，識別脫硫過程中的對脫硫結(jié)果影響最大的參數(shù)，包括鈍化鎂加入量、鈍化石灰加入配比、平均流量、噴吹時(shí)長等，通過尋優(yōu)模型識別參數(shù)間的最優(yōu)關(guān)系。再回歸到仿真模型中進(jìn)行反復(fù)驗(yàn)證，最終得到最優(yōu)參數(shù)：在滿足脫硫效果的前提下，找到最小脫硫劑加入量的那組“配方”。
第三步，脫硫操作人員根據(jù)推送的推薦參數(shù)，動態(tài)調(diào)節(jié)脫硫劑的加入量，減少脫硫劑的消耗。
對年產(chǎn)值400萬噸鋼的攀鋼西昌鋼釩基地來說，每年減少1700萬元損失。
生產(chǎn)工藝優(yōu)化的解決方案，已經(jīng)在鋼鐵、水泥、固廢、化工、
光 伏等多個(gè)行業(yè)場景中得到實(shí)踐。
場景四：能耗優(yōu)化
能耗優(yōu)化直接關(guān)乎“十四五規(guī)劃和2035遠(yuǎn)景目標(biāo)”中“雙碳目標(biāo)”的達(dá)成，已經(jīng)成為流程制造企業(yè)發(fā)展的重中之重�！吨袊鲜泄咎寂欧排判邪瘢�2021）》顯示，登榜的100家A股和港股上市的高碳排放公司，分布在石化、化工、建材（水泥）、鋼鐵、有色、造紙、電力、航空八大高耗能行業(yè)。八大重點(diǎn)高能耗行業(yè)中的六個(gè)，都屬于“大制造業(yè)”。傳統(tǒng)制造業(yè)的高端化、智能化、綠色化，提高了制造業(yè)對新技術(shù)的發(fā)展要求。
水泥行業(yè)有著很高的煤耗和電耗，水泥的“兩磨一燒”工藝（生料磨、回轉(zhuǎn)窯與水泥粉磨），是保障水泥品質(zhì)穩(wěn)定的主要因素。
2021年，海螺水泥作為亞洲最大的水泥熟料供應(yīng)商，敏銳地洞察到傳統(tǒng)的APC（生產(chǎn)優(yōu)化系統(tǒng)）迭代能力跟不上業(yè)務(wù)需要，軟件適應(yīng)性不強(qiáng)、數(shù)字化沉淀和復(fù)用受限，造成全局優(yōu)化能力不佳的結(jié)果，果斷利用阿里云工業(yè)大腦AICS平臺，聚焦于水泥產(chǎn)線的“兩磨一燒”核心場景，完成能耗優(yōu)化和工藝優(yōu)化，分為下面幾步。
第一步：數(shù)據(jù)采集與清洗。結(jié)合工藝專家經(jīng)驗(yàn)，水泥工業(yè)大腦首先將生產(chǎn)系統(tǒng)、控制系統(tǒng)、設(shè)備管理系統(tǒng)、能源管理系統(tǒng)中的海量數(shù)據(jù)進(jìn)行提取，包括質(zhì)檢數(shù)據(jù)、DCS數(shù)據(jù)、環(huán)境數(shù)據(jù)等。同時(shí)對數(shù)據(jù)進(jìn)行清洗，剔除噪音數(shù)據(jù)或無效數(shù)據(jù)，補(bǔ)充缺失數(shù)據(jù)，為下一步模型訓(xùn)練提供高質(zhì)量的數(shù)據(jù)資產(chǎn)。
第二步：模型搭建。采用先進(jìn)的機(jī)器學(xué)習(xí)算法、神經(jīng)網(wǎng)絡(luò)算法，結(jié)合先進(jìn)過程控制模型，對所收集到的多維度數(shù)據(jù)進(jìn)行建模，真實(shí)還原水泥產(chǎn)線上的實(shí)際生產(chǎn)過程。并通過對大數(shù)據(jù)模型的參數(shù)進(jìn)行調(diào)節(jié)，以實(shí)現(xiàn)從輸入?yún)?shù)到輸出參數(shù)的非線性映射關(guān)系。
第三步：機(jī)器學(xué)習(xí)。通過采集六個(gè)月的歷史數(shù)據(jù)，分析多達(dá)上百個(gè)變量之間的耦合關(guān)系，并對模型的輸出進(jìn)行預(yù)測，使風(fēng)、煤、料的最佳組合范圍可量化、可視化，達(dá)到同等產(chǎn)量熟料質(zhì)量最好；同等質(zhì)量情況下，產(chǎn)量最高；或是同質(zhì)同產(chǎn)情況下，能耗最低。
第四步：在線控制。最終生產(chǎn)線工藝參數(shù)的設(shè)定，會結(jié)合工藝參數(shù)范圍、步長信息、工藝參數(shù)實(shí)時(shí)值等，由水泥工業(yè)大腦進(jìn)行多變量綜合分析，實(shí)時(shí)針對各工況的產(chǎn)量、質(zhì)量、能耗多目標(biāo)進(jìn)行尋優(yōu)，推薦一組最佳的工藝參數(shù)實(shí)時(shí)反寫回分散控制系統(tǒng)，實(shí)現(xiàn)水泥核心生產(chǎn)過程的自動駕駛、無人值守。
海螺水泥僅僅兩個(gè)月時(shí)間，就實(shí)現(xiàn)了高自動控制的水泥工藝優(yōu)化。在這個(gè)過程中，降低了2%--3%的能耗。對于水泥日產(chǎn)量1.2萬噸的工廠來說，這一能耗節(jié)省非�？捎^。在后來的一段時(shí)間，逐步完成了全局優(yōu)化的節(jié)能測試。結(jié)果顯示，該系統(tǒng)的節(jié)能水平超過了國外知名廠商同類型軟件的節(jié)能水平。
以上自適應(yīng)控制、工藝優(yōu)化、能耗優(yōu)化的案例能夠清晰地看到，基本解決方案路徑：收集歷史數(shù)據(jù)--鎖定關(guān)鍵參數(shù)--構(gòu)建算法模型--用實(shí)時(shí)數(shù)據(jù)驗(yàn)證算法模型，并進(jìn)行調(diào)優(yōu)--輸出動態(tài)參數(shù)推薦，或連接自動化控制系統(tǒng)。
路徑和方法都是一致的，難度就在于找到海量參數(shù)里的因果關(guān)系，并構(gòu)建優(yōu)質(zhì)的算法模型，這兩個(gè)節(jié)點(diǎn)的突破，則取決于數(shù)據(jù)智能的科學(xué)家和行業(yè)老師傅都具備卓越的專業(yè)能力和合作能力，同時(shí)需要一套專家知識系統(tǒng)。
場景五：專家知識系統(tǒng)
從以上場景，不難發(fā)現(xiàn)：在工業(yè)領(lǐng)域，傳統(tǒng)經(jīng)驗(yàn)知識的總結(jié)環(huán)節(jié)非常需要數(shù)據(jù)智能技術(shù)的加持。即便是有些制造業(yè)企業(yè)建立了數(shù)字化的專家系統(tǒng)，把專家經(jīng)驗(yàn)進(jìn)行文檔累積，但是實(shí)際情況中，把數(shù)據(jù)經(jīng)驗(yàn)輸入到專家系統(tǒng)費(fèi)時(shí)費(fèi)力，每條記錄的經(jīng)驗(yàn)數(shù)據(jù)之間缺乏聯(lián)系，仍然很難形成“數(shù)據(jù)資產(chǎn)”。
在智能制造的時(shí)代，AI知識圖譜作為人工智能的一個(gè)分支領(lǐng)域，具有“知識抽取”和“知識關(guān)聯(lián)”的能力，值得被作為一個(gè)單獨(dú)的解決方案提供給更多的制造業(yè)企業(yè)，在業(yè)內(nèi)被稱為專家知識系統(tǒng)。
阿里云知識圖譜系統(tǒng)，匯集各種應(yīng)用場景下的數(shù)據(jù)，向知識圖譜的開發(fā)人員以及運(yùn)營管理人員，提供了可視化的工具平臺，將留存在企業(yè)系統(tǒng)中的結(jié)構(gòu)化、標(biāo)注、規(guī)范、案例記錄和人的經(jīng)驗(yàn)等知識數(shù)據(jù)源轉(zhuǎn)化為計(jì)算機(jī)可以識別的知識圖譜數(shù)據(jù)，簡化了傳統(tǒng)知識累積的方法，有效提升了知識圖譜的構(gòu)建效率，降低了經(jīng)驗(yàn)獲取和傳承的成本。
電網(wǎng)等工業(yè)企業(yè)經(jīng)常會在極端天氣情況下緊急處理設(shè)備故障，利用知識圖譜，把設(shè)備檢修規(guī)程導(dǎo)則、以往故障報(bào)告和設(shè)備維修專家的知識數(shù)據(jù)，形成電力行業(yè)的專業(yè)知識圖譜，開發(fā)基于知識圖譜的故障研判算法引擎。
故障發(fā)生時(shí)，拍照或語音問詢，利用圖像識別和自然語言處理能力，為故障搶修人員提供相關(guān)案例，提供引導(dǎo)式的修復(fù)方案，輔助執(zhí)行，迅速提升故障處置能力，降低故障處理難度，縮短了故障處理時(shí)間。
近年來，城市配電網(wǎng)規(guī)模爆發(fā)式增長。
以杭州城區(qū)為例，10KV的線路從1200條增加至2000多條，對效率、安全作業(yè)提出了更高要求。國家電網(wǎng)下屬杭州供電公司是杭州的配網(wǎng)指揮中樞，負(fù)責(zé)電網(wǎng)監(jiān)測、電網(wǎng)檢修、故障處置等工作。每個(gè)杭電調(diào)度員每天需撥打100多個(gè)電話，實(shí)時(shí)監(jiān)控500多條電力信息。碰上早晚高峰，40多通電話一齊涌入，調(diào)度員需同時(shí)協(xié)調(diào)4--6個(gè)執(zhí)行單位，故障現(xiàn)場也要長時(shí)間等待。
針對這些問題，“虛擬配網(wǎng)調(diào)度員”應(yīng)運(yùn)而生，阿里云為電力行業(yè)引入前沿的阿里云知識圖譜技術(shù)。
