數字化 || 智能制造走向深水區
經過幾十(shí)年發展，我國逐步建立起了門類齊(qí)全、獨立完整的工業制造(zào)體系，制造業增加值連續12年居(jū)于世界首位。中國制造業企業在各個細分領(lǐng)域的市場份額不斷攀(pān)升，例如在锂電池行業，2021年全球動力電池裝機量TOP10企業中中國企業就(jiù)占(zhàn)據6席，市場份額達(dá)到48.6%。中國制造的龐大産能(néng)規模優勢也(yě)體現在出口方面，2021年我國出口21.73萬(wàn)億元，同比增長21.2%。家(jiā)電(diàn)、手機、計算機、集成電路等(děng)8類機電(diàn)産(chǎn)品出口均超千億美元。但是，出口貿易總量或貿易順差額并不能真實反映中國制造業的競争力。從全球價值鍊上來看(kàn)，中國制造業核心競争力仍然不強。具體從貿(mào)易增加值和國民收入(rù)視角來看，生産出口賺(zuàn)得的一部分收益其實是要被(bèi)劃(huà)分為外國國民收入[1,2]。在全球價值鍊中，中國制造(zào)業主要還是在賺取加(jiā)工(gōng)費，一部分中國企業仍然依賴于外(wài)國資本要素和技術要素，歐美國家則掌(zhǎng)握着通過專利技術等要素來獲取收益的方(fāng)式(shì)。
目(mù)前我國制造業面臨“雙向擠壓”的局面沒(méi)有發生根(gēn)本性扭轉(zhuǎn)。一方(fāng)面在中低端(duān)領域面臨其他發展中國家的競争，我國已經不能延續21世紀初期依靠人(rén)口紅利的發展模式，即繼續依靠人工大規模生産低附加值(zhí)工業品。另(lìng)一方面，在中高端領(lǐng)域，我國(guó)制造業企業(yè)自動化、智(zhì)能化程度相較于發達國家還較低，還沒有完全掌握重點行(háng)業的關鍵核心技術，在研發設計(jì)和國際标準制定等方面還沒有足(zú)夠的主導權。正是在這(zhè)種情形下，我國政府提出要實(shí)現智能制造，在“十三五”、“十(shí)四五”期間連續編制智能制造發展規劃，促(cù)進制造業企業實現(xiàn)數字化、網絡化、智(zhì)能化轉型，向制造強國邁進(jìn)。本文将(jiāng)結合筆者觀察到的一些産業前沿進(jìn)展(zhǎn)來重點闡(chǎn)述如下幾個(gè)方(fāng)面：如(rú)何理解智能制造？
智能制造的底層(céng)基礎是數字化
實(shí)現智能(néng)制造(zào)應當聚焦裝備和工藝(yì)
制(zhì)造工藝和設計(jì)仿真協同促進正(zhèng)向設計
企業設計(jì)仿真、生産制造及服務全流程協同
制造(zào)業通過數字化、智能化技術提升管理決策水平
智能制造領(lǐng)域的(de)人才和初創企(qǐ)業
從企業經營和産(chǎn)業發展角度看待(dài)智能制造
展望
談(tán)及智能制造，首先就需要從企業需求角度出發。制造業企業最關心的是質(zhì)量能(néng)不能更好？成本能不能(néng)再低一(yī)些？怎麼讓交付更快？說到(dào)底是制造業(yè)本(běn)身對規模效應的追(zhuī)求，特别是在當(dāng)今市場需求愈(yù)發多樣化、個性化，企(qǐ)業需要具備(bèi)更強的柔性制造能力和産品設計創新能力。智能制造正是要回應企業對規模效應和柔性化制造這兩方面的訴求。智能制造是要貫穿企業研發設計、生産制造(zào)到(dào)服(fú)務的全過程，核心落腳點(diǎn)是(shì)在制造環節，特别是在工藝和裝備兩方面上。我們的(de)分析(xī)也将從裝備工(gōng)藝開始逐步延伸至設計仿真、服務(wù)環節。中國制造要向中高端領域邁進，生産出更高性能(néng)、更高精(jīng)度的高(gāo)質量産品，勢(shì)必将對工藝和裝備以(yǐ)及企業正向設(shè)計能力提出更高的要求。實現智能制造，企業需要使用智能化的裝備，在生産過程中(zhōng)形成更優的生産工藝，做出全局最優的生産和研發決策。而不是僅僅停留在看一(yī)個(gè)顯示生産過程(chéng)數據的大(dà)屏系統，又或者是(shì)單純的可視化渲(xuàn)染界面(miàn)，新技術的應用還是要深入(rù)生産過程中去，避免“高大全的(de)花架(jià)子”。從控制論的角度來看(kàn)，實現智能制造應理解為是要打(dǎ)造一個閉環(huán)控制系統，控制(zhì)目(mù)标即為實現最佳生産工藝流程，達到最佳生産狀态。控制系統運行的(de)關鍵在(zài)于可以實現良好的負(fù)反饋調節，以及實現從決(jué)策端到(dào)執行端的打通。閉環(huán)控制系統的覆蓋範圍可以是一台機器或者一條生産線，也可以是一個車間、一個工廠甚至是一條産業鍊。同時，這個系統(tǒng)具有自适應性。由此可見，智能制造包含感知、決策和執行三個要素，通過工(gōng)業物(wù)聯網、邊緣(yuán)計算等技術收集系統内産品、設備、車間和企業的運行狀态(tài)，這些數據(jù)經過處理後會彙總到工業數據平台上。最(zuì)為核心的是決策中樞，過去企業的生産決策都是以依靠人的經驗判斷為主(zhǔ)，智能(néng)制造系統中決(jué)策将逐漸以數(shù)據驅動(dòng)+工業機理(lǐ)融合模型的判斷(duàn)為主，決策中樞将具有自适應性。執行系統也是必不可少的，現在也有(yǒu)企業将(jiāng)RPA技術應用到一些固定的機台聯(lián)動操作流程(chéng)上，減少人工操作，進一步提高生産的自動化(huà)程度。新一代信息技術與(yǔ)制造業深度融(róng)合，引(yǐn)發出一個重要變化：數據作為(wéi)一種新型生産要素逐漸得到産業界的重視。可以看出，智能制造的(de)底層基礎(chǔ)是數字化，即數據需要在系(xì)統内得到(dào)精準(zhǔn)的采集、傳輸、存儲和分析。