關(guān)于采用工業(yè)4.0技術(shù)實現(xiàn)制造業(yè)數(shù)字化轉(zhuǎn)型的緊迫性已不言而喻。可以肯定的是，這些技術(shù)中的許多解決方案為無數(shù)的先進生產(chǎn)場景提供了獨立的可行性。

　　然而，工廠實施的任何新技術(shù)，只有在其對工廠生產(chǎn)線上的物料流動產(chǎn)生相對積極的影響時，才是有效的。它應(yīng)該帶來可衡量的改進，如質(zhì)量、產(chǎn)能、整體設(shè)備效率(OEE)或所有這些傳統(tǒng)指標。這種實實在在的改進是通往下一代生產(chǎn)的成功之旅的開始。

　　隨著企業(yè)信息技術(shù)(IT)和運營技術(shù)(OT)系統(tǒng)的融合，制造商正在轉(zhuǎn)向?qū)崿F(xiàn)更多連接和具有高級分析功能的解決方案，以更好地實現(xiàn)這些關(guān)鍵績效指標(KPI)，行業(yè)領(lǐng)導者也在嘗試人工智能。這有一個很好的理由：數(shù)據(jù)。

　　通過數(shù)字化成熟度適應(yīng)不斷變化的目標

　　對于"最后一英里"的優(yōu)化，工業(yè)企業(yè)感到壓力，需要理解工業(yè)流程產(chǎn)生的TB級數(shù)據(jù)，而僅靠人類專家的能力是不夠的。半導體晶圓廠是這種技術(shù)挑戰(zhàn)的極端例子，但任何高級生產(chǎn)環(huán)境也是如此，從生產(chǎn)邊緣利用數(shù)據(jù)至關(guān)重要。

　　工廠建立足夠的數(shù)據(jù)過濾、預處理、可視化和可追溯性來完成這項工作。只有這樣，它才能在數(shù)字之旅上邁出下一步。第二步?jīng)Q定了上述對生產(chǎn)過程的改進有一個關(guān)鍵維度：適應(yīng)性。為什么適應(yīng)性對于制造技術(shù)來說是不可或缺的?

　　首先，隨著工業(yè)產(chǎn)品(以及制造它們的機器)的材料和功能的進步，限制生產(chǎn)的參數(shù)也在變化。其次，由于創(chuàng)新、科學發(fā)現(xiàn)、文化轉(zhuǎn)變和全球環(huán)境力量，舊產(chǎn)品不斷迭代，新產(chǎn)品也不斷被發(fā)明。衡量任何工業(yè)4.0技術(shù)集成價值的關(guān)鍵指標是其對不斷發(fā)展的新生產(chǎn)或現(xiàn)有生產(chǎn)流程的整體貢獻。然而，盡管工業(yè)轉(zhuǎn)型的持續(xù)適應(yīng)性至關(guān)重要，但僅僅完成制造業(yè)的更大使命是不夠的。

　　數(shù)據(jù)驅(qū)動的大規(guī)模創(chuàng)新

　　以數(shù)字為主導的擴展是更廣泛的業(yè)務(wù)轉(zhuǎn)變的一部分。從本質(zhì)上講，它以數(shù)據(jù)智能改變游戲規(guī)則的可能性為指導--已經(jīng)在健康和金融等行業(yè)建立起來。例如，Gartner 的副總裁分析師Mike Rollings認為所有當代組織都必須進行運營轉(zhuǎn)型，并堅稱他們只能在數(shù)據(jù)運行顯示的范圍內(nèi)實現(xiàn)它：

　　"首席數(shù)據(jù)官(CDO)需要與業(yè)務(wù)主管合作，以確定數(shù)據(jù)源、數(shù)據(jù)質(zhì)量問題、分析類型和新的工作實踐。很多時候，這導致人們意識到數(shù)據(jù)驅(qū)動的機會跨越了組織邊界，需要改變運營模式才能實現(xiàn)預期的結(jié)果。"