如今，“虛擬調(diào)度員”對數(shù)千條城市電網(wǎng)電路如數(shù)家珍，可提前安排作業(yè)、現(xiàn)場核對作業(yè)、事后自動歸檔。一旦突發(fā)停電、斷電，“虛擬調(diào)度員”通過釘釘可在1分鐘內(nèi)安排好相關(guān)人員，啟動檢修。
“虛擬調(diào)度員”還學(xué)習(xí)消化了30多萬份的檢修歷史記錄，總結(jié)出可供實(shí)時(shí)決策的數(shù)據(jù)，形成了電力配網(wǎng)知識圖譜。在釘釘上，一線電工可以和虛擬調(diào)度員直接對話，實(shí)時(shí)獲得協(xié)助。設(shè)備歷史信息隨問隨答，是個(gè)“問不倒的機(jī)器人”。
知識圖譜生產(chǎn)是一整套系統(tǒng)，涉及結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，需要大數(shù)據(jù)技術(shù)。半結(jié)構(gòu)化和非結(jié)構(gòu)化的知識經(jīng)驗(yàn)、信息處理，則需要自然語言處理技術(shù)，處理為算法框架可以分析的數(shù)據(jù)。另外，知識圖譜本體構(gòu)建管理、知識圖譜抽取前端交互、知識圖譜查詢和計(jì)算服務(wù)、知識圖譜存儲，后臺的系統(tǒng)管理和調(diào)度運(yùn)維服務(wù)組件，甚至包括部署環(huán)境等技術(shù)能力也是知識圖譜構(gòu)建的一部分。最終作為PaaS級產(chǎn)品，知識圖譜會基于通用底座，結(jié)合商業(yè)系統(tǒng)定制開發(fā)適合不同企業(yè)的知識圖譜平臺，提供應(yīng)用能力。
場景六：智能質(zhì)檢
制造業(yè)的質(zhì)量檢測，可以應(yīng)用于產(chǎn)品的最終質(zhì)檢、物料制造的表檢，利用AI視覺識別技術(shù)來模擬人的視覺功能，從客觀圖像中提取信息，加以理解并進(jìn)行處理，最終用于實(shí)際檢測、測量和控制。AI視覺系統(tǒng)被應(yīng)用于各行業(yè)的生產(chǎn)中，如觸摸屏、激光加工、太陽能電池板、半導(dǎo)體、食品飲料、制藥、消費(fèi)電子產(chǎn)品加工、汽車制造等提升產(chǎn)品成品率和良品率，是一種應(yīng)用較為廣泛和成熟的解決方案。
因?yàn)橐揽咳说囊曈X進(jìn)行的質(zhì)量檢測，會受到疲勞程度、精神集中程度的較大影響，所以只能采用抽檢的方法，才能節(jié)省相應(yīng)人力，即便如此，準(zhǔn)確的穩(wěn)定性也會因?yàn)槿说脑虺霈F(xiàn)波動。阿里云機(jī)器視覺智能技術(shù)采用深度學(xué)習(xí)和圖像處理算法，比傳統(tǒng)機(jī)器視覺檢測更精準(zhǔn)、漏檢率更低。在數(shù)據(jù)中臺的基礎(chǔ)上，進(jìn)行數(shù)據(jù)的采集、標(biāo)注、訓(xùn)練和算法模型調(diào)優(yōu)，自動識別圖像中的瑕疵或故障。
隨著鋼鐵行業(yè)受到環(huán)保、雙碳等政策壓力越來越大，鋼鐵企業(yè)的競爭越來越激烈，開始從原有的拼產(chǎn)能，向拼質(zhì)量、拼效率發(fā)展的趨勢越來越明顯。鋼鐵產(chǎn)品的金相組織評級是反映產(chǎn)品質(zhì)量高低的重要方法手段之一。該方法采用定量金相學(xué)原理，由二維金相試樣磨面或薄膜的金相顯微組織的測量，來確定合金組織的三維空間形貌，從而建立合金成分、組織和性能間的定量關(guān)系。金相分析技術(shù)在鋼鐵行業(yè)應(yīng)用最為常見，產(chǎn)品越高端對金相檢測要求越嚴(yán)格，尤其是特鋼和工業(yè)線材。
以攀鋼西昌鋼釩和韶關(guān)鋼鐵為例，他們的產(chǎn)品分別為汽車板材和建筑用鋼，鋼鐵廠每生產(chǎn)一批次相同牌號的鋼鐵產(chǎn)品，需要在鋼卷產(chǎn)品中選取2--3卷進(jìn)行取樣分析，鋼卷中不同部位的鋼鐵試樣，送往檢驗(yàn)中心完成專業(yè)的組織性能檢驗(yàn)。每天檢驗(yàn)的試樣數(shù)約為90個(gè)，一個(gè)檢驗(yàn)中心配備3位檢驗(yàn)工程師，平均每人需要完成30個(gè)金相試樣的檢測。除了金相檢測任務(wù)以外，他們還需要完成樣品制作、性能試驗(yàn)、質(zhì)檢分析等各類工作，金相檢測工作人員的工作任務(wù)非常繁重。鋼鐵企業(yè)的產(chǎn)品質(zhì)量評估，承擔(dān)著重大風(fēng)險(xiǎn)，金相組織性能偏差帶來的產(chǎn)品質(zhì)量異議，建筑企業(yè)等產(chǎn)品用戶帶來生命財(cái)產(chǎn)的安全隱患，鋼鐵企業(yè)也會有巨大的經(jīng)濟(jì)賠償。與此同時(shí)，金相檢測的專業(yè)要求，也是鋼鐵企業(yè)招聘和培養(yǎng)專業(yè)人才的一大挑戰(zhàn)。
基于此，阿里云結(jié)合深度學(xué)習(xí)和人工智能算法和積累的金相圖譜數(shù)據(jù)，為鋼鐵企業(yè)建立了一套智能金相檢測系統(tǒng)，打造了一個(gè)“虛擬金相檢驗(yàn)專家”，通過軟硬一體的方式，實(shí)現(xiàn)了金相檢測的自動化和無人化，普通的檢驗(yàn)工在完成試驗(yàn)制樣后，通過簡單的軟件操作即可完成金相評級工作。智能金相檢測系統(tǒng)，已經(jīng)積累了上萬張金相圖譜樣本，能夠準(zhǔn)確完成鋼鐵行業(yè)80%的金相檢測任務(wù)，包括晶粒度評級、非金屬夾雜物識別、脫碳層深度測量、索氏體占比測量等。極大地解放了檢驗(yàn)專家的工作量，為鋼鐵產(chǎn)品質(zhì)量標(biāo)準(zhǔn)化和人員效率提升帶來了重要的技術(shù)支撐，也為缺乏專業(yè)知識人才的民營鋼鐵企業(yè)帶來了一位久經(jīng)沙場的金相“老師傅”。
視覺AI能力不僅僅用于生產(chǎn)流程中，類似廢鋼定級也是用視覺進(jìn)行質(zhì)量分類定級的一種方法。廢鋼定級作業(yè)環(huán)境一般比較惡劣，質(zhì)檢員每次需要攀高四五米的大貨車車頂，對車內(nèi)廢鋼進(jìn)行近距離觀察。不僅勞動強(qiáng)度大、作業(yè)風(fēng)險(xiǎn)高，而且依賴肉眼識別，難以量化和標(biāo)準(zhǔn)化。
晉南鋼鐵集團(tuán)與阿里巴巴達(dá)摩院、西安智者云集云計(jì)算有限公司合作，研發(fā)了廢鋼AI定級系統(tǒng)。這套系統(tǒng)借助深度學(xué)習(xí)算法和AI視覺識別技術(shù)，可以實(shí)時(shí)抓拍廢鋼車輛的卸料過程并逐層采樣，對卸貨過程進(jìn)行單層判級和最終整車判級，識別不達(dá)標(biāo)廢鋼和雜質(zhì)、異物，計(jì)算出整車扣重的預(yù)估值，還能對異物報(bào)警提示。
目前，阿里云質(zhì)檢場景已經(jīng)應(yīng)用到鋼鐵、電力、化工、光伏等多個(gè)領(lǐng)域。
場景七：預(yù)測性維護(hù)
工業(yè)企業(yè)的設(shè)備管理維護(hù)手段的發(fā)展經(jīng)歷了四個(gè)階段：被動性維護(hù)（RM）、狀態(tài)性維護(hù)（CM）、預(yù)防性維護(hù)（PM）、預(yù)測性維護(hù)（PHM）。
顧名思義，被動性維護(hù)（RM）就是在設(shè)備壞了之后再開始相關(guān)的維護(hù)維修工作，比如場景四給出的“虛擬配網(wǎng)調(diào)度員”解決方案；狀態(tài)性維護(hù)（CM）是基于設(shè)備運(yùn)行狀態(tài)和現(xiàn)象對設(shè)備進(jìn)行相關(guān)的維護(hù)維修工作；預(yù)防性維護(hù)（PM）就是在設(shè)備出現(xiàn)問題之前，基于可靠性分析和設(shè)備運(yùn)行經(jīng)驗(yàn)定期對設(shè)備進(jìn)行維護(hù)工作；預(yù)測性維護(hù)（PHM）是在設(shè)備出現(xiàn)問題之前，結(jié)合可靠性分析、設(shè)備機(jī)理、設(shè)備運(yùn)行維護(hù)的歷史經(jīng)驗(yàn)以及設(shè)備運(yùn)行狀態(tài)對設(shè)備的壽命、故障、異常及健康情況作出相對應(yīng)的分析和預(yù)測，讓設(shè)備維護(hù)團(tuán)隊(duì)能夠在故障發(fā)生之前，提前做好維護(hù)措施，避免設(shè)備故障發(fā)生，提前做好備件儲備、降低設(shè)備的停機(jī)時(shí)間。
預(yù)測性維護(hù)能減少設(shè)備周期性的維護(hù)成本和備件成本，實(shí)現(xiàn)對設(shè)備全生命周期的精準(zhǔn)把控。做到設(shè)備故障提前預(yù)防，維護(hù)維修策略精準(zhǔn)高效，設(shè)備管理維護(hù)成本精細(xì)可控。
現(xiàn)階段的工業(yè)企業(yè)還停留在狀態(tài)性維護(hù)和預(yù)防性維護(hù)的階段，大多數(shù)企業(yè)都是通過周期性的人工定檢以確保當(dāng)前狀態(tài)下設(shè)備無異常，先進(jìn)的企業(yè)還會基于可靠性做一些設(shè)備狀態(tài)分析的巡檢計(jì)劃以實(shí)現(xiàn)預(yù)防性的維護(hù)。