智能制造的核(hé)心數據來自裝備和(hé)工藝過(guò)程，在此基礎上包含裝備與生産管理軟件間的交互，以(yǐ)及軟件間的交互。整個系統(tǒng)要對數據實現整合分析和(hé)閉環控制，就(jiù)需要面向工業物聯網場景的數據接入(rù)和轉換協(xié)議方案、消息中間件、時序數據庫或實時數據庫、邊緣AI推理框架或工具乃至一整套的雲邊(biān)端AutoML平台。以數據存儲環節的數據(jù)庫(kù)為例，由于(yú)工業物聯網場景下的(de)工業數據(jù)規模巨大，例如GoldWind每個風機部署有120-510個傳感器，數據采集頻(pín)率最高會達到50HZ，2萬台風機每秒就會有5億個時序數(shù)據，這些海(hǎi)量數據的存儲和(hé)實時計算就會對數據(jù)庫提(tí)出更高(gāo)要求[3]。在實際訪談和調研中發現，工業數據的收集、協(xié)議的轉換(huàn)确實是(shì)一個令人頭疼的(de)問題，因為采集(jí)的物理量會有很多，工業協議又有(yǒu)很(hěn)多種，業界也有在(zài)探索應用OPC UA over TSN等技術解決這類問題。但更重要的問題是采集哪些數據更有用，以及數據收集後怎麼把數據(jù)用起來。這(zhè)裡面還是要以工藝(yì)優(yōu)化(huà)、生産決策優化(huà)為(wéi)導向，不能為了采(cǎi)集而采集，為了上數據平台而上數據平台。數字化、網絡化和(hé)智能化是相互支撐的，不實現智能化變革，數字化轉型也會(huì)失去方向和價值支撐。僅以生産過程為例，生(shēng)産過程中自動(dòng)化設備産生的生産數據沉澱下來，網絡化就是指通過網絡技術将數據傳輸至數據(jù)平台或現場(chǎng)控制系統中，更重要(yào)的是對數據進行分析(xī)處理，實時決策控制裝備和工藝過程，實現智能(néng)化生産。智能制造涉(shè)及裝備、生産工藝、生産決策、産品全生命周期管理(lǐ)、研發設計等方面，這些方面始終圍繞的核心(xīn)是(shì)質量。質量是制(zhì)造業企業的生命線，而質(zhì)量依賴于可(kě)靠的裝備和先(xiān)進的工藝。裝備承載工藝，工藝引導(dǎo)裝備，兩者不可分割(gē)并且會相(xiàng)互促(cù)進。因此智能制造的重點首先是要(yào)深入工藝生産環節，落在裝備智能(néng)化和生産智能化上。裝備和生産工(gōng)藝智能化特别需要企業将新一代信息技術與(yǔ)先進制造技術融合，但(dàn)不是一味強調AI一類的新技術(shù)。認為有了(le)新技術可以解決一切問題或(huò)者彎道超(chāo)車的觀點是有失偏頗的，實現(xiàn)裝備和工藝智能化需要立足制造規律和工業基礎。裝備(bèi)方面，機床是最為重要的機械裝備，主要分(fèn)為切削加工和成形機床兩大(dà)類。其中切削加工機床的(de)智能化主要在(zài)以下方面：通過實時采集(jí)振動、主軸溫度、切削力具備感知力，進而可以(yǐ)針對外界(jiè)環境和機床及刀具本身狀态的變化進行自适應決策(cè)，即動态實時優化控制進給深度、進給速度和切削速度以及溫度誤差補償等，同(tóng)時防(fáng)止刀具過度磨損。但是機(jī)床的加工工藝(yì)目前仍然需要工藝規劃人員(yuán)人工設置，尚未實現(xiàn)自主規劃和自适應的優化，無法高效應(yīng)對多品種小批量(liàng)的柔性生産需求[4]。再以金屬塑性加工中的鍛壓裝備(bèi)為例，目前鍛壓(yā)裝備正在數控技術基礎上(shàng)向智能化邁進，通過分散多動力、伺服電動機直接驅動和集成一體化等技術(shù)途(tú)徑滿足智能化鍛(duàn)壓設備生産過程高效、柔性、高精度的要求[5]。在新興的增材制造領域，國外公(gōng)司Markforged通過嵌入AI算法驅動的軟件并結合IoT傳感器提升(shēng)裝備的智能化程度。其增材(cái)制造裝備可以自适應地打(dǎ)印零部件，實時進行公差補償和路徑優化。而且每一台3D打印機的打印流程數據都會沉澱(diàn)在雲(yún)端平台，于是整(zhěng)個增材制造系統将(jiāng)通過這種聯合學習(xí)實現自我(wǒ)優化，用戶(hù)也将得到更精确的制造(zào)流程。對于增材制造這種成型同時成性的制造方式，軟件提供的智能化價值更加重要。在工業機器人智能化方面(miàn)，自适應編程軌迹規劃的需求日益增長，學術界和(hé)業界都在(zài)進行探索。業界如摩馬智能自主研發認知智(zhì)能算法訓練平台(tái)，将基于AI的自适應(yīng)軌迹規劃算法下(xià)發到邊緣端，使得機器人可(kě)以根據不同産品的生産(chǎn)工藝及周圍環境的(de)變化，實時做出(chū)動作決策。如此，工業機械臂的部署時間可以(yǐ)縮短(duǎn)到十幾小時甚至是幾個小時。對企業來說，節省換線部署成本和人工調試成本是具有很高價值的[6]。工藝方面，目前主要通過(guò)機理模型和數據驅動模型兩種建(jiàn)模方(fāng)式來實現(xiàn)智能化。又因為實際工業場景中的諸(zhū)多工藝過程大多具有(yǒu)非線(xiàn)性、時變性及複雜多尺度(dù)的特點，有的場景(jǐng)甚至無法建立完整的機理模型(xíng)或者建立難度非常(cháng)大，所以通常會将機理模型和以AI技術為基礎的數據驅動模型融合起來，實現工(gōng)藝過程(chéng)的自主學習叠代(dài)和智能決策控制。流程行業中張夢(mèng)軒等總結了将化工過程的第(dì)一性原理(lǐ)及過程數據和AI算法(fǎ)相結合的混合建模方法。混合(hé)模型可以綜合機理模型和數據驅動模(mó)型各自的(de)優點，應用(yòng)在化工過程中(zhōng)的監測、優化、預(yù)測和軟測量方面[7]。離散行業中(zhōng)的塑(sù)性加工的鍛造成形過程(chéng)也是(shì)一個複雜的非線(xiàn)性時變過程，加上(shàng)實際場景中還可能(néng)存在油液洩漏等(děng)衆(zhōng)多不确定的幹擾因素，所以精準鍛造過程控制難度很高。