向數字化的智能制造要生產力，是各國應對產業升級轉型的共同選擇。基于深耕制造行業七年的成功實踐，阿里云對于制造業向智能制造升級提煉了九大場景，以及對應九大場景的可行解決方案。從微觀到宏觀，這九大場景已經基本覆蓋了智能制造的所有關鍵環節，可以作為回答智能制造現階段問題的著力點。

       中國的制造業，無論是流程制造還是離散制造，都遇到了進一步發展的瓶頸期。對于流程制造來說，如水泥、鋼鐵，表現比較明顯的是能源利用率的提升問題——特別是進入雙碳時代后，制造業的環保需求逐步加大。對于離散制造來說，突出問題是需求側市場變化太快，工廠的投入和產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現其中有共同的痛點，無論是設備的能耗優化/預測性維護、生產線的自動控制/工藝優化/調度優化、產品的質量檢測，還是供應鏈管理、營銷與銷售預測、產銷協同，可以歸類為：用大數據技術解決產線上的具體問題、AI技術落地于具體場景的問題，以及基于數據中臺和AI引擎的全鏈路數據一體化用于解決供應鏈上下游協同的問題。總之，一系列的問題都可以歸結為：如何用新的數據智能方式去幫助制造業企業實現產業升級。”阿里云行業線產品解決方案部總經理曾震宇總結道。

       向數字化的智能制造要生產力，是很多國家共同的戰略選擇。基于深耕制造行業七年的數字化實踐，阿里云對于制造業向智能制造升級提煉了九大場景，以及對應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：數據中臺、AI優化控制引擎、數字孿生與云釘一體。

       其中，數據中臺是制造企業非常重要的基礎能力。過去制造業可被實時搜集、感知和在線的數據少；未來3--5年，制造業的實時數據量一定會急劇增加，包括設備數據、傳感器數據等，需要圍繞這些數據進行建模、加工，然后基于數據中臺，不斷訓練AI數據模型并形成AI引擎，與工廠傳統經驗形成互補，最終形成AI知識圖譜，數字化一切以前不可量化的人為因素。

       另外，和所有的技術一樣，虛擬現實融合技術，真正規模化產生產業價值的方向并非在生活娛樂領域，數字孿生是工業發展的大趨勢。工廠內全維度數據構成的數字世界，今天已經不再是“科幻”，而是能夠利用數據和算法檢測生產線上的設備健康狀況、產品質量，并進行預測性智能決策。

       云釘一體解決的是組織協同問題。釘釘在實踐過程中將制造業的組織、系統集成在一起，整個辦公流程、生產流程、生產管理、質量控制、售后服務的自動化，都可以基于釘釘的協同平臺和應用開發平臺實現。

       智能制造的九大場景有六大場景著眼于產線的微觀智能，分別是自適應控制、生產工藝優化、能耗優化、專家知識系統、智能質檢、預測性維護；另外三大場景著眼于大型組織的數據歸一與協同的宏觀智能，分別是數據移動在線、產銷協同與柔性制造、工業數字孿生。從微觀到宏觀，這九大場景已經基本覆蓋了智能制造的所有關鍵環節，完全可以作為回答智能制造現階段問題的著力點。

       場景一：數據移動在線化

       去年12月工信部等八個部門正式印發《“十四五”智能制造發展規劃》，明確到2035年，規模以上制造業企業全面普及數字化網絡化，重點行業骨干企業基本實現智能化。中國工程院院士李培根進一步解讀，“發展智能制造，數據是基礎，數據是血液”。數據融合是制造企業降低生產各環節成本、提高生產效率的關鍵。

       人員的排班排產、產線的調度優化、貨物流轉、金融周轉等運營效率的提速，都需要生產經營數據的在線化與移動化。數據的在線可以讓企業管理人員在生產、經營過程中，依據實時數據不斷調優決策。

       釘釘發布的制造行業解決方案2.0從對生產狀況影響最大的人和設備著手，讓設備數據、成本數據實時呈現。“設備上釘”產品實現了人與設備的連接，每一臺設備都是一個釘釘賬號，管理人員可在釘釘上查看設備運行狀況，任何設備故障都可以通過釘釘自動通知到人，讓風險在第一時間被發現、被處理；設備上的生產進度，成為采銷、生產計劃的依據。