鑒于IoT的成本優(yōu)勢和部署靈活的優(yōu)勢，很多企業(yè)開始積累關(guān)鍵設(shè)備上的傳感器、檢測儀表等數(shù)據(jù)，對設(shè)備的故障及時(shí)發(fā)現(xiàn)，預(yù)先處理，降低停機(jī)損失，已經(jīng)逐步向預(yù)測性維護(hù)的方向發(fā)展。但受制于工業(yè)企業(yè)薄弱的數(shù)據(jù)和算法基礎(chǔ)，即便是擁有了大量的設(shè)備運(yùn)行數(shù)據(jù)，也無法高效、合理地管理數(shù)據(jù)和利用數(shù)據(jù)，隱藏在這些設(shè)備數(shù)據(jù)之中的價(jià)值很難發(fā)揮出來。這給工業(yè)設(shè)備預(yù)測性維護(hù)的先行企業(yè)帶來了極大的困擾。
基于此，阿里云結(jié)合5G在園區(qū)和廠礦等有限空間的高帶寬、低延時(shí)的優(yōu)勢，建立集中設(shè)備、生產(chǎn)線、廠房內(nèi)系統(tǒng)運(yùn)行監(jiān)測平臺，各類監(jiān)測數(shù)據(jù)可以實(shí)現(xiàn)一定空間內(nèi)業(yè)務(wù)的全鏈路連接；并且整合了多年的大數(shù)據(jù)存儲、計(jì)算和算法技術(shù)積累，構(gòu)建了一套綜合了專家積累經(jīng)驗(yàn)的智能設(shè)備管理操作系統(tǒng)，以實(shí)現(xiàn)預(yù)測性維護(hù)為目標(biāo)，在傳統(tǒng)的設(shè)備管理基礎(chǔ)上形成了一套體系化的智能設(shè)備管理工具。
例如，通過工業(yè)大數(shù)據(jù)引擎，解決設(shè)備數(shù)據(jù)實(shí)時(shí)、高效、便捷的存儲、管理和調(diào)用問題；通過傳統(tǒng)的基準(zhǔn)管理、標(biāo)準(zhǔn)管理、巡檢管理、備件管理等業(yè)務(wù)模塊解決企業(yè)的傳統(tǒng)設(shè)備管理體系缺失問題；通過智能自主設(shè)備診斷系統(tǒng)，解決企業(yè)設(shè)備的故障診斷分析過程中，缺乏懂設(shè)備、懂振動知識的專業(yè)人才問題；通過數(shù)字孿生工具，解決企業(yè)的巡檢人員覆蓋不足、提升巡檢效率的問題；通過構(gòu)建VR、AR和數(shù)字孿生的結(jié)合搭建虛擬檢修環(huán)境，解決設(shè)備管理人員的技能培訓(xùn)和知識沉淀問題；通過知識圖譜和虛擬檢修專家，解決設(shè)備故障高效的問題；通過釘釘?shù)痛a構(gòu)建移動設(shè)備管理體系，解決設(shè)備管理及時(shí)性、便捷性和敏捷迭代的問題；通過智能備件庫存調(diào)度，解決設(shè)備維護(hù)的備件庫存成本優(yōu)化問題......
預(yù)測性維護(hù)是一套系統(tǒng)化工程，必須從管理模式創(chuàng)新、專家經(jīng)驗(yàn)沉淀、人員效率提升等多方面，為工業(yè)企業(yè)提供技術(shù)支撐。
場景八：產(chǎn)銷協(xié)同柔性制造
在離散制造場景中，如快消品、小家電、家具、消費(fèi)電子產(chǎn)品的制造，隨著消費(fèi)者定制化需求越來越多，隨著需求側(cè)秒殺、促銷活動變得越來越頻繁，多品種、小批量按需生產(chǎn)的柔性能力要求越來越高。
但按訂單組織生產(chǎn)是離散制造業(yè)的行業(yè)慣例，傳統(tǒng)APS（排程排產(chǎn)系統(tǒng)）在訂單在突然涌入臨時(shí)變更時(shí)，很難發(fā)揮效果。
為了實(shí)現(xiàn)產(chǎn)銷協(xié)同、柔性制造，阿里云給出的“調(diào)度優(yōu)化-產(chǎn)銷協(xié)同”解決方案主要包含六個(gè)方面：
一、通過MRP（物資需求計(jì)劃）運(yùn)算計(jì)算精確的物料需求；
二、精細(xì)化設(shè)計(jì)工序與設(shè)備的生產(chǎn)計(jì)劃和人員需求，提升主計(jì)劃排產(chǎn)速度和效率；
三、使計(jì)劃結(jié)果可視化，提升計(jì)劃協(xié)同性；四、與MES、ERP信息化系統(tǒng)聯(lián)動，滾動計(jì)劃；
五、分析物料欠料的需求時(shí)間和數(shù)量，推送欠料信息，輔助物料跟催；
六、進(jìn)行訂單的預(yù)測，計(jì)算預(yù)計(jì)產(chǎn)能需求，預(yù)估產(chǎn)能的瓶頸工序，
提前預(yù)測轉(zhuǎn)發(fā)訂單。
在實(shí)踐中，阿里云幫助蒙牛用商流驅(qū)動供應(yīng)鏈物流，用大數(shù)據(jù)技術(shù)打通從“牛”到“人”的端到端信息流，實(shí)現(xiàn)橫跨“三大產(chǎn)業(yè)”的供應(yīng)鏈?zhǔn)袌龌咝f(xié)同。生產(chǎn)計(jì)劃與市場銷售高度同步，“奶源--工廠--倉儲--客戶”布局一致。在工廠一級，利用基于數(shù)據(jù)中臺的“調(diào)度優(yōu)化-產(chǎn)銷協(xié)同”解決方案應(yīng)對突然變化的產(chǎn)能挑戰(zhàn)。
根據(jù)阿里云對30多家服務(wù)企業(yè)的統(tǒng)計(jì)，構(gòu)建于數(shù)據(jù)中臺和業(yè)務(wù)中臺的阿里云產(chǎn)供銷協(xié)同體系，可實(shí)現(xiàn)制造周期縮短34%，用工成本降低15%，報(bào)表統(tǒng)計(jì)和匯總時(shí)間減少65%，溝通時(shí)間減少55%，成品庫存降低20%，生產(chǎn)零部件的庫存降低35%。
產(chǎn)銷協(xié)同、柔性生產(chǎn)的需求，不只來自阿里云的客戶，也來自阿里云客戶的客戶，與有搭建行業(yè)平臺能力的企業(yè)合作，構(gòu)建柔性生產(chǎn)的平臺能力也尤為重要。
埃夫特是科創(chuàng)板上市的一家工業(yè)機(jī)器人和跨行業(yè)智能制造解決方案服務(wù)商，在焊裝系統(tǒng)、智能噴涂系統(tǒng)、拋光打磨等領(lǐng)域，為合作伙伴提供智能機(jī)器人的解決方案。
埃夫特對柔性制造提出需求，是因?yàn)楣I(yè)機(jī)器人的使用來自很多中小企業(yè)，它們的生產(chǎn)業(yè)務(wù)模式是小批量混線生產(chǎn)。
而大量批量小、來料規(guī)格差異較大的生產(chǎn)線，使用的機(jī)器人需要適應(yīng)應(yīng)用場景變化，一旦換線，機(jī)器人就需要重新編程和調(diào)試。本來整個(gè)機(jī)器人工藝算法編程工程師人才就非常稀缺，中小企業(yè)更沒有能力儲備專業(yè)的工程師，成本過高，導(dǎo)致很多企業(yè)無法承受。“有編程的功夫，還不如找個(gè)老師傅直接噴涂了”，埃夫特公司總經(jīng)理兼總工程師游瑋說。
埃夫特機(jī)器人聯(lián)合阿里云，集合國產(chǎn)自研機(jī)器人技術(shù)開發(fā)基于“云+AI”的開放式物聯(lián)網(wǎng)控制優(yōu)化系統(tǒng)，實(shí)現(xiàn)智能機(jī)器人云平臺的建模、仿真、優(yōu)化、控制能力，完成云端模型訓(xùn)練、邊緣計(jì)算、機(jī)器人執(zhí)行三位一體智能協(xié)同，打造了行業(yè)內(nèi)首個(gè)云邊端一體化“機(jī)器人云平臺”。
開發(fā)者可以利用業(yè)務(wù)編排工具通過拖拉拽的方式對數(shù)據(jù)組件、算法組件進(jìn)行任意的組裝，降低埃夫特的客戶的工程師編程與算法應(yīng)用的門檻，提高機(jī)器人典型作業(yè)場景下的智能化和小批量混線生產(chǎn)的柔性要求，并一定程度上彌補(bǔ)中小工廠工程師的不足，為用不起、不會用機(jī)器人的中小企業(yè)提供更友好的智能化解決方案，促進(jìn)中小制造業(yè)企業(yè)的轉(zhuǎn)型升級。
場景九：數(shù)字孿生
工業(yè)數(shù)字孿生，在不久的將來，將成為智能制造的核心環(huán)節(jié)，也是數(shù)字工廠的核心數(shù)字底座。它貫穿了制造業(yè)企業(yè)研發(fā)、采購、生產(chǎn)、銷售、服務(wù)等全業(yè)務(wù)場景，打通企業(yè)設(shè)計(jì)仿真平臺、訂單預(yù)測、供應(yīng)鏈優(yōu)化、能耗優(yōu)化、工藝優(yōu)化、用戶/經(jīng)銷商畫像、營銷推薦、智能客服、智能運(yùn)維等系統(tǒng)數(shù)據(jù)，讓企業(yè)決策者可以實(shí)時(shí)掌握工廠各環(huán)節(jié)的運(yùn)作精細(xì)狀況。
簡單來講，就是要從一個(gè)更宏觀的層面，用數(shù)據(jù)構(gòu)建和虛擬模型來精細(xì)化管理企業(yè)的生產(chǎn)運(yùn)營情況，從而快速決策、指導(dǎo)生產(chǎn)。甚至，也可以模擬仿真各種決策的業(yè)務(wù)結(jié)果，實(shí)現(xiàn)決策和經(jīng)營的彈性。
一汽紅旗繁榮工廠就是一個(gè)正在實(shí)踐工業(yè)數(shù)字孿生的例子，阿里云提供了智能工廠建設(shè)全方位數(shù)字化解決方案，在大數(shù)據(jù)平臺、AI平臺、數(shù)據(jù)中臺之上，利用數(shù)字孿生技術(shù)，打造國內(nèi)首個(gè)100%國產(chǎn)化的汽車智能制造標(biāo)桿，打造實(shí)時(shí)在線、及時(shí)分析、智能決策的全鏈路智能化工廠。也是首次采用完全自研的數(shù)采監(jiān)控軟件，接入五大車間數(shù)百萬個(gè)點(diǎn)位，數(shù)采頻次最高可達(dá)200毫秒，超過國內(nèi)外其他數(shù)采軟件廠商。