單純依靠機理模型的控制策略存在偏差(chà)。将基于物理(lǐ)動力學的機理模型和(hé)具有在線樣本學習能力(lì)的數據驅動模型結合起來，可以(yǐ)在鍛造(zào)過程中對鍛(duàn)造工藝(yì)參(cān)數進行實時調整與補償，實(shí)現鍛造過(guò)程的智能化控制[8]。再比如工業中應用場景最為廣泛的工藝(yì)：焊接(jiē)。還是動力電池組的電(diàn)阻點焊，大多(duō)依賴人工焊接[9]。正式焊接前通常需要進行大量嘗試各(gè)種焊接參數組(zǔ)合，才能得到制造需(xū)求的最優(yōu)參數，這種“試錯法”耗時長、材料消耗大。星雲電子的徐海威等(děng)研究發現利用貝葉斯極限梯(tī)度提升機(Bayes-XGBoost)與粒子群優化(PSO)算法結合預測最優參數，可以幫助電阻點焊(hàn)工程(chéng)師面對新(xīn)的動力電池(chí)組生産需求時快速選取合适工藝參數，提升人工焊接生産效率(lǜ)，避免耗費大量材(cái)料[10]。其次，無論是(shì)人工焊接還是機器人焊接，其焊接過程仍屬(shǔ)于開環控制。即使是高度自動化焊接機器人(rén)産線，其(qí)焊(hàn)接過程和質量都不(bú)是完(wán)全可控，單機的誤差累計和多機之間的相互影響(xiǎng)都會影響焊接質量，而焊接質量直接決定了産品安全性能。比如一台汽車(chē)白車身的焊點數量在4000~7000個(gè)，為了保障焊點質量，國内外車企都會在(zài)自動化焊接後(hòu)進行人工抽樣(yàng)檢測，再根據抽檢結果進(jìn)行焊(hàn)接工藝參數(shù)的(de)離線調整。但這種事後抽檢無法做(zuò)到100%質量保障，一旦出現問(wèn)題就會批次召回，損失很(hěn)大。這就迫切需要針對工藝過程環節的在線控制和實時質量評價技術[11]。對于人工焊接，工藝智(zhì)能分析技(jì)術可以将IoT層面收集的實時信息和(hé)分(fèn)析結果通過MES下(xià)發到現場，幫助企業實現生産加工缺陷實時智能診斷。對于焊接機器人，可以采用基于(yú)焊工智能技術(shù)的方法提升(shēng)焊接機器人智能化水平，思路是使機器人(rén)具備(bèi)類似人類焊工的學習動态焊(hàn)接問題的能力，主要通過視覺、體覺和(hé)思維上在線感知實時焊接狀态(tài)，并具備類似焊接工人對焊接(jiē)場景(jǐng)形成(chéng)記憶的學習(xí)能力。在焊接過程中，機器人主要基于熔池動态捕捉和識别算法實現對(duì)熔池的動态監(jiān)測，并通過調整焊接速度和焊接電流兩(liǎng)個工藝參數對熔池進行實時控制(zhì)，最終得到受控(kòng)的(de)連續均勻焊縫[12]。該方法屬于(yú)一(yī)種基于質量在線(xiàn)評價的工藝實時閉環控(kòng)制技術。應用這類智能化焊接技術(shù)可以有效(xiào)解決焊接機器人的自适應決策控制難題，不僅可以幫助企業實現加(jiā)工過程的精确控制(zhì)，獲得最佳的材料組織性能與成型質量(liàng)，還可(kě)以幫助企業節省下來日常調試和(hé)換線(xiàn)部署機器人的時間成本和(hé)高昂的人工成本。上述參數(shù)尋優、質量在線評價及實時控制技術(shù)在業界也已經開始了相(xiàng)關産(chǎn)業實踐，比如蘊碩物聯和大熊星(xīng)座，大熊星座更側重視覺技術上的焊縫識别。從以上例子可(kě)以看出，就工(gōng)藝智能化而言，其控制目标是生産(chǎn)條件達到最(zuì)優，産(chǎn)成品良率得到提升，減少交付時的殘次品數量。我們會很自然地發現(xiàn)，相較于在質檢環節單點式地運用檢測技術，工藝智(zhì)能可以從源頭上解決質量問題(tí)，因(yīn)為前者隻是一種(zhǒng)事後檢驗(yàn)評價。誠然，廠商(shāng)需要對缺陷等(děng)産品殘次情況進行檢測，目前AI技術在工業中的應用也主要集中(zhōng)于視覺檢測，但廠商更需要形(xíng)成對殘次原因追根溯源和精細化工藝參數反饋控制的能力。由(yóu)此，單純的機器視覺、設備制造乃至工業軟件等(děng)公司都可以從自身産(chǎn)品出發逐步擴展，實現更大範(fàn)圍内的智能優(yōu)化。這方面(miàn)舉一些半導體行業中将工藝制程(chéng)優化和視覺檢測結(jié)合的案例，例如應用(yòng)材料公司将機器學習算法融入ADC（自動缺陷分類）技術中，其Purity II ADC技術拓展了應(yīng)用材料(liào)SEMVision G7系統的機器學習(xí)能(néng)力。基于ML算法進行實時自動分類、缺陷檢測和根本(běn)原因分析(xī)，可以促進半導體制造企業工藝和良率管理水平的提升[13]。國内的初創公司哥瑞利、昆山潤石(shí)科技等也在進行類似工作，将工藝制程(chéng)管理的FDC（自動失效分類系統）和ADC系統結合起來，使用AI算法并融合IoT設備(bèi)采集的過(guò)程數據，共同形成了一個可實現負反饋調節的制程優化控制系統，幫助企業快速定位缺陷産生原因、優(yōu)化工藝，進而可以縮短産(chǎn)線調試周期和提升(shēng)良率(lǜ)。上述列舉了裝備和工藝智能化方(fāng)面的典型案例，這些案例都是從制造(zào)業最關心的質量問題出發，以實現生産過程的實時(shí)自适應決策控制(zhì)為目标。這些智能化技術将以軟件形态交付給設備使用企業甚至是設備制造商(shāng)。持續沉澱積累的工藝數(shù)據将不斷加強這類工藝智能軟件的技術壁壘。對(duì)于裝備制造業企業(yè)來講，需要從單純提供硬件産品轉變到同時交付軟件(jiàn)和硬件産品，提高客(kè)戶粘性(xìng)，加強自身技術壁壘(lěi)。制造工藝和設計仿真