       除了“設備上釘”產品，“碼上制造”的專屬行業底座，通過生產碼、庫位碼、報工碼、物料碼等四個生產環節的二維碼，解決制造企業最核心的進（采購）、銷（銷售）、存（倉儲）、生產環節數據在線化和移動化的難題。

       這些能力全面開放給釘釘生態，在釘釘“制造工作臺”“行業廣場”上開發千人千面、個性化的工作界面，讓企業自主選擇符合需求的SaaS應用，讓更多類似設備上釘、碼上制造、計件日結的創新在釘釘的行業平臺上長出來。

       中國民營企業500強的東方希望集團于2017年開始使用釘釘，過去五年間，東方希望在釘釘上開發了67個針對不同場景的應用，集成到釘釘上，實時呈現工廠里的生產狀況和工藝，一旦出現產線異常，便由釘釘自動通知責任人。

       場景二：自適應控制

       利用生產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，但是由于生產設備和生產現場的復雜性、生產原料的不穩定性和環境變化，生產產線完全依賴傳統的PLC（可編程邏輯控制器）、DCS（分散控制系統）很難做到自動控制，依賴產線工人根據經驗判斷各種異常進行頻繁的操作控制，也會因為疲勞和經驗的差異出現波動。

       融合數據感知和AI決策的自適應控制應運而生。自適應控制基于產線的機理進行建模，根據歷史記錄，生產結果數據對模型進行訓練和優化，將模型下發到生產端根據產線實時數據推理生產參數并推薦，最后結合控制技術對生產線進行閉環控制。

       清潔能源行業的瀚藍環境擁有22個生活垃圾焚燒發電項目，日生活垃圾焚燒發電總規模33100噸。僅是廣東佛山南海廠區的六臺焚燒鍋爐，每天就能“消化”近3000噸垃圾，發電150萬度，足以滿足南海區16萬戶40萬人的生活用電需求。

       整個垃圾焚燒發電的過程，為了盡量做到讓垃圾的燃燒更充分、蒸汽更穩定，主要是靠鍋爐師傅調節焚燒爐的各種參數。限制發展的最大阻礙，就出在焚燒過程對人工經驗的過度依賴。不同工藝專家技術水平不同，調出來的效果相差較大。而培養一位合格的工藝專家需要1--2年的時間，一旦離崗，經驗也隨之帶走。

       企業亟需將經驗中的隱性數據轉化為顯性知識，嵌入到自適應控制中，讓機器協助人類來完成焚燒過程的復雜決策與控制。垃圾的充分穩定燃燒，過程中充斥著復雜的物理與化學變化，涉及多達2000個實時測點數據。第一步需要大量的數據計算，識別出最關鍵的30個測點數據，包括推料進程、推料動作、一次風量、一次風壓、二次風量、爐膛溫度、煙氣含氧量、主蒸汽壓力等。

       第二步，鎖定關鍵參數后，輸入到工業大腦平臺上的仿真預測模型，進行垃圾焚燒過程的模型訓練，實時預測焚燒產生的蒸汽情況。通過對每次垃圾推料的前后關系分析，比如推料前的爐型狀態、推料動作，以及推料后的焚燒反應，構建數據的輸入輸出關系模型。訓練過的焚燒爐蒸汽量仿真預測模型可以準確預測90秒后的蒸汽量，準確度到達95%，為后續推料提供決策依據。

       第三步，算法模型分析的結果通過API接口把推薦工藝參數實時提供出來。構建人機交互界面，部署到工廠控制室,輔助工人決策什么時候該推料，以及如何推料等操作建議。過去操作員4個小時內需要操作30次，才能讓垃圾焚燒過程保持穩定，而如今在AI的協助下，干預6次即可。工業大腦輔助對比單純人工操作，可以提升約1%--2%的蒸汽產量，鍋爐蒸汽量穩定性提升20%。