在一汽紅旗新能源汽車工廠，海量的數(shù)據(jù)匯入統(tǒng)一的數(shù)據(jù)中臺，自動生成數(shù)據(jù)API服務(wù)，隨時(shí)調(diào)取，全面融合傳統(tǒng)信息化系統(tǒng)，形成“業(yè)務(wù)應(yīng)用--數(shù)據(jù)沉淀--數(shù)據(jù)智能引擎--業(yè)務(wù)應(yīng)用”的閉環(huán)管理，用數(shù)字孿生技術(shù)，全面提升企業(yè)生產(chǎn)管理及決策分析能力。
結(jié)語
上述九大智能制造場景，已經(jīng)在領(lǐng)軍和有前瞻力的制造業(yè)企業(yè)中打造標(biāo)桿，但仍然是探索智能制造的初級階段。今天，很多智能制造還大都處于“智能+制造”的狀態(tài)，智能技術(shù)對于制造業(yè)的生產(chǎn)系統(tǒng)來說，起到的是錦上添花的作用。但是已經(jīng)能夠看到部分智能技術(shù)逐步嘗試成為生產(chǎn)的核心系統(tǒng)，中國作為制造業(yè)強(qiáng)國和大國，勢必會有更多的制造業(yè)企業(yè)探索出核心產(chǎn)線系統(tǒng)的智能化路徑，數(shù)據(jù)智能技術(shù)會徹底融入核心系統(tǒng)，成為生產(chǎn)經(jīng)營的必不可少的部分。內(nèi)生智能的路徑探索和大范圍落地，還需要業(yè)界伙伴的共同努力。
中國的制造業(yè)，無論是流程制造還是離散制造，都遇到了進(jìn)一步發(fā)展的瓶頸期。對于流程制造來說，如水泥、鋼鐵，表現(xiàn)比較明顯的是能源利用率的提升問題——特別是進(jìn)入雙碳時(shí)代后，制造業(yè)的環(huán)保需求逐步加大。對于離散制造來說，突出問題是需求側(cè)市場變化太快，工廠的投入和產(chǎn)能存在巨大不確定性。
“如果將流程制造、離散制造等一系列的問題做抽象與提煉會發(fā)現(xiàn)其中有共同的痛點(diǎn)，無論是設(shè)備的能耗優(yōu)化/預(yù)測性維護(hù)、生產(chǎn)線的自動控制/工藝優(yōu)化/調(diào)度優(yōu)化、產(chǎn)品的質(zhì)量檢測，還是供應(yīng)鏈管理、營銷與銷售預(yù)測、產(chǎn)銷協(xié)同，可以歸類為：用大數(shù)據(jù)技術(shù)解決產(chǎn)線上的具體問題、AI技術(shù)落地于具體場景的問題，以及基于數(shù)據(jù)中臺和AI引擎的全鏈路數(shù)據(jù)一體化用于解決供應(yīng)鏈上下游協(xié)同的問題。總之，一系列的問題都可以歸結(jié)為：如何用新的數(shù)據(jù)智能方式去幫助制造業(yè)企業(yè)實(shí)現(xiàn)產(chǎn)業(yè)升級。”阿里云行業(yè)線產(chǎn)品解決方案部總經(jīng)理曾震宇總結(jié)道。
向數(shù)字化的智能制造要生產(chǎn)力，是很多國家共同的戰(zhàn)略選擇�；谏罡圃煨袠I(yè)七年的數(shù)字化實(shí)踐，阿里云對于制造業(yè)向智能制造升級提煉了九大場景，以及對應(yīng)九大場景的可行解決方案。
解決這些共性問題的底座是四種能力：數(shù)據(jù)中臺、AI優(yōu)化控制引擎、數(shù)字孿生與云釘一體。
其中，數(shù)據(jù)中臺是制造企業(yè)非常重要的基礎(chǔ)能力。過去制造業(yè)可被實(shí)時(shí)搜集、感知和在線的數(shù)據(jù)少；未來3--5年，制造業(yè)的實(shí)時(shí)數(shù)據(jù)量一定會急劇增加，包括設(shè)備數(shù)據(jù)、傳感器數(shù)據(jù)等，需要圍繞這些數(shù)據(jù)進(jìn)行建模、加工，然后基于數(shù)據(jù)中臺，不斷訓(xùn)練AI數(shù)據(jù)模型并形成AI引擎，與工廠傳統(tǒng)經(jīng)驗(yàn)形成互補(bǔ)，最終形成AI知識圖譜，數(shù)字化一切以前不可量化的人為因素。
另外，和所有的技術(shù)一樣，虛擬現(xiàn)實(shí)融合技術(shù)，真正規(guī)�；a(chǎn)生產(chǎn)業(yè)價(jià)值的方向并非在生活娛樂領(lǐng)域，數(shù)字孿生是工業(yè)發(fā)展的大趨勢。工廠內(nèi)全維度數(shù)據(jù)構(gòu)成的數(shù)字世界，今天已經(jīng)不再是“科幻”，而是能夠利用數(shù)據(jù)和算法檢測生產(chǎn)線上的設(shè)備健康狀況、產(chǎn)品質(zhì)量，并進(jìn)行預(yù)測性智能決策。
云釘一體解決的是組織協(xié)同問題。釘釘在實(shí)踐過程中將制造業(yè)的組織、系統(tǒng)集成在一起，整個(gè)辦公流程、生產(chǎn)流程、生產(chǎn)管理、質(zhì)量控制、售后服務(wù)的自動化，都可以基于釘釘?shù)膮f(xié)同平臺和應(yīng)用開發(fā)平臺實(shí)現(xiàn)。
智能制造的九大場景有六大場景著眼于產(chǎn)線的微觀智能，分別是自適應(yīng)控制、生產(chǎn)工藝優(yōu)化、能耗優(yōu)化、專家知識系統(tǒng)、智能質(zhì)檢、預(yù)測性維護(hù)；另外三大場景著眼于大型組織的數(shù)據(jù)歸一與協(xié)同的宏觀智能，分別是數(shù)據(jù)移動在線、產(chǎn)銷協(xié)同與柔性制造、工業(yè)數(shù)字孿生。從微觀到宏觀，這九大場景已經(jīng)基本覆蓋了智能制造的所有關(guān)鍵環(huán)節(jié)，完全可以作為回答智能制造現(xiàn)階段問題的著力點(diǎn)。
場景一：數(shù)據(jù)移動在線化
去年12月工信部等八個(gè)部門正式印發(fā)《“十四五”智能制造發(fā)展規(guī)劃》，明確到2035年，規(guī)模以上制造業(yè)企業(yè)全面普及數(shù)字化網(wǎng)絡(luò)化，重點(diǎn)行業(yè)骨干企業(yè)基本實(shí)現(xiàn)智能化。中國工程院院士李培根進(jìn)一步解讀，“發(fā)展智能制造，數(shù)據(jù)是基礎(chǔ)，數(shù)據(jù)是血液”。數(shù)據(jù)融合是制造企業(yè)降低生產(chǎn)各環(huán)節(jié)成本、提高生產(chǎn)效率的關(guān)鍵。
人員的排班排產(chǎn)、產(chǎn)線的調(diào)度優(yōu)化、貨物流轉(zhuǎn)、金融周轉(zhuǎn)等運(yùn)營效率的提速，都需要生產(chǎn)經(jīng)營數(shù)據(jù)的在線化與移動化。數(shù)據(jù)的在線可以讓企業(yè)管理人員在生產(chǎn)、經(jīng)營過程中，依據(jù)實(shí)時(shí)數(shù)據(jù)不斷調(diào)優(yōu)決策。
釘釘發(fā)布的制造行業(yè)解決方案2.0從對生產(chǎn)狀況影響最大的人和設(shè)備著手，讓設(shè)備數(shù)據(jù)、成本數(shù)據(jù)實(shí)時(shí)呈現(xiàn)。“設(shè)備上釘”產(chǎn)品實(shí)現(xiàn)了人與設(shè)備的連接，每一臺設(shè)備都是一個(gè)釘釘賬號，管理人員可在釘釘上查看設(shè)備運(yùn)行狀況，任何設(shè)備故障都可以通過釘釘自動通知到人，讓風(fēng)險(xiǎn)在第一時(shí)間被發(fā)現(xiàn)、被處理；設(shè)備上的生產(chǎn)進(jìn)度，成為采銷、生產(chǎn)計(jì)劃的依據(jù)。
除了“設(shè)備上釘”產(chǎn)品，“碼上制造”的專屬行業(yè)底座，通過生產(chǎn)碼、庫位碼、報(bào)工碼、物料碼等四個(gè)生產(chǎn)環(huán)節(jié)的二維碼，解決制造企業(yè)最核心的進(jìn)（采購）、銷（銷售）、存（倉儲）、生產(chǎn)環(huán)節(jié)數(shù)據(jù)在線化和移動化的難題。
這些能力全面開放給釘釘生態(tài)，在釘釘“制造工作臺”“行業(yè)廣場”上開發(fā)千人千面、個(gè)性化的工作界面，讓企業(yè)自主選擇符合需求的SaaS應(yīng)用，讓更多類似設(shè)備上釘、碼上制造、計(jì)件日結(jié)的創(chuàng)新在釘釘?shù)男袠I(yè)平臺上長出來。
中國民營企業(yè)500強(qiáng)的東方希望集團(tuán)于2017年開始使用釘釘，過去五年間，東方希望在釘釘上開發(fā)了67個(gè)針對不同場景的應(yīng)用，集成到釘釘上，實(shí)時(shí)呈現(xiàn)工廠里的生產(chǎn)狀況和工藝，一旦出現(xiàn)產(chǎn)線異常，便由釘釘自動通知責(zé)任人。
場景二：自適應(yīng)控制