協同促進正向設計
上一(yī)節闡述了應用裝備和工藝的智能化技術實現精準過程控制，進而保證産品質量和良(liáng)率。但是産品良率(lǜ)提(tí)升并不是從生産環節的設(shè)備控(kòng)制和工藝優化開始的，而是在設計(jì)仿真(zhēn)環節就可以(yǐ)開始介(jiè)入，特别是在正向(xiàng)設計開(kāi)發新産品新工藝的階段(duàn)。例如在锂電池制造過程中，塗(tú)布、幹燥、輥壓、pack這些工藝中的參數變化以及工藝間的相互作用會怎樣(yàng)影響最終(zhōng)電池性能（能量密度(dù)和循(xún)環次數）。現在(zài)業(yè)界主要還是使用“試錯法”來對工藝進行(háng)驗證(zhèng)，但是效率較低(dī)、耗費成本較高。這就需要利用設計仿真軟件平台進(jìn)行虛拟測試驗證，節省下真實世界(jiè)中物理測試的成本。Alejandro A. Franco主導建設(shè)了一個名為“ARTISTIC”的項(xiàng)目，該(gāi)項目受到歐盟地平線2020科研計劃的資助。該項目團隊建立(lì)了一個模拟锂離子電池制造過程(chéng)并預測(cè)其電化學性(xìng)能的計算平台。該技術平台(tái)通過離散元法(fǎ)和粗粒化分(fèn)子動力學（coarse grained molecular dynamics）模型基于工藝參(cān)數預測電極介觀結構，再基(jī)于連(lián)續介質模型利用介觀(guān)結構數據預測電池宏(hóng)觀上的電化(huà)學性能(néng)表現。可以看出該(gāi)項目在嘗(cháng)試建立一個材料-工藝-（極片）結構-性能的多(duō)尺度仿真平(píng)台[14]。圖片來源：ARTISTIC項目官網
此外(wài)，該項目(mù)綜合(hé)利用(yòng)DoE試驗設計（Design of Experiement）、物理模(mó)型和(hé)機器學習算法的混合建模方法，來預測材料、電極(jí)制造和電池性(xìng)能之間(jiān)的最佳組合。即将DoE試驗和物理模(mó)型得到的結果，經過(guò)一個數(shù)據驅動的(de)随機電極介觀結(jié)構(gòu)生成器擴(kuò)大樣本，再将這些樣本用于訓練機器學習算法，以(yǐ)求得到(dào)制(zhì)造工藝參數與(yǔ)電極性能之間的關系[15]。這意味着該平台甚至(zhì)可以用來(lái)基于目标需求進行反(fǎn)向規劃，例如給定一個電池目标性能和材料，确(què)定合适的制造工藝參數，比如(rú)幹燥環節中的溫度控制[16]。锂電(diàn)池設計仿真與制造(zào)工藝協同(tóng)方面，國内業界在探索類似實踐的有易來科得和海仿(páng)科技等。其實不隻是電池行業，許多行業的正(zhèng)向設計環節也需要通過制造工藝-設(shè)計仿真協同來提升研發效率，以更快速度(dù)、更低成本實現技術創新和産(chǎn)品創新。在(zài)半導體行(háng)業，随着芯(xīn)片技術節點進一步變(biàn)小、設計和工(gōng)藝複雜性進一步提高，開發新技術(shù)節點工藝的成本激(jī)增、周期拉(lā)長。晶圓廠為加快工藝節點的開發速度(dù)，需要與半導體設計企業更緊密地(dì)協同開發叠代，集成電路設計企業也需要更早地介(jiè)入到工藝開發階段中，使得器件設計和工(gōng)藝開發能夠(gòu)進行針(zhēn)對性的優化從而滿足自身定制化需求。于(yú)是設計-工藝協同(tóng)優化（DTCO）的理念方法就在14nm技術節點以後逐(zhú)漸發展起來，其主要作用就是(shì)在合理優化和利用新工藝技(jì)術節點工藝能力的(de)基礎上，同時優化系統PPAC（ 性 能 performance, 功 耗power, 密度(dù) area，成本cost）[17]。DTCO對于新工藝開發及良率優化非常重(zhòng)要。從DTCO的角度看(kàn)，良率優化貫穿設計到制造的全過(guò)程，需要多環(huán)節協同叠代。例如在版圖設計環節上，如何有效識别壞點圖形(xíng)，并且據此優化(huà)對基于同(tóng)一工藝的其他芯片設計(jì)方案，可以提升後續設計和制造的良率。除了設計和(hé)制造環節之間的協同外，材料因素也非常重要(yào)。應用材料公司(sī)在DTCO的基礎上提出要實現materials to device simulation，原因(yīn)在于(yú)器件尺寸不斷(duàn)縮小、更多複雜3D幾何(hé)形狀被采用(yòng)以及新材料的引入，半(bàn)導體器件仿真變得越來(lái)越複雜。這就需要采(cǎi)用新的多物理場多尺度仿真工具，将器件性能與材料特性聯(lián)系起(qǐ)來，系統研究材料(liào)、幾何形狀以及工藝的變(biàn)化将如何影響器(qì)件的電(diàn)學性能，以此優化器件設(shè)計[18]。materials to device simulation和DTCO在應用材料手中開始呈(chéng)現融合的(de)趨勢，應用材料公司在2021年發表的一(yī)篇論文中提出了Materials to Systems Co-Optimization，希望實現從材料到系統的多尺(chǐ)度協同優化[19]。可以(yǐ)發現這個思路就和上(shàng)述我們提到的锂電池“ARTISTIC”項目的非常類似，都是希望将設計仿(páng)真從微觀尺度(dù)的材料一(yī)路擴展到宏觀尺度的終端産品，并(bìng)以此确定最佳工藝路線和參數（覆蓋前道、中道及後道中多(duō)個工藝環節）。對于(yú)我國半導體企業來說(shuō)，DTCO預計可能成為優化(huà)成熟技術節點(diǎn)下的産品競争力、降(jiàng)低先進工藝開發(fā)成本并縮短工藝開(kāi)發周期的優選方案，可以幫助中國(guó)Fab/IDM加快先進工(gōng)藝(yì)開(kāi)發，縮短TTM（time to market）, 提升相(xiàng)同(tóng)技術節點下芯片(piàn)制造良率和可靠(kào)性(xìng)，從而提升核心競争力。