　　在沒有CDO的情況下，Rollings 仍然強調(diào)利用專門的數(shù)據(jù)專業(yè)知識成功"采用優(yōu)先級或領(lǐng)導其數(shù)據(jù)和分析策略的任務(wù)"對組織轉(zhuǎn)型的重要性。

　　新范式中需要的新指標

　　鑒于這些以數(shù)字為基礎(chǔ)的巨變，讓我們暫時想象一下智能制造的未來。它可能是一個泛運營、自我優(yōu)化的生態(tài)系統(tǒng)。碳中和，并在循環(huán)經(jīng)濟的更廣泛背景下發(fā)揮作用。

　　人類將需要被授權(quán)在未來提升他們的數(shù)字技能。隨著制造專業(yè)人士與智能機器的交互，勞動力的數(shù)字技能重新校準將是必要的。負責質(zhì)量、生產(chǎn)和維護的控制器、操作員和團隊將參與關(guān)鍵的自動化任務(wù)、控制系統(tǒng)安裝和遷移、遠程系統(tǒng)監(jiān)控以及其他不可預見的優(yōu)化項目。

　　根據(jù)這一愿景，未來的制造業(yè)還將通過不同的指標來獲取價值，例如社會和環(huán)境效益以及數(shù)字能力的可擴展性。根據(jù) 2022 年世界經(jīng)濟論壇白皮書《通過先進制造解鎖商業(yè)模式創(chuàng)新》：

　　"公司需要利用其在先進制造領(lǐng)域的投資，不僅要優(yōu)化運營模式，還要開啟新的商業(yè)模式，為所有利益相關(guān)者創(chuàng)造和交付新價值，包括公司本身、工人、社會和環(huán)境。"

　　與所有偉大的工業(yè)變革一樣，我們當前的時代超越了對孤立用例的持續(xù)改進。公司范圍的調(diào)整必須超出離散生產(chǎn)事件甚至端到端操作的水平。對于制造商來說，這意味著對可用技術(shù)和與之交互的人有不同的思考。

　　工業(yè)4.0思維方式的轉(zhuǎn)變

　　我們所處的工業(yè)時代以跨學科協(xié)作方式為前提。部門孤島將被整合并嵌入到一個互連的網(wǎng)絡(luò)中。因此，接受更大的制造使命需要采用和利用新技術(shù)的戰(zhàn)略思維轉(zhuǎn)變。這種變化與上述不斷擴大的復雜性和工業(yè)的快速技術(shù)進步是相稱的。在實踐中，這種新的思維范式帶來了兩個轉(zhuǎn)變：

　　· 它讓制造業(yè)專業(yè)人士在OT和IT融合的前沿領(lǐng)域占據(jù)主導地位。

　　· 它使工業(yè)企業(yè)能夠重新定義如何在不斷變化的環(huán)境中靈活地獲取價值。

　　實施全新的商業(yè)模式聽起來像是一個雄心勃勃的理想。然而，正如世界經(jīng)濟論壇所建議的(以及制造燈塔所顯示的)，它已從生產(chǎn)層面開始。所以，正確的問題是：先進制造業(yè)如何成為更全面工業(yè)變革的風向標?

　　它始于一個完全連接的智能生產(chǎn)環(huán)境。有四個連接構(gòu)件，它們必須為自適應(yīng)IIoT平臺奠定基礎(chǔ)，以實現(xiàn)價值。

　　首先，在數(shù)據(jù)感知層，工廠可以確保傳感器、機器、邊緣設(shè)備(具有實時AI和計算能力)和數(shù)據(jù)庫的靈活集成。感知層建立了一個基礎(chǔ)，IIoT平臺可以從中成功地聯(lián)網(wǎng)、收集和存儲其邊緣數(shù)據(jù)。