利用生產(chǎn)裝備和工藝的自動化是智能制造在過去幾十年追求的重要目標(biāo)，但是由于生產(chǎn)設(shè)備和生產(chǎn)現(xiàn)場的復(fù)雜性、生產(chǎn)原料的不穩(wěn)定性和環(huán)境變化，生產(chǎn)產(chǎn)線完全依賴傳統(tǒng)的PLC（可編程邏輯控制器）、DCS（分散控制系統(tǒng)）很難做到自動控制，依賴產(chǎn)線工人根據(jù)經(jīng)驗(yàn)判斷各種異常進(jìn)行頻繁的操作控制，也會因?yàn)槠诤徒?jīng)驗(yàn)的差異出現(xiàn)波動。
融合數(shù)據(jù)感知和AI決策的自適應(yīng)控制應(yīng)運(yùn)而生。自適應(yīng)控制基于產(chǎn)線的機(jī)理進(jìn)行建模，根據(jù)歷史記錄，生產(chǎn)結(jié)果數(shù)據(jù)對模型進(jìn)行訓(xùn)練和優(yōu)化，將模型下發(fā)到生產(chǎn)端根據(jù)產(chǎn)線實(shí)時(shí)數(shù)據(jù)推理生產(chǎn)參數(shù)并推薦，最后結(jié)合控制技術(shù)對生產(chǎn)線進(jìn)行閉環(huán)控制。
清潔能源行業(yè)的瀚藍(lán)環(huán)境擁有22個(gè)生活垃圾焚燒發(fā)電項(xiàng)目，日生活垃圾焚燒發(fā)電總規(guī)模33100噸。僅是廣東佛山南海廠區(qū)的六臺焚燒鍋爐，每天就能“消化”近3000噸垃圾，發(fā)電150萬度，足以滿足南海區(qū)16萬戶40萬人的生活用電需求。
整個(gè)垃圾焚燒發(fā)電的過程，為了盡量做到讓垃圾的燃燒更充分、蒸汽更穩(wěn)定，主要是靠鍋爐師傅調(diào)節(jié)焚燒爐的各種參數(shù)。限制發(fā)展的最大阻礙，就出在焚燒過程對人工經(jīng)驗(yàn)的過度依賴。不同工藝專家技術(shù)水平不同，調(diào)出來的效果相差較大。而培養(yǎng)一位合格的工藝專家需要1--2年的時(shí)間，一旦離崗，經(jīng)驗(yàn)也隨之帶走。
企業(yè)亟需將經(jīng)驗(yàn)中的隱性數(shù)據(jù)轉(zhuǎn)化為顯性知識，嵌入到自適應(yīng)控制中，讓機(jī)器協(xié)助人類來完成焚燒過程的復(fù)雜決策與控制。垃圾的充分穩(wěn)定燃燒，過程中充斥著復(fù)雜的物理與化學(xué)變化，涉及多達(dá)2000個(gè)實(shí)時(shí)測點(diǎn)數(shù)據(jù)。第一步需要大量的數(shù)據(jù)計(jì)算，識別出最關(guān)鍵的30個(gè)測點(diǎn)數(shù)據(jù)，包括推料進(jìn)程、推料動作、一次風(fēng)量、一次風(fēng)壓、二次風(fēng)量、爐膛溫度、煙氣含氧量、主蒸汽壓力等。
第二步，鎖定關(guān)鍵參數(shù)后，輸入到工業(yè)大腦平臺上的仿真預(yù)測模型，進(jìn)行垃圾焚燒過程的模型訓(xùn)練，實(shí)時(shí)預(yù)測焚燒產(chǎn)生的蒸汽情況。通過對每次垃圾推料的前后關(guān)系分析，比如推料前的爐型狀態(tài)、推料動作，以及推料后的焚燒反應(yīng)，構(gòu)建數(shù)據(jù)的輸入輸出關(guān)系模型。訓(xùn)練過的焚燒爐蒸汽量仿真預(yù)測模型可以準(zhǔn)確預(yù)測90秒后的蒸汽量，準(zhǔn)確度到達(dá)95%，為后續(xù)推料提供決策依據(jù)。
第三步，算法模型分析的結(jié)果通過API接口把推薦工藝參數(shù)實(shí)時(shí)提供出來。構(gòu)建人機(jī)交互界面，部署到工廠控制室,輔助工人決策什么時(shí)候該推料，以及如何推料等操作建議。過去操作員4個(gè)小時(shí)內(nèi)需要操作30次，才能讓垃圾焚燒過程保持穩(wěn)定，而如今在AI的協(xié)助下，干預(yù)6次即可。工業(yè)大腦輔助對比單純?nèi)斯げ僮�，可以提升約1%--2%的蒸汽產(chǎn)量，鍋爐蒸汽量穩(wěn)定性提升20%。
第四步，算法直接與鍋爐系統(tǒng)連接，實(shí)現(xiàn)對垃圾焚燒過程的自動控制。由人控制機(jī)器轉(zhuǎn)為人監(jiān)測機(jī)器、無需干預(yù)，降低對人工經(jīng)驗(yàn)的依賴。
場景三：工藝優(yōu)化
工藝，是一家企業(yè)如何利用生產(chǎn)工具對各種原材料、半成品進(jìn)行加工或處理，使之成為產(chǎn)品的方法，包括鑄造、鍛壓、機(jī)械加工、熱處理、焊接、裝配、油漆等工藝類別。
一方面，各個(gè)行業(yè)都有自己的通用數(shù)字工具和自動化設(shè)備，如CAPP（計(jì)算機(jī)輔助工藝過程設(shè)計(jì)系統(tǒng)）。另一方面，企業(yè)自主研發(fā)創(chuàng)新、經(jīng)驗(yàn)總結(jié)的加工方法，可以成為企業(yè)自己的獨(dú)門秘籍，比如毛坯制作、機(jī)械加工、熱處理等各個(gè)環(huán)節(jié)先后順序的優(yōu)化，都可以提高生產(chǎn)效率、降低生產(chǎn)成本、提升產(chǎn)品質(zhì)量，是一家工業(yè)企業(yè)最核心的競爭力。
每家制造業(yè)企業(yè)都規(guī)定了產(chǎn)品的工藝路線、機(jī)器設(shè)備和加工模具的種類、品名及編號、檢驗(yàn)方法等，是組織生產(chǎn)和工人進(jìn)行生產(chǎn)操作的重要依據(jù)。
過去20年中國制造業(yè)的工藝優(yōu)化，主要聚焦于兩個(gè)方面：引進(jìn)國外的輔助工藝設(shè)計(jì)系統(tǒng)和培養(yǎng)有經(jīng)驗(yàn)的專家。今天，則轉(zhuǎn)向了數(shù)據(jù)智能。
工藝優(yōu)化的案例是攀鋼集團(tuán)。脫硫是鋼鐵生產(chǎn)過程中的一個(gè)重要環(huán)節(jié)，硫工藝的好壞可以拿來評判中國鋼鐵與德國鋼鐵的重要差距。由于硫化物會降低鋼的韌性，所以工人師傅傾向于多加脫硫反應(yīng)劑。但反應(yīng)后產(chǎn)生的脫硫渣會帶走大量金屬料，每個(gè)爐次以220噸計(jì)，脫硫渣量均值為5噸，其中鐵損占比約為40%--55%。假設(shè)脫硫劑的加入量降低10%，理論上可降低0.8--1kg/噸的鋼料消耗。
第一步，構(gòu)建仿真模型：基于歷史數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù)，構(gòu)建脫硫預(yù)測模型。通過結(jié)合脫硫劑加入量、噴吹速率等十多個(gè)關(guān)鍵參數(shù)，模擬脫硫全過程，并配合參數(shù)優(yōu)化模型，檢驗(yàn)不同組參數(shù)的合理性及有效性。
第二步，參數(shù)尋優(yōu)模型：結(jié)合機(jī)器學(xué)習(xí)與老師傅的經(jīng)驗(yàn)，識別脫硫過程中的對脫硫結(jié)果影響最大的參數(shù)，包括鈍化鎂加入量、鈍化石灰加入配比、平均流量、噴吹時(shí)長等，通過尋優(yōu)模型識別參數(shù)間的最優(yōu)關(guān)系。再回歸到仿真模型中進(jìn)行反復(fù)驗(yàn)證，最終得到最優(yōu)參數(shù)：在滿足脫硫效果的前提下，找到最小脫硫劑加入量的那組“配方”。
第三步，脫硫操作人員根據(jù)推送的推薦參數(shù)，動態(tài)調(diào)節(jié)脫硫劑的加入量，減少脫硫劑的消耗。
對年產(chǎn)值400萬噸鋼的攀鋼西昌鋼釩基地來說，每年減少1700萬元損失。
生產(chǎn)工藝優(yōu)化的解決方案，已經(jīng)在鋼鐵、水泥、固廢、化工、
光 伏等多個(gè)行業(yè)場景中得到實(shí)踐。
場景四：能耗優(yōu)化
能耗優(yōu)化直接關(guān)乎“十四五規(guī)劃和2035遠(yuǎn)景目標(biāo)”中“雙碳目標(biāo)”的達(dá)成，已經(jīng)成為流程制造企業(yè)發(fā)展的重中之重�！吨袊鲜泄咎寂欧排判邪瘢�2021）》顯示，登榜的100家A股和港股上市的高碳排放公司，分布在石化、化工、建材（水泥）、鋼鐵、有色、造紙、電力、航空八大高耗能行業(yè)。八大重點(diǎn)高能耗行業(yè)中的六個(gè)，都屬于“大制造業(yè)”。傳統(tǒng)制造業(yè)的高端化、智能化、綠色化，提高了制造業(yè)對新技術(shù)的發(fā)展要求。
水泥行業(yè)有著很高的煤耗和電耗，水泥的“兩磨一燒”工藝（生料磨、回轉(zhuǎn)窯與水泥粉磨），是保障水泥品質(zhì)穩(wěn)定的主要因素。
2021年，海螺水泥作為亞洲最大的水泥熟料供應(yīng)商，敏銳地洞察到傳統(tǒng)的APC（生產(chǎn)優(yōu)化系統(tǒng)）迭代能力跟不上業(yè)務(wù)需要，軟件適應(yīng)性不強(qiáng)、數(shù)字化沉淀和復(fù)用受限，造成全局優(yōu)化能力不佳的結(jié)果，果斷利用阿里云工業(yè)大腦AICS平臺，聚焦于水泥產(chǎn)線的“兩磨一燒”核心場景，完成能耗優(yōu)化和工藝優(yōu)化，分為下面幾步。
第一步：數(shù)據(jù)采集與清洗。結(jié)合工藝專家經(jīng)驗(yàn)，水泥工業(yè)大腦首先將生產(chǎn)系統(tǒng)、控制系統(tǒng)、設(shè)備管理系統(tǒng)、能源管理系統(tǒng)中的海量數(shù)據(jù)進(jìn)行提取，包括質(zhì)檢數(shù)據(jù)、DCS數(shù)據(jù)、環(huán)境數(shù)據(jù)等。同時(shí)對數(shù)據(jù)進(jìn)行清洗，剔除噪音數(shù)據(jù)或無效數(shù)據(jù)，補(bǔ)充缺失數(shù)據(jù)，為下一步模型訓(xùn)練提供高質(zhì)量的數(shù)據(jù)資產(chǎn)。