DTCO也将幫(bāng)助EDA企業沿着産業鍊拓展用戶群，類似的邏輯在剛才提到的锂電池行業(yè)也存(cún)在。從锂電池和半導(dǎo)體這兩個行業的前沿(yán)案例可以看出，制造工藝與産(chǎn)品設計仿(páng)真的協同趨勢(shì)日(rì)益凸顯，而制造業的核心競争力(lì)最終會歸結到(dào)如何更加快速地找到匹配材料的最佳制造方法，以及材料方面的開發。因此，我國工(gōng)業設計仿真軟件需(xū)要在實現自主可控的(de)基礎上，進一步實現制(zhì)造工藝-設計仿真協同優化。在協同優化中，設計仿(páng)真(zhēn)也可以應用于裝備優化，以此實現(xiàn)更佳的工藝效果。例如北(běi)方華創在PVD設備研發方面掌握使用了自(zì)主研發的腔室設計與仿真模拟技(jì)術，其矽外(wài)延設備在感應加熱高溫控(kòng)制技術、氣流場(chǎng)、溫度場模拟仿真技術等方面取得突破，可實現更優異的外(wài)延工藝效果。再(zài)比如锂電設備頭部企業先導(dǎo)智能組建了40人的博士仿真設(shè)計團隊集中攻關疊片工藝中(zhōng)的粉塵問(wèn)題。為什麼要解決(jué)粉(fěn)塵問題？因為疊片時(shí)産生的細微(wēi)粉塵堆積在電池芯的表面會影響電池芯質量以及(jí)組裝後的電池性能。該團隊通過多(duō)物理場仿真模拟對疊片機進行優化設計，保證裝備達到車(chē)規級電池制造要求，實現更好品控[20]。綜合上述(shù)兩節内容，我們的視角從裝備工藝環(huán)節拓展到了設計仿真環節，可以(yǐ)看出裝備、工藝、材料(liào)和産品之間(jiān)是緊密聯系(xì)的。裝備工藝的嵌入式軟件(jiàn)使裝備可以應(yīng)對不斷變化的材料工藝，在柔性(xìng)生産情況下形成最(zuì)優參數組合，獲得高質量産品。研發(fā)設計平台也需要協同制造工藝仿真來優化新産品的開發，降低正向(xiàng)設計耗費成本，提升研發效率和産品良率。網絡化支撐企業設計仿真
生産制造及服(fú)務全流程協同
上一節談到設計仿(páng)真，當前企業對于實現高效協同(tóng)設計仿真的需求越來越迫切。協同設計仿真需要統(tǒng)一的數據接口以及應用雲計(jì)算、HPC等技(jì)術(shù)。以汽車行業舉例(lì)，産(chǎn)品設(shè)計的數據可能會在車企内部的不同部門間流轉，也可能會和外部供應商進行數據交互，但(dàn)是不同部(bù)門使用的軟件平台不(bú)同(tóng)導緻數據交互阻礙很大，具體比如(rú)電氣控制、機械、材料、工(gōng)藝和智能(néng)駕(jià)駛等各方面的建(jiàn)模各成一個系統，各系統(tǒng)間也(yě)缺乏統一的協同交互。為了解決協同仿(páng)真的難題(tí)，目前業界開發了仿真模(mó)型交(jiāo)互接口(kǒu)FMI（Functional Mockup Interface），可适用于不同仿真軟(ruǎn)件之間的模型交換(huàn)，并可将模型封裝為FMU（Functional Mockup Unit）用以(yǐ)協同仿真。此外(wài)，如果涉及(jí)一個大型項目研發，不同(tóng)部門會希望能夠實現同時在線設計仿真，而這就需要(yào)雲計算和(hé)HPC（High performance computing）技術的支持。例如在CAD領域，當前(qián)設計方式已經逐漸(jiàn)由單人離線設計向多人在線協(xié)同設計轉變。華天軟件研發(fā)了基于雲架構的CrownCAD。CrownCAD包含其(qí)自(zì)主研發的三維幾何建模引擎(qíng)DGM、2D以及3D約束求解引擎DCS，具有高效的(de)參數化應(yīng)用層機制，這種(zhǒng)基于雲存儲、雲計(jì)算(suàn)、雲渲染技術的(de)CAD可以(yǐ)支(zhī)持超大規模的協同設計[21]。其(qí)實不光是設計仿真環節需要網絡化協(xié)同，制造業企業還需要(yào)将研發設計、生産制造及服務各個環節的數據和信息模型都打通，以此提升(shēng)自身經營效率。由此，我們讨論的範圍就從前兩節的生産和設計仿真(zhēn)環節，進一(yī)步拓展到産品的運營服務環節。目前業界嘗(cháng)試通過搭建工業物聯網平台（Industrial IoT Platform）或者說工業PaaS平台來實現全流(liú)程協同管理。即制造業企業基(jī)于IIOT平台實現研發設計、生産制(zhì)造及服務全流程的提升和産品的(de)全生命周期管理。從這一點上來說(shuō)，工業物聯網(wǎng)平台或者說工業PaaS平台(tái)是要搭建一個(gè)多方協(xié)作(zuò)的橋梁。例如位于Gartner IIOT魔(mó)力象限中位于頭部位置(zhì)的PTC ThingWorx，就是一個具備設備互聯、數據存(cún)儲（集成第三方時序數據庫）、數字建(jiàn)模、智能分析、應用開發及增強現實(shí)的整(zhěng)體IIOT解(jiě)決方案。PTC在ThingWorx的基礎(chǔ)上(shàng)，結合(hé)自身CAD/PLM/AR等産品線(xiàn)，将(jiāng)制造業研發、制造及服務的(de)業務線整體聯系起來，幫助制(zhì)造業企業客(kè)戶實現内外部協(xié)作和産品的全生命周期管理(lǐ)。上圖以PTC客戶德國的e.Go汽(qì)車制造商的情(qíng)況為例：在研發(fā)設計階段，供應商(shāng)和制造商可(kě)以在同一個CAD和(hé)PLM系統中基(jī)于統一的産(chǎn)品數據進行協作，提高交付效率。