　　數(shù)據(jù)的收集方式多種多樣：通過可編程邏輯控制器(PLC)、監(jiān)控和數(shù)據(jù)采集(SCADA)系統(tǒng)，以及制造執(zhí)行系統(tǒng)/質(zhì)量管理系統(tǒng)(MES/QMS)。至于數(shù)據(jù)存儲，邊緣到云的整合為不斷發(fā)展的生產(chǎn)環(huán)境提供了安全、保障和遠程訪問。在網(wǎng)絡(luò)層，專家可以確保通過眾多協(xié)議進行無縫通信。

　　然而，一個連接解決方案在感知、網(wǎng)絡(luò)和存儲到位的情況下還不夠完整。完全連接發(fā)生在上層應(yīng)用程序。如果制造企業(yè)最重要的戰(zhàn)略目標是充分嵌入技術(shù)創(chuàng)新以改變其運營模式，那么全工廠的連通性是必要的，但還不夠。工業(yè)企業(yè)需要一種技術(shù)干預來準備大規(guī)模執(zhí)行下一代生產(chǎn)。

　　AIaaS是如何工作的?

　　面對日益增加的IT/OT復雜性，內(nèi)部資源限制(如員工流失和數(shù)字技能差距)變得更加明顯。因此，必須注意的是，實現(xiàn)智能工廠目標不僅僅是將適當?shù)腎T和OT基礎(chǔ)設(shè)施組合在一起。工廠經(jīng)理和高管必須確保有足夠的專業(yè)知識來管理這些技術(shù)，并以最佳方式執(zhí)行新時代生產(chǎn)的數(shù)字化轉(zhuǎn)型。

　　AI 即服務(wù) (AIaaS)將支持AI的IIoT 平臺與自動化深度學習智能相結(jié)合，以幫助加速實現(xiàn)更大的制造使命。它通過規(guī)范化靈活、敏捷和協(xié)作的制造，在生產(chǎn)層面實現(xiàn)這一目標。AIaaS是如何工作的?

　　它從AI準備情況評估(深入研究工廠的流程和質(zhì)量數(shù)據(jù)系統(tǒng))開始。這種探索產(chǎn)生了關(guān)于規(guī)范性AI成熟度的清晰報告。一旦建立了數(shù)字化成熟度，AI系統(tǒng)就可以被安裝并從邊緣到云再到網(wǎng)絡(luò)。調(diào)試測試展示了AI系統(tǒng)的影響并量化了其價值。

　　在整個過程中，網(wǎng)絡(luò)工程師、IT系統(tǒng)所有者、工廠運營人員、生產(chǎn)操作員和控制工程師與外部數(shù)據(jù)科學家和軟件工程師進行互動。工廠團隊首先根據(jù)商定的 KPI 基準，為特定生產(chǎn)線協(xié)作部署數(shù)據(jù)衍生的 AI 解決方案。這個過程通常需要3到4個月。

　　在完成安裝和調(diào)試測試后，AIaaS 提供商確保持續(xù)訪問、報告、培訓、支持、完整的模型維護和自適應(yīng)改造 AI 系統(tǒng)。

　　ROI 保障的制造智能自動化

　　理想情況下，面向制造的AI部署是一種運營支出(OpEx)解決方案，它通過從工廠已經(jīng)擁有的數(shù)據(jù)中提取可衡量的投資回報率來獲得其價值。對于制造環(huán)境而言，最具影響力的AI是作為規(guī)范性分析應(yīng)用的深度學習。

　　它解析來自學習的生產(chǎn)多方面的實時和歷史數(shù)據(jù)，以發(fā)現(xiàn)最佳操作制度。這些都是作為工廠運營商的優(yōu)先處方提供的，以制定積極的設(shè)定點調(diào)整，以便在生產(chǎn)損失之前獲得最佳的生產(chǎn)結(jié)果。一切都在不阻止生產(chǎn)或?qū)⑵渲糜谖ｋU之中的情況下實現(xiàn)。

　　善于利用深度學習的制造商可以不斷推動即時和可衡量的流程和機器健康狀況的改善。他們之所以能夠做到這一點，是因為最好的 AI 部署創(chuàng)建了一個生產(chǎn)反饋循環(huán)，系統(tǒng)通過流程的每次迭代來學習--自動進行根本原因分析并嵌入專家執(zhí)行，這成為系統(tǒng)動態(tài)、不斷增長的智能的一部分。