第二步：模型搭建。采用先進(jìn)的機(jī)器學(xué)習(xí)算法、神經(jīng)網(wǎng)絡(luò)算法，結(jié)合先進(jìn)過程控制模型，對所收集到的多維度數(shù)據(jù)進(jìn)行建模，真實(shí)還原水泥產(chǎn)線上的實(shí)際生產(chǎn)過程。并通過對大數(shù)據(jù)模型的參數(shù)進(jìn)行調(diào)節(jié)，以實(shí)現(xiàn)從輸入?yún)?shù)到輸出參數(shù)的非線性映射關(guān)系。
第三步：機(jī)器學(xué)習(xí)。通過采集六個(gè)月的歷史數(shù)據(jù)，分析多達(dá)上百個(gè)變量之間的耦合關(guān)系，并對模型的輸出進(jìn)行預(yù)測，使風(fēng)、煤、料的最佳組合范圍可量化、可視化，達(dá)到同等產(chǎn)量熟料質(zhì)量最好；同等質(zhì)量情況下，產(chǎn)量最高；或是同質(zhì)同產(chǎn)情況下，能耗最低。
第四步：在線控制。最終生產(chǎn)線工藝參數(shù)的設(shè)定，會結(jié)合工藝參數(shù)范圍、步長信息、工藝參數(shù)實(shí)時(shí)值等，由水泥工業(yè)大腦進(jìn)行多變量綜合分析，實(shí)時(shí)針對各工況的產(chǎn)量、質(zhì)量、能耗多目標(biāo)進(jìn)行尋優(yōu)，推薦一組最佳的工藝參數(shù)實(shí)時(shí)反寫回分散控制系統(tǒng)，實(shí)現(xiàn)水泥核心生產(chǎn)過程的自動駕駛、無人值守。
海螺水泥僅僅兩個(gè)月時(shí)間，就實(shí)現(xiàn)了高自動控制的水泥工藝優(yōu)化。在這個(gè)過程中，降低了2%--3%的能耗。對于水泥日產(chǎn)量1.2萬噸的工廠來說，這一能耗節(jié)省非�？捎^。在后來的一段時(shí)間，逐步完成了全局優(yōu)化的節(jié)能測試。結(jié)果顯示，該系統(tǒng)的節(jié)能水平超過了國外知名廠商同類型軟件的節(jié)能水平。
以上自適應(yīng)控制、工藝優(yōu)化、能耗優(yōu)化的案例能夠清晰地看到，基本解決方案路徑：收集歷史數(shù)據(jù)--鎖定關(guān)鍵參數(shù)--構(gòu)建算法模型--用實(shí)時(shí)數(shù)據(jù)驗(yàn)證算法模型，并進(jìn)行調(diào)優(yōu)--輸出動態(tài)參數(shù)推薦，或連接自動化控制系統(tǒng)。
路徑和方法都是一致的，難度就在于找到海量參數(shù)里的因果關(guān)系，并構(gòu)建優(yōu)質(zhì)的算法模型，這兩個(gè)節(jié)點(diǎn)的突破，則取決于數(shù)據(jù)智能的科學(xué)家和行業(yè)老師傅都具備卓越的專業(yè)能力和合作能力，同時(shí)需要一套專家知識系統(tǒng)。
場景五：專家知識系統(tǒng)
從以上場景，不難發(fā)現(xiàn)：在工業(yè)領(lǐng)域，傳統(tǒng)經(jīng)驗(yàn)知識的總結(jié)環(huán)節(jié)非常需要數(shù)據(jù)智能技術(shù)的加持。即便是有些制造業(yè)企業(yè)建立了數(shù)字化的專家系統(tǒng)，把專家經(jīng)驗(yàn)進(jìn)行文檔累積，但是實(shí)際情況中，把數(shù)據(jù)經(jīng)驗(yàn)輸入到專家系統(tǒng)費(fèi)時(shí)費(fèi)力，每條記錄的經(jīng)驗(yàn)數(shù)據(jù)之間缺乏聯(lián)系，仍然很難形成“數(shù)據(jù)資產(chǎn)”。
在智能制造的時(shí)代，AI知識圖譜作為人工智能的一個(gè)分支領(lǐng)域，具有“知識抽取”和“知識關(guān)聯(lián)”的能力，值得被作為一個(gè)單獨(dú)的解決方案提供給更多的制造業(yè)企業(yè)，在業(yè)內(nèi)被稱為專家知識系統(tǒng)。
阿里云知識圖譜系統(tǒng)，匯集各種應(yīng)用場景下的數(shù)據(jù)，向知識圖譜的開發(fā)人員以及運(yùn)營管理人員，提供了可視化的工具平臺，將留存在企業(yè)系統(tǒng)中的結(jié)構(gòu)化、標(biāo)注、規(guī)范、案例記錄和人的經(jīng)驗(yàn)等知識數(shù)據(jù)源轉(zhuǎn)化為計(jì)算機(jī)可以識別的知識圖譜數(shù)據(jù)，簡化了傳統(tǒng)知識累積的方法，有效提升了知識圖譜的構(gòu)建效率，降低了經(jīng)驗(yàn)獲取和傳承的成本。
電網(wǎng)等工業(yè)企業(yè)經(jīng)常會在極端天氣情況下緊急處理設(shè)備故障，利用知識圖譜，把設(shè)備檢修規(guī)程導(dǎo)則、以往故障報(bào)告和設(shè)備維修專家的知識數(shù)據(jù)，形成電力行業(yè)的專業(yè)知識圖譜，開發(fā)基于知識圖譜的故障研判算法引擎。
故障發(fā)生時(shí)，拍照或語音問詢，利用圖像識別和自然語言處理能力，為故障搶修人員提供相關(guān)案例，提供引導(dǎo)式的修復(fù)方案，輔助執(zhí)行，迅速提升故障處置能力，降低故障處理難度，縮短了故障處理時(shí)間。
近年來，城市配電網(wǎng)規(guī)模爆發(fā)式增長。
以杭州城區(qū)為例，10KV的線路從1200條增加至2000多條，對效率、安全作業(yè)提出了更高要求。國家電網(wǎng)下屬杭州供電公司是杭州的配網(wǎng)指揮中樞，負(fù)責(zé)電網(wǎng)監(jiān)測、電網(wǎng)檢修、故障處置等工作。每個(gè)杭電調(diào)度員每天需撥打100多個(gè)電話，實(shí)時(shí)監(jiān)控500多條電力信息。碰上早晚高峰，40多通電話一齊涌入，調(diào)度員需同時(shí)協(xié)調(diào)4--6個(gè)執(zhí)行單位，故障現(xiàn)場也要長時(shí)間等待。
針對這些問題，“虛擬配網(wǎng)調(diào)度員”應(yīng)運(yùn)而生，阿里云為電力行業(yè)引入前沿的阿里云知識圖譜技術(shù)。
如今，“虛擬調(diào)度員”對數(shù)千條城市電網(wǎng)電路如數(shù)家珍，可提前安排作業(yè)、現(xiàn)場核對作業(yè)、事后自動歸檔。一旦突發(fā)停電、斷電，“虛擬調(diào)度員”通過釘釘可在1分鐘內(nèi)安排好相關(guān)人員，啟動檢修。
“虛擬調(diào)度員”還學(xué)習(xí)消化了30多萬份的檢修歷史記錄，總結(jié)出可供實(shí)時(shí)決策的數(shù)據(jù)，形成了電力配網(wǎng)知識圖譜。在釘釘上，一線電工可以和虛擬調(diào)度員直接對話，實(shí)時(shí)獲得協(xié)助。設(shè)備歷史信息隨問隨答，是個(gè)“問不倒的機(jī)器人”。
知識圖譜生產(chǎn)是一整套系統(tǒng)，涉及結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，需要大數(shù)據(jù)技術(shù)。半結(jié)構(gòu)化和非結(jié)構(gòu)化的知識經(jīng)驗(yàn)、信息處理，則需要自然語言處理技術(shù)，處理為算法框架可以分析的數(shù)據(jù)。另外，知識圖譜本體構(gòu)建管理、知識圖譜抽取前端交互、知識圖譜查詢和計(jì)算服務(wù)、知識圖譜存儲，后臺的系統(tǒng)管理和調(diào)度運(yùn)維服務(wù)組件，甚至包括部署環(huán)境等技術(shù)能力也是知識圖譜構(gòu)建的一部分。最終作為PaaS級產(chǎn)品，知識圖譜會基于通用底座，結(jié)合商業(yè)系統(tǒng)定制開發(fā)適合不同企業(yè)的知識圖譜平臺，提供應(yīng)用能力。
場景六：智能質(zhì)檢
制造業(yè)的質(zhì)量檢測，可以應(yīng)用于產(chǎn)品的最終質(zhì)檢、物料制造的表檢，利用AI視覺識別技術(shù)來模擬人的視覺功能，從客觀圖像中提取信息，加以理解并進(jìn)行處理，最終用于實(shí)際檢測、測量和控制。AI視覺系統(tǒng)被應(yīng)用于各行業(yè)的生產(chǎn)中，如觸摸屏、激光加工、太陽能電池板、半導(dǎo)體、食品飲料、制藥、消費(fèi)電子產(chǎn)品加工、汽車制造等提升產(chǎn)品成品率和良品率，是一種應(yīng)用較為廣泛和成熟的解決方案。
因?yàn)橐揽咳说囊曈X進(jìn)行的質(zhì)量檢測，會受到疲勞程度、精神集中程度的較大影響，所以只能采用抽檢的方法，才能節(jié)省相應(yīng)人力，即便如此，準(zhǔn)確的穩(wěn)定性也會因?yàn)槿说脑虺霈F(xiàn)波動。阿里云機(jī)器視覺智能技術(shù)采用深度學(xué)習(xí)和圖像處理算法，比傳統(tǒng)機(jī)器視覺檢測更精準(zhǔn)、漏檢率更低。在數(shù)據(jù)中臺的基礎(chǔ)上，進(jìn)行數(shù)據(jù)的采集、標(biāo)注、訓(xùn)練和算法模型調(diào)優(yōu)，自動識別圖像中的瑕疵或故障。