制造(zào)過程中，操作員(yuán)可以借助平闆電腦上的(de)AR 應用程序來識别他(tā)們正在查(chá)看的産品的(de)配置，并可實時調用質量檢查的标準以便對照。另外在産(chǎn)品售後(hòu)服務環節中，企業通過物理VIN編碼追蹤汽車各個零部件；持續更新的部(bù)件數(shù)字孿生(shēng)模型将反(fǎn)映發動機、傳動系統等部件的後續變化，企業以此為汽車提供預測性維(wéi)護服務，保障産品壽命，并将實際運行(háng)數據反饋(kuì)給設計(jì)端。綜合來看，制造(zào)業企業實現(xiàn)内部(bù)高效協同的挑戰有很多，比如硬件設備種類多(duō)，沒有(yǒu)統一(yī)的數(shù)據接口，各環節(jiē)不連貫(guàn)。這也就是為什麼提出推進(jìn)兩化融合，這也就(jiù)是為什(shí)麼工業4.0的一個終極目标就是(shì)讓軟件(jiàn)定(dìng)義制造。試想一下，如果所有的制(zhì)造單元都可以通過軟件柔性拼(pīn)接（中間由AMR連接工序），所有子系統内的設計仿真模型(xíng)都可以相互(hù)交互，整個工廠具備了強大的互操作性，運營效率就将得到(dào)極大(dà)提升(shēng)，制造業企業将不再這麼笨(bèn)重。當然實現這個圖景絕非朝夕之間就能達成，需要長久的努力(lì)。數字化支撐制造業提(tí)升管理水平
&企業生産決策智能化
以(yǐ)上闡述(shù)的主要是側重(zhòng)技術方面的創新應(yīng)用，但是對于企業來說技術和管理不可偏廢。現(xiàn)在很多制造(zào)業企業的日常管理(lǐ)方式還(hái)很粗糙，例如在紡織業中，印染廠的訂單下放、報工、坯布入庫、領料、成品出(chū)庫主要通過人員手工填報完成，實時性(xìng)差且受人為因素影響大。管理者如果想了解一個訂單的情況可能得(dé)花上幾個小時才能準确(què)得知(zhī)全貌，車間管理者處理生産異常(cháng)事件效率較低。這些又不是MES系統所(suǒ)能完全解決的。對于任何一個制造業企業，管理水平的提升是非(fēi)常重要的，比如如何對知識進行有效(xiào)的管理(lǐ)、如何轉變日(rì)常生産活動的管理方式和手段等(děng)等。數字化技術(shù)對(duì)管(guǎn)理的支撐作用不可(kě)忽視，目前出(chū)現一批初創公司(sī)開始(shǐ)幫助制造業企業進行移動端的數字化改造，通過交(jiāo)付生産(chǎn)管理SaaS軟件(jiàn)提(tí)高企業工廠管理水平，可以提高企業車間管理(lǐ)的協同效(xiào)率，如專注紡織業的數制科技，還有服務離散制造行業的羚數智能等。企業(yè)日常管理中最重要的部分是(shì)生産決策，決策覆蓋的層次會從(cóng)裝備、産(chǎn)線一(yī)直到車間、企業乃至(zhì)整條上下遊供應鍊。幫助企業實現生産決策智能化是智能制造的一(yī)個重要方(fāng)面。目前在企業層次的生産決策方面，大部分企業主要通過高級排産人員依靠自身經驗和業務規則進行排産(chǎn)，工具上還在使用Excel，算法方面(miàn)仍以啟發式規則算法或遺傳(chuán)算法等算法為主。但是(shì)，單純依賴高級排産人員的經驗很難實現決策的精(jīng)準性和合理性，特别是在柔性生産的場景中。這就需(xū)要基于運籌學和AI算法的APS系統(tǒng)來幫助企業進行排産決策。企業生産(chǎn)過程中，有效加(jiā)工時(shí)間其實占比很(hěn)少，90-95%的時間其實(shí)都是(shì)在等待物料運輸、上(shàng)下料和定位等中間環節上消(xiāo)耗掉了。部(bù)署AGV/AMR可以幫助企業實(shí)現生(shēng)産(chǎn)搬運和倉儲管理(lǐ)的自(zì)動化，提升廠内物流的自動化(huà)程度(dù)，進而可以使(shǐ)生(shēng)産線上各設備(bèi)之(zhī)間(jiān)的運作更為協同高效，提升企業OEE。在實際實施過程中，AMR的實時調(diào)度算法非常重要，而且AMR的實時調度也(yě)要和APS系統對企業(yè)整體生産調度結合起來，确(què)保決策計劃層和執行層之間數據互通。值得注意的是，無論是APS還是AMR，都需要注重提煉與企業生(shēng)産工藝密切相關(guān)的調度規則和産(chǎn)能平衡設計，将(jiāng)企業制造資源和工藝流(liú)程完全融合，如此才可能(néng)滿足(zú)客戶對生産過程中産能和效率的(de)需求。生産決(jué)策也可以從一家企業(yè)延伸至一(yī)條産業鍊的上下遊，在上下遊企業之間實現(xiàn)協同(tóng)制造。例如浙江省正在對30個細分行業推(tuī)行的(de)産業大腦，通過産業(yè)鍊的整體數據輔助企業動态決策，可見政府也在(zài)這方面進行有益的嘗試。還有(yǒu)比如深圳的雲工廠(chǎng)、上海的捷配(pèi)科技等在嘗試打造分布式制造系統，分布(bù)式制造系統在競(jìng)争格局(jú)分散的行業環節中具有市場價值，如紡織、機加工和SMT等行業。中小型企業由于具有産能利用率不(bú)高、外協程度高、信息不對稱，通過制(zhì)造平台(tái)公司可以實現集中(zhōng)訂單和供應鍊采購，整合産能共享協同，提升整體行業交付(fù)效率。國外的Protolabs可以(yǐ)算是這個領域的一個标杆。人才對(duì)于任何一個行業都是非常重要的。這裡需(xū)要強(qiáng)調的是制造過程本身積累的知識需要通(tōng)過人才(cái)沉澱下來服務于設備設計、工藝優(yōu)化，逐步凝結成新一代的(de)硬件設備和工業軟件。因(yīn)此在裝備智能化、生産過(guò)程智能化乃至設計仿真與工(gōng)藝協同的(de)發展過程(chéng)中，設備工程(chéng)師和工藝工程師的作用不可忽視。