　　圍繞可擴展的 AI 協(xié)調(diào)團隊

　　這些 AIaaS 部署還協(xié)調(diào)了以前孤立的團隊。生產(chǎn)、質(zhì)量、維護、工廠操作員和工藝工程師每天都可以與集中式、自洽的系統(tǒng)進行交互。

　　此外，還內(nèi)置了可擴展性。深度學習本質(zhì)上與制造過程無關(guān)，其內(nèi)核是高質(zhì)量的工業(yè)數(shù)據(jù)。因此，一旦它在一條生產(chǎn)線或一件制造設(shè)備上證明了其有效性，就可以將其推廣到其他重復或類似的生產(chǎn)線。企業(yè)還可以將其應(yīng)用于新產(chǎn)品和產(chǎn)品變體，從而為快速提升至關(guān)重要的新建運營提供面向未來的人工智能驅(qū)動生產(chǎn)。

　　擴展深度學習創(chuàng)新

　　為了利用這種規(guī)模化、端到端的生產(chǎn)數(shù)字化轉(zhuǎn)型所捕獲的價值，下一級創(chuàng)新必須擴展到整個價值鏈。端到端擴展AI實施可以進一步降低運營成本，從而提高整個價值鏈的利潤率。此外，它可以通過正確的戰(zhàn)略部署不斷地做到這一點。

　　通過在工業(yè)現(xiàn)場級別進行基于AI的數(shù)據(jù)分層和 AI 驅(qū)動的優(yōu)化，數(shù)據(jù)驅(qū)動的價值推動因素在其他地方更容易實現(xiàn)。這些推動因素包括產(chǎn)品需求預測和動態(tài)生產(chǎn)計劃。經(jīng)驗豐富的數(shù)據(jù)科學家可以使用前面提到的自我優(yōu)化自治循環(huán)，調(diào)整AI的自動化智能，以便在供應(yīng)鏈波動的情況下完成訂單。

　　至于采用新的指標來衡量成功，深度學習作為規(guī)范性分析應(yīng)用是一種合適的技術(shù)。捕獲數(shù)據(jù)并維持自主反饋循環(huán)建立了一個工作模型，用于以不同的方式感知生產(chǎn)問題(以及擴展的運營問題)。

　　例如，可持續(xù)性與任何傳統(tǒng)的生產(chǎn)目標相差不遠--更高效地運行，減少廢料或延長生產(chǎn)線的使用壽命等。深度學習擅長識別生產(chǎn)制度中的固有偏見。在這種情況下，AIaaS提供商可以與工廠人員合作，找到一種方法，可以在不影響質(zhì)量或吞吐量的情況下最大限度地提高OEE測量的準確性。

　　AIaaS推動了數(shù)字能力并促成了全系統(tǒng)范圍的協(xié)作。制造商需要重塑他們在不斷變化的環(huán)境中定義和獲取價值的方式。數(shù)字創(chuàng)新的影響需要在每個階段進行衡量。建立數(shù)字化成熟度并維持 AIaaS 執(zhí)行的智能系統(tǒng)可確保持續(xù)的投資回報率。除此之外，它還使先進的制造商能夠追求其更廣泛的目標，并通過調(diào)整商業(yè)、社會、環(huán)境和客戶基準并在業(yè)務(wù)發(fā)展過程中獲取滾動價值來量化目標。

　　一旦在生產(chǎn)環(huán)境中得到驗證，隨著工業(yè)企業(yè)鞏固其戰(zhàn)術(shù)實施中積累的專業(yè)知識，人工智能的應(yīng)用將變得更加具有戰(zhàn)略性。為了使AI成為力量倍增器，制造商必須擴展用例并將其擴展到組織的其他領(lǐng)域，并衡量整個價值鏈的可行性和影響的最佳點。