隨著鋼鐵行業(yè)受到環(huán)保、雙碳等政策壓力越來越大，鋼鐵企業(yè)的競爭越來越激烈，開始從原有的拼產(chǎn)能，向拼質(zhì)量、拼效率發(fā)展的趨勢越來越明顯。鋼鐵產(chǎn)品的金相組織評級是反映產(chǎn)品質(zhì)量高低的重要方法手段之一。該方法采用定量金相學(xué)原理，由二維金相試樣磨面或薄膜的金相顯微組織的測量，來確定合金組織的三維空間形貌，從而建立合金成分、組織和性能間的定量關(guān)系。金相分析技術(shù)在鋼鐵行業(yè)應(yīng)用最為常見，產(chǎn)品越高端對金相檢測要求越嚴(yán)格，尤其是特鋼和工業(yè)線材。
以攀鋼西昌鋼釩和韶關(guān)鋼鐵為例，他們的產(chǎn)品分別為汽車板材和建筑用鋼，鋼鐵廠每生產(chǎn)一批次相同牌號的鋼鐵產(chǎn)品，需要在鋼卷產(chǎn)品中選取2--3卷進(jìn)行取樣分析，鋼卷中不同部位的鋼鐵試樣，送往檢驗(yàn)中心完成專業(yè)的組織性能檢驗(yàn)。每天檢驗(yàn)的試樣數(shù)約為90個(gè)，一個(gè)檢驗(yàn)中心配備3位檢驗(yàn)工程師，平均每人需要完成30個(gè)金相試樣的檢測。除了金相檢測任務(wù)以外，他們還需要完成樣品制作、性能試驗(yàn)、質(zhì)檢分析等各類工作，金相檢測工作人員的工作任務(wù)非常繁重。鋼鐵企業(yè)的產(chǎn)品質(zhì)量評估，承擔(dān)著重大風(fēng)險(xiǎn)，金相組織性能偏差帶來的產(chǎn)品質(zhì)量異議，建筑企業(yè)等產(chǎn)品用戶帶來生命財(cái)產(chǎn)的安全隱患，鋼鐵企業(yè)也會有巨大的經(jīng)濟(jì)賠償。與此同時(shí)，金相檢測的專業(yè)要求，也是鋼鐵企業(yè)招聘和培養(yǎng)專業(yè)人才的一大挑戰(zhàn)。
基于此，阿里云結(jié)合深度學(xué)習(xí)和人工智能算法和積累的金相圖譜數(shù)據(jù)，為鋼鐵企業(yè)建立了一套智能金相檢測系統(tǒng)，打造了一個(gè)“虛擬金相檢驗(yàn)專家”，通過軟硬一體的方式，實(shí)現(xiàn)了金相檢測的自動化和無人化，普通的檢驗(yàn)工在完成試驗(yàn)制樣后，通過簡單的軟件操作即可完成金相評級工作。智能金相檢測系統(tǒng)，已經(jīng)積累了上萬張金相圖譜樣本，能夠準(zhǔn)確完成鋼鐵行業(yè)80%的金相檢測任務(wù)，包括晶粒度評級、非金屬夾雜物識別、脫碳層深度測量、索氏體占比測量等。極大地解放了檢驗(yàn)專家的工作量，為鋼鐵產(chǎn)品質(zhì)量標(biāo)準(zhǔn)化和人員效率提升帶來了重要的技術(shù)支撐，也為缺乏專業(yè)知識人才的民營鋼鐵企業(yè)帶來了一位久經(jīng)沙場的金相“老師傅”。
視覺AI能力不僅僅用于生產(chǎn)流程中，類似廢鋼定級也是用視覺進(jìn)行質(zhì)量分類定級的一種方法。廢鋼定級作業(yè)環(huán)境一般比較惡劣，質(zhì)檢員每次需要攀高四五米的大貨車車頂，對車內(nèi)廢鋼進(jìn)行近距離觀察。不僅勞動強(qiáng)度大、作業(yè)風(fēng)險(xiǎn)高，而且依賴肉眼識別，難以量化和標(biāo)準(zhǔn)化。
晉南鋼鐵集團(tuán)與阿里巴巴達(dá)摩院、西安智者云集云計(jì)算有限公司合作，研發(fā)了廢鋼AI定級系統(tǒng)。這套系統(tǒng)借助深度學(xué)習(xí)算法和AI視覺識別技術(shù)，可以實(shí)時(shí)抓拍廢鋼車輛的卸料過程并逐層采樣，對卸貨過程進(jìn)行單層判級和最終整車判級，識別不達(dá)標(biāo)廢鋼和雜質(zhì)、異物，計(jì)算出整車扣重的預(yù)估值，還能對異物報(bào)警提示。
目前，阿里云質(zhì)檢場景已經(jīng)應(yīng)用到鋼鐵、電力、化工、光伏等多個(gè)領(lǐng)域。
場景七：預(yù)測性維護(hù)
工業(yè)企業(yè)的設(shè)備管理維護(hù)手段的發(fā)展經(jīng)歷了四個(gè)階段：被動性維護(hù)（RM）、狀態(tài)性維護(hù)（CM）、預(yù)防性維護(hù)（PM）、預(yù)測性維護(hù)（PHM）。
顧名思義，被動性維護(hù)（RM）就是在設(shè)備壞了之后再開始相關(guān)的維護(hù)維修工作，比如場景四給出的“虛擬配網(wǎng)調(diào)度員”解決方案；狀態(tài)性維護(hù)（CM）是基于設(shè)備運(yùn)行狀態(tài)和現(xiàn)象對設(shè)備進(jìn)行相關(guān)的維護(hù)維修工作；預(yù)防性維護(hù)（PM）就是在設(shè)備出現(xiàn)問題之前，基于可靠性分析和設(shè)備運(yùn)行經(jīng)驗(yàn)定期對設(shè)備進(jìn)行維護(hù)工作；預(yù)測性維護(hù)（PHM）是在設(shè)備出現(xiàn)問題之前，結(jié)合可靠性分析、設(shè)備機(jī)理、設(shè)備運(yùn)行維護(hù)的歷史經(jīng)驗(yàn)以及設(shè)備運(yùn)行狀態(tài)對設(shè)備的壽命、故障、異常及健康情況作出相對應(yīng)的分析和預(yù)測，讓設(shè)備維護(hù)團(tuán)隊(duì)能夠在故障發(fā)生之前，提前做好維護(hù)措施，避免設(shè)備故障發(fā)生，提前做好備件儲備、降低設(shè)備的停機(jī)時(shí)間。
預(yù)測性維護(hù)能減少設(shè)備周期性的維護(hù)成本和備件成本，實(shí)現(xiàn)對設(shè)備全生命周期的精準(zhǔn)把控。做到設(shè)備故障提前預(yù)防，維護(hù)維修策略精準(zhǔn)高效，設(shè)備管理維護(hù)成本精細(xì)可控。
現(xiàn)階段的工業(yè)企業(yè)還停留在狀態(tài)性維護(hù)和預(yù)防性維護(hù)的階段，大多數(shù)企業(yè)都是通過周期性的人工定檢以確保當(dāng)前狀態(tài)下設(shè)備無異常，先進(jìn)的企業(yè)還會基于可靠性做一些設(shè)備狀態(tài)分析的巡檢計(jì)劃以實(shí)現(xiàn)預(yù)防性的維護(hù)。
鑒于IoT的成本優(yōu)勢和部署靈活的優(yōu)勢，很多企業(yè)開始積累關(guān)鍵設(shè)備上的傳感器、檢測儀表等數(shù)據(jù)，對設(shè)備的故障及時(shí)發(fā)現(xiàn)，預(yù)先處理，降低停機(jī)損失，已經(jīng)逐步向預(yù)測性維護(hù)的方向發(fā)展。但受制于工業(yè)企業(yè)薄弱的數(shù)據(jù)和算法基礎(chǔ)，即便是擁有了大量的設(shè)備運(yùn)行數(shù)據(jù)，也無法高效、合理地管理數(shù)據(jù)和利用數(shù)據(jù)，隱藏在這些設(shè)備數(shù)據(jù)之中的價(jià)值很難發(fā)揮出來。這給工業(yè)設(shè)備預(yù)測性維護(hù)的先行企業(yè)帶來了極大的困擾。
基于此，阿里云結(jié)合5G在園區(qū)和廠礦等有限空間的高帶寬、低延時(shí)的優(yōu)勢，建立集中設(shè)備、生產(chǎn)線、廠房內(nèi)系統(tǒng)運(yùn)行監(jiān)測平臺，各類監(jiān)測數(shù)據(jù)可以實(shí)現(xiàn)一定空間內(nèi)業(yè)務(wù)的全鏈路連接；并且整合了多年的大數(shù)據(jù)存儲、計(jì)算和算法技術(shù)積累，構(gòu)建了一套綜合了專家積累經(jīng)驗(yàn)的智能設(shè)備管理操作系統(tǒng)，以實(shí)現(xiàn)預(yù)測性維護(hù)為目標(biāo)，在傳統(tǒng)的設(shè)備管理基礎(chǔ)上形成了一套體系化的智能設(shè)備管理工具。
例如，通過工業(yè)大數(shù)據(jù)引擎，解決設(shè)備數(shù)據(jù)實(shí)時(shí)、高效、便捷的存儲、管理和調(diào)用問題；通過傳統(tǒng)的基準(zhǔn)管理、標(biāo)準(zhǔn)管理、巡檢管理、備件管理等業(yè)務(wù)模塊解決企業(yè)的傳統(tǒng)設(shè)備管理體系缺失問題；通過智能自主設(shè)備診斷系統(tǒng)，解決企業(yè)設(shè)備的故障診斷分析過程中，缺乏懂設(shè)備、懂振動知識的專業(yè)人才問題；通過數(shù)字孿生工具，解決企業(yè)的巡檢人員覆蓋不足、提升巡檢效率的問題；通過構(gòu)建VR、AR和數(shù)字孿生的結(jié)合搭建虛擬檢修環(huán)境，解決設(shè)備管理人員的技能培訓(xùn)和知識沉淀問題；通過知識圖譜和虛擬檢修專家，解決設(shè)備故障高效的問題；通過釘釘?shù)痛a構(gòu)建移動設(shè)備管理體系，解決設(shè)備管理及時(shí)性、便捷性和敏捷迭代的問題；通過智能備件庫存調(diào)度，解決設(shè)備維護(hù)的備件庫存成本優(yōu)化問題......