未(wèi)來也需要越來越多(duō)懂工(gōng)業(yè)技(jì)術的軟件工程師參(cān)與(yǔ)工業數字化、智能化的曆史進程中來(lái)，工程師的工作内容也将更多(duō)放在工業知識沉澱(diàn)和數據分析(xī)研判方(fāng)面。從供給端來看，國内經驗豐富的技術工人數量(liàng)較少、培訓周(zhōu)期長，且部分領域呈現青黃不接的趨勢，逐漸成為稀缺資源。例如高級焊接工(gōng)人，高級排産人員，高級工藝工(gōng)程師（例如半導體刻蝕環節），以及機器人(rén)部署調試工程(chéng)師等等。而這些高級技術人才面對的生産場景普遍具(jù)有多品種(zhǒng)、小批(pī)量(liàng)的特點，這一特點(diǎn)也在不(bú)斷加強。這也意味着(zhe)如何沉澱積累出可以媲美高端技術(shù)人才(cái)經驗能力的數據驅動-機(jī)理融合模型，并将其封裝成算法軟件，是非常有價值的。另外初創公司也為制造(zào)業創新發展帶來了活力和人才。在近幾年的發展(zhǎn)中，智能制(zhì)造領域的(de)初創企業數量不斷增多，特别是湧(yǒng)現出更多聚焦生(shēng)産和設(shè)計環節、聚焦某一細分領域(yù)的初創企業。工業領域門類很多(duō)，每(měi)一個子門類下面(miàn)又會有很多細(xì)分領域和環節，這種行業特點(diǎn)使得初創公司(sī)需要集中一點做出技術創新上的突破，即所謂專(zhuān)精特新。如果一直做跨行業的項目而無法沉澱出(chū)一個标準化的産品(pǐn)，這麼走下去團隊隻(zhī)能是一個(gè)不斷接項目的技術服務商，沒有自己的核心根據地。聚焦一個行業，行業内某個環節上企業的需求特點(diǎn)大緻類似，這就為初創企業技術沉(chén)澱和規模化創造了條件。依托核心産品技術平台進行新産品開發，開發過程中(zhōng)形成的新技術也(yě)會反哺平台，新産(chǎn)品也可能進一步衍生出(chū)新的産品技術平台。平台與産品相互促進(jìn)，可以實(shí)現從單點(diǎn)突破到多環節覆蓋。硬件裝(zhuāng)備(bèi)制造商(shāng)如(rú)此，軟件服(fú)務商也是(shì)如此。之後會再寫文(wén)章分析這(zhè)一點。對(duì)于智能制造(zào)領域的初創公司來講，形成自身議價能力和技術壁壘主要還(hái)是靠做深入(rù)生産和設計環節的工藝優化和(hé)産品優化，因為客戶(hù)隻(zhī)有看到初創公司用技術和産品(pǐn)給(gěi)他們明顯(xiǎn)改善提升了他們的生(shēng)産和設計過程，客戶才會有較高的(de)付費意願(yuàn)。設計仿真的(de)重要性不言而喻。聚焦工藝優化在企業後續發展上也有規模化(huà)的潛力，因為一種工藝是可以用在多種工業(yè)場景和環節中的，初創企業可以将工藝智能化技術進(jìn)行跨行業的複用，無論是在産品标準化(huà)和橫向拓展上都會(huì)有一定的優勢(shì)。當然(rán)光是焊接技(jì)術就有很多細分種類，企業也需要有選擇(zé)地進(jìn)行技術研發和市場拓展。無(wú)論是設計仿(páng)真還是工藝智能，初創公司都需要(yào)明确技術對(duì)應的是一個存量市場(chǎng)還是一個增量新興市場，選擇(zé)什麼(me)樣的市場以及選擇什麼樣的客戶群，會深刻影響(xiǎng)企(qǐ)業的發展路徑和速度。好的客戶會對産品技術提出更高的要求，會加速公司産品技術研發上的良性循環。這裡客戶的優質與否不完全取決(jué)于客戶規(guī)模的大小。中國制造業的信息(xī)化、自動化和智能化程(chéng)度在各(gè)行業之間(jiān)分布并不均勻，如果初創企業(yè)選擇一個較為傳統的行業如紡織業，可以先通過輕量級的生産(chǎn)管理(lǐ)系統實現(xiàn)數字化改造，幫助(zhù)中小紡織企(qǐ)業管(guǎn)理者看到數字化管理帶來的效益，再深(shēn)入到印染工藝環節和排産決策中(zhōng)去，之(zhī)後去幫助企業逐步實現上下遊間(jiān)的協同。因此對于數字化和自動化程度不高的行業和企業(yè)，解決數字化是第一步，接下來需要(yào)創業團隊解決智(zhì)能化的(de)問題。初(chū)創公司能否滿足企(qǐ)業智能化階段的(de)需求，這就要考慮(lǜ)團隊的算法技(jì)術(shù)能力和對工業機理的理解深度。故(gù)而智能制造領域的創業團隊既需要有掌握新一代信息技術和(hé)先進制造技術的新生(shēng)力量，也(yě)需要有懂工業場景需求、目标領域工業機理(lǐ)的老(lǎo)法師。綜合以上對于智能制(zhì)造各方面的讨論，本文着重強調智(zhì)能制造需要聚焦本源，即裝(zhuāng)備和工藝，并将設計(jì)仿真和制(zhì)造工藝協同起來，以滿(mǎn)足企業(yè)降低生産(chǎn)研發成本、提高生産研發效率、提升産品(pǐn)良率的核(hé)心訴求。随着我(wǒ)國制(zhì)造業向中高端邁進，正向設計日益重要，創新的(de)源泉将着眼于材料、工藝（包含物理和化學的）以及兩(liǎng)者之間的匹配(pèi)優化。企業設(shè)計仿真、生産制造(zào)及服務各環節内部和之間的互操作(zuò)性和協同性對提升企業競(jìng)争力也非常重要(yào)，這些需要新的網絡技術支撐。此外，企業還要(yào)通過數字化、智(zhì)能化技術提升管理決策水平和(hé)精準性。至此(cǐ)，本文分析了裝備工藝、正向設計仿(páng)真(zhēn)及生産決策這三個智能(néng)制造的(de)重要支柱。最後我(wǒ)們再從企業經營和産業發展的角度分析一下智能制造的價值。從企業經營角度看智能制造的價值，ROE=銷售淨利率×總資産周轉率×權益乘數實現柔性生産，縮短(duǎn)産能爬坡和中間換線周期等可以提高(gāo)總資産周(zhōu)轉率，進而提高ROE。