預(yù)測性維護(hù)是一套系統(tǒng)化工程，必須從管理模式創(chuàng)新、專家經(jīng)驗(yàn)沉淀、人員效率提升等多方面，為工業(yè)企業(yè)提供技術(shù)支撐。
場景八：產(chǎn)銷協(xié)同柔性制造
在離散制造場景中，如快消品、小家電、家具、消費(fèi)電子產(chǎn)品的制造，隨著消費(fèi)者定制化需求越來越多，隨著需求側(cè)秒殺、促銷活動變得越來越頻繁，多品種、小批量按需生產(chǎn)的柔性能力要求越來越高。
但按訂單組織生產(chǎn)是離散制造業(yè)的行業(yè)慣例，傳統(tǒng)APS（排程排產(chǎn)系統(tǒng)）在訂單在突然涌入臨時(shí)變更時(shí)，很難發(fā)揮效果。
為了實(shí)現(xiàn)產(chǎn)銷協(xié)同、柔性制造，阿里云給出的“調(diào)度優(yōu)化-產(chǎn)銷協(xié)同”解決方案主要包含六個(gè)方面：
一、通過MRP（物資需求計(jì)劃）運(yùn)算計(jì)算精確的物料需求；
二、精細(xì)化設(shè)計(jì)工序與設(shè)備的生產(chǎn)計(jì)劃和人員需求，提升主計(jì)劃排產(chǎn)速度和效率；
三、使計(jì)劃結(jié)果可視化，提升計(jì)劃協(xié)同性；四、與MES、ERP信息化系統(tǒng)聯(lián)動，滾動計(jì)劃；
五、分析物料欠料的需求時(shí)間和數(shù)量，推送欠料信息，輔助物料跟催；
六、進(jìn)行訂單的預(yù)測，計(jì)算預(yù)計(jì)產(chǎn)能需求，預(yù)估產(chǎn)能的瓶頸工序，
提前預(yù)測轉(zhuǎn)發(fā)訂單。
在實(shí)踐中，阿里云幫助蒙牛用商流驅(qū)動供應(yīng)鏈物流，用大數(shù)據(jù)技術(shù)打通從“牛”到“人”的端到端信息流，實(shí)現(xiàn)橫跨“三大產(chǎn)業(yè)”的供應(yīng)鏈?zhǔn)袌龌咝f(xié)同。生產(chǎn)計(jì)劃與市場銷售高度同步，“奶源--工廠--倉儲--客戶”布局一致。在工廠一級，利用基于數(shù)據(jù)中臺的“調(diào)度優(yōu)化-產(chǎn)銷協(xié)同”解決方案應(yīng)對突然變化的產(chǎn)能挑戰(zhàn)。
根據(jù)阿里云對30多家服務(wù)企業(yè)的統(tǒng)計(jì)，構(gòu)建于數(shù)據(jù)中臺和業(yè)務(wù)中臺的阿里云產(chǎn)供銷協(xié)同體系，可實(shí)現(xiàn)制造周期縮短34%，用工成本降低15%，報(bào)表統(tǒng)計(jì)和匯總時(shí)間減少65%，溝通時(shí)間減少55%，成品庫存降低20%，生產(chǎn)零部件的庫存降低35%。
產(chǎn)銷協(xié)同、柔性生產(chǎn)的需求，不只來自阿里云的客戶，也來自阿里云客戶的客戶，與有搭建行業(yè)平臺能力的企業(yè)合作，構(gòu)建柔性生產(chǎn)的平臺能力也尤為重要。
埃夫特是科創(chuàng)板上市的一家工業(yè)機(jī)器人和跨行業(yè)智能制造解決方案服務(wù)商，在焊裝系統(tǒng)、智能噴涂系統(tǒng)、拋光打磨等領(lǐng)域，為合作伙伴提供智能機(jī)器人的解決方案。
埃夫特對柔性制造提出需求，是因?yàn)楣I(yè)機(jī)器人的使用來自很多中小企業(yè)，它們的生產(chǎn)業(yè)務(wù)模式是小批量混線生產(chǎn)。
而大量批量小、來料規(guī)格差異較大的生產(chǎn)線，使用的機(jī)器人需要適應(yīng)應(yīng)用場景變化，一旦換線，機(jī)器人就需要重新編程和調(diào)試。本來整個(gè)機(jī)器人工藝算法編程工程師人才就非常稀缺，中小企業(yè)更沒有能力儲備專業(yè)的工程師，成本過高，導(dǎo)致很多企業(yè)無法承受。“有編程的功夫，還不如找個(gè)老師傅直接噴涂了”，埃夫特公司總經(jīng)理兼總工程師游瑋說。
埃夫特機(jī)器人聯(lián)合阿里云，集合國產(chǎn)自研機(jī)器人技術(shù)開發(fā)基于“云+AI”的開放式物聯(lián)網(wǎng)控制優(yōu)化系統(tǒng)，實(shí)現(xiàn)智能機(jī)器人云平臺的建模、仿真、優(yōu)化、控制能力，完成云端模型訓(xùn)練、邊緣計(jì)算、機(jī)器人執(zhí)行三位一體智能協(xié)同，打造了行業(yè)內(nèi)首個(gè)云邊端一體化“機(jī)器人云平臺”。
開發(fā)者可以利用業(yè)務(wù)編排工具通過拖拉拽的方式對數(shù)據(jù)組件、算法組件進(jìn)行任意的組裝，降低埃夫特的客戶的工程師編程與算法應(yīng)用的門檻，提高機(jī)器人典型作業(yè)場景下的智能化和小批量混線生產(chǎn)的柔性要求，并一定程度上彌補(bǔ)中小工廠工程師的不足，為用不起、不會用機(jī)器人的中小企業(yè)提供更友好的智能化解決方案，促進(jìn)中小制造業(yè)企業(yè)的轉(zhuǎn)型升級。
場景九：數(shù)字孿生
工業(yè)數(shù)字孿生，在不久的將來，將成為智能制造的核心環(huán)節(jié)，也是數(shù)字工廠的核心數(shù)字底座。它貫穿了制造業(yè)企業(yè)研發(fā)、采購、生產(chǎn)、銷售、服務(wù)等全業(yè)務(wù)場景，打通企業(yè)設(shè)計(jì)仿真平臺、訂單預(yù)測、供應(yīng)鏈優(yōu)化、能耗優(yōu)化、工藝優(yōu)化、用戶/經(jīng)銷商畫像、營銷推薦、智能客服、智能運(yùn)維等系統(tǒng)數(shù)據(jù)，讓企業(yè)決策者可以實(shí)時(shí)掌握工廠各環(huán)節(jié)的運(yùn)作精細(xì)狀況。
簡單來講，就是要從一個(gè)更宏觀的層面，用數(shù)據(jù)構(gòu)建和虛擬模型來精細(xì)化管理企業(yè)的生產(chǎn)運(yùn)營情況，從而快速決策、指導(dǎo)生產(chǎn)。甚至，也可以模擬仿真各種決策的業(yè)務(wù)結(jié)果，實(shí)現(xiàn)決策和經(jīng)營的彈性。
一汽紅旗繁榮工廠就是一個(gè)正在實(shí)踐工業(yè)數(shù)字孿生的例子，阿里云提供了智能工廠建設(shè)全方位數(shù)字化解決方案，在大數(shù)據(jù)平臺、AI平臺、數(shù)據(jù)中臺之上，利用數(shù)字孿生技術(shù)，打造國內(nèi)首個(gè)100%國產(chǎn)化的汽車智能制造標(biāo)桿，打造實(shí)時(shí)在線、及時(shí)分析、智能決策的全鏈路智能化工廠。也是首次采用完全自研的數(shù)采監(jiān)控軟件，接入五大車間數(shù)百萬個(gè)點(diǎn)位，數(shù)采頻次最高可達(dá)200毫秒，超過國內(nèi)外其他數(shù)采軟件廠商。
在一汽紅旗新能源汽車工廠，海量的數(shù)據(jù)匯入統(tǒng)一的數(shù)據(jù)中臺，自動生成數(shù)據(jù)API服務(wù)，隨時(shí)調(diào)取，全面融合傳統(tǒng)信息化系統(tǒng)，形成“業(yè)務(wù)應(yīng)用--數(shù)據(jù)沉淀--數(shù)據(jù)智能引擎--業(yè)務(wù)應(yīng)用”的閉環(huán)管理，用數(shù)字孿生技術(shù)，全面提升企業(yè)生產(chǎn)管理及決策分析能力。
結(jié)語
上述九大智能制造場景，已經(jīng)在領(lǐng)軍和有前瞻力的制造業(yè)企業(yè)中打造標(biāo)桿，但仍然是探索智能制造的初級階段。今天，很多智能制造還大都處于“智能+制造”的狀態(tài)，智能技術(shù)對于制造業(yè)的生產(chǎn)系統(tǒng)來說，起到的是錦上添花的作用。但是已經(jīng)能夠看到部分智能技術(shù)逐步嘗試成為生產(chǎn)的核心系統(tǒng)，中國作為制造業(yè)強(qiáng)國和大國，勢必會有更多的制造業(yè)企業(yè)探索出核心產(chǎn)線系統(tǒng)的智能化路徑，數(shù)據(jù)智能技術(shù)會徹底融入核心系統(tǒng)，成為生產(chǎn)經(jīng)營的必不可少的部分。內(nèi)生智能的路徑探索和大范圍落地，還需要業(yè)界伙伴的共同努力。