實現(xiàn)實時(shí)參數(shù)控制(zhì)決策，優化工藝(yì)以降低生産成本，即(jí)提升淨利率。降低對高(gāo)級技術人員的依賴及其人工成本也有助于企業提(tí)高淨利率。從産業角度看，制造業一方面需要自動化智能化裝備和工藝智能技術(shù)實現規模效應和柔性(xìng)制造，不斷降低制造(zào)成本(běn)、提高(gāo)交付效率(lǜ)，特别是在産能擴張周期(qī)，這(zhè)一點在锂電設備和锂(lǐ)電池行業(yè)近兩年的發展中表現尤為明顯。另一方(fāng)面産業發展不可(kě)能一直停留(liú)在追求生産規模效應的階段，還需要通(tōng)過設計仿真技(jì)術進行正向設(shè)計，以持(chí)續實(shí)現産品創新(xīn)、裝備創新和工藝創新。值得注意的(de)是，制造和設計(jì)兩方(fāng)面不是(shì)割裂的，是可以協同優化、相互促進的。從這一點上看，中國龐大的制造規模(mó)如果加上先(xiān)進的設計仿真技術，将會(huì)是如虎添翼。最後需要強調的是，技術的經濟性和(hé)易用性永遠是決定技術能否大規模應用的重要因素。比如支撐(chēng)算法優化的硬件資源價格、算法叠代升級的成本，還有企業(yè)能否直(zhí)接(jiē)獲得(dé)一個包含AutoML平台在内的(de)産品方便日後自己訓練模型，軟件是(shì)否支持低代碼開發？這些因素都可能影響企業是(shì)否(fǒu)選擇新方案。還有在工業軟件部署方(fāng)面，部署周期如果很(hěn)長或者拓(tuò)展性差導緻後期維護(hù)成本很高(gāo)，這些都會阻礙企(qǐ)業選(xuǎn)擇上一個新的軟件系統。所以也就(jiù)出現了基于微服務架構的新型MES軟(ruǎn)件服務商，例如數益工聯(lián)等。智能制造對我國(guó)從(cóng)制造大國邁向制造強國甚至創造強國具有重要作(zuò)用。實現智能制(zhì)造還有很多挑戰，中國(guó)還需要突破(pò)諸(zhū)多關鍵核心技術和裝備，例如設計仿真、基于(yú)機理和數據驅動的混合建(jiàn)模、生産智能決策、協同優化等(děng)技術和五軸機床(chuáng)、大規模集成電路制造裝備、智能焊(hàn)接機器人等高端(duān)裝備。本文提到(dào)的(de)DTCO、锂電池模拟平台、機器人自适(shì)應實時決策等也都存(cún)在諸多技術挑戰，比如DTCO中器件電學(xué)模型（spice model）的提取，這些需要無數市場主體去投入研發加快新技術的産業化。“科技創新對中國來說不僅是發展問題，更是生(shēng)存問題[22]。”制造業(yè)是關鍵核心技術的策源地，也是核(hé)心技術應用的試驗田。無論是中(zhōng)小企業，還是大型企(qǐ)業，都必須實現技術創(chuàng)新驅動的高質量發展。從産業整體(tǐ)發展階段來看，我國已經從來料加(jiā)工組(zǔ)裝、模仿創新逐漸(jiàn)向自主(zhǔ)創新邁進。過去(qù)我國制造業主要通過加(jiā)工和仿制産品向海(hǎi)外企(qǐ)業學習追(zhuī)趕，而模仿先進成熟的工藝和産品自然沒有正向設計的需求，自然也就沒有投入更多精力資源在正向(xiàng)設計方面。所以這一點(diǎn)上可以看出過去(qù)的發展特點導緻了當前工業“五基”薄弱，特别是工業基礎軟件方面。但我們不可(kě)能(néng)停留在模仿創新(xīn)階段(duàn)，主觀上沒有這個意願，客觀實際上也不允許，因為(wéi)産業發展如逆(nì)水行舟(zhōu)不進則退。技術的突破需(xū)要(yào)企業選擇自主(zhǔ)開發産品(pǐn)，而不是依(yī)附在某一海外(wài)品(pǐn)牌(pái)的供應鍊或者技術體系内。這一點在高鐵和汽車行業上體(tǐ)現得極為明顯。當企業以自主研發理念創新、性能先進的商業産品為目标時，企業将産生更強的創新動力和學習能力(lì)[23,24]。企業在自主開發産品中突破(pò)技術瓶頸(jǐng)、掌握正向設(shè)計能力。這(zhè)一(yī)點也已經在或(huò)将在新能(néng)源汽車、锂(lǐ)電池及設備、半導體等行業中顯現。如果這一産(chǎn)品(pǐn)尚未出現(xiàn)或成形，同時又是先(xiān)進生産力(lì)的方向，那麼(me)意味着将創造一個新興産業，一如上世紀誕生的大(dà)飛機、汽車(chē)、半導體以及互聯網。希望中國未來可以成為這類科技創新(xīn)的發源地，同時注重打造出面向大衆的品牌産品及産(chǎn)業鍊，實現C端品(pǐn)牌帶動B端制造産(chǎn)業鍊[25]。通過研發應用數(shù)字化、智能化和先(xiān)進制造技術(shù)，中國制造業企業(yè)将有能力進一步(bù)實現工藝流程和産(chǎn)品升級，逐步從價值鍊的低(dī)附加值位置躍遷到高(gāo)附加值位置，掌握(wò)新興産業的産業鍊話語權(quán)，不斷占據利潤(rùn)率更高、技(jì)術含金量更高的價(jià)值鍊，最終實現(xiàn)全球價值鍊框架内的(de)産(chǎn)業升級[26]。微觀上企業的技(jì)術、産品和品牌每進(jìn)步一分，我國制造業的貿易(yì)利益獲(huò)取能力就(jiù)有可能增強一分，就将在宏觀上提升我國在全球價值鍊和收入鍊上的位置(zhì)。實(shí)現智能制造道(dào)阻且長，十四五智能制造規劃中提(tí)出了到2035年，重點行業(yè)骨幹企業基本實現智能化。這意(yì)味着智能制造是一項長(zhǎng)期(qī)的系統工程。相信在(zài)未來十幾年的發展中(zhōng)，中國一定會(huì)湧現(xiàn)出越來越多創新驅動的智能制造企業(yè)！由于筆者時間、視野、認知有限，本文難免(miǎn)出現錯誤、疏漏等問題，期(qī)待各位讀者朋友、業界專家指正交流。
文章來源：數字化企業 如有侵權 請聯系删除
股權代碼：668911