       第四步，算法直接與鍋爐系統連接，實現對垃圾焚燒過程的自動控制。由人控制機器轉為人監測機器、無需干預，降低對人工經驗的依賴。

       場景三：工藝優化

       工藝，是一家企業如何利用生產工具對各種原材料、半成品進行加工或處理，使之成為產品的方法，包括鑄造、鍛壓、機械加工、熱處理、焊接、裝配、油漆等工藝類別。

       一方面，各個行業都有自己的通用數字工具和自動化設備，如CAPP（計算機輔助工藝過程設計系統）。另一方面，企業自主研發創新、經驗總結的加工方法，可以成為企業自己的獨門秘籍，比如毛坯制作、機械加工、熱處理等各個環節先后順序的優化，都可以提高生產效率、降低生產成本、提升產品質量，是一家工業企業最核心的競爭力。


       每家制造業企業都規定了產品的工藝路線、機器設備和加工模具的種類、品名及編號、檢驗方法等，是組織生產和工人進行生產操作的重要依據。

       過去20年中國制造業的工藝優化，主要聚焦于兩個方面：引進國外的輔助工藝設計系統和培養有經驗的專家。今天，則轉向了數據智能。

       工藝優化的案例是攀鋼集團。脫硫是鋼鐵生產過程中的一個重要環節，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劑。但反應后產生的脫硫渣會帶走大量金屬料，每個爐次以220噸計，脫硫渣量均值為5噸，其中鐵損占比約為40%--55%。假設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，構建仿真模型：基于歷史數據與實時數據，構建脫硫預測模型。通過結合脫硫劑加入量、噴吹速率等十多個關鍵參數，模擬脫硫全過程，并配合參數優化模型，檢驗不同組參數的合理性及有效性。

       第二步，參數尋優模型：結合機器學習與老師傅的經驗，識別脫硫過程中的對脫硫結果影響最大的參數，包括鈍化鎂加入量、鈍化石灰加入配比、平均流量、噴吹時長等，通過尋優模型識別參數間的最優關系。再回歸到仿真模型中進行反復驗證，最終得到最優參數：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，脫硫操作人員根據推送的推薦參數，動態調節脫硫劑的加入量，減少脫硫劑的消耗。

       對年產值400萬噸鋼的攀鋼西昌鋼釩基地來說，每年減少1700萬元損失。

       生產工藝優化的解決方案，已經在鋼鐵、水泥、固廢、化工、

光       伏等多個行業場景中得到實踐。

       場景四：能耗優化

       能耗優化直接關乎“十四五規劃和2035遠景目標”中“雙碳目標”的達成，已經成為流程制造企業發展的重中之重。《中國上市公司碳排放排行榜（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。八大重點高能耗行業中的六個，都屬于“大制造業”。傳統制造業的高端化、智能化、綠色化，提高了制造業對新技術的發展要求。

       水泥行業有著很高的煤耗和電耗，水泥的“兩磨一燒”工藝（生料磨、回轉窯與水泥粉磨），是保障水泥品質穩定的主要因素。


       2021年，海螺水泥作為亞洲最大的水泥熟料供應商，敏銳地洞察到傳統的APC（生產優化系統）迭代能力跟不上業務需要，軟件適應性不強、數字化沉淀和復用受限，造成全局優化能力不佳的結果，果斷利用阿里云工業大腦AICS平臺，聚焦于水泥產線的“兩磨一燒”核心場景，完成能耗優化和工藝優化，分為下面幾步。

       第一步：數據采集與清洗。結合工藝專家經驗，水泥工業大腦首先將生產系統、控制系統、設備管理系統、能源管理系統中的海量數據進行提取，包括質檢數據、DCS數據、環境數據等。同時對數據進行清洗，剔除噪音數據或無效數據，補充缺失數據，為下一步模型訓練提供高質量的數據資產。

       第二步：模型搭建。采用先進的機器學習算法、神經網絡算法，結合先進過程控制模型，對所收集到的多維度數據進行建模，真實還原水泥產線上的實際生產過程。并通過對大數據模型的參數進行調節，以實現從輸入參數到輸出參數的非線性映射關系。

       第三步：機器學習。通過采集六個月的歷史數據，分析多達上百個變量之間的耦合關系，并對模型的輸出進行預測，使風、煤、料的最佳組合范圍可量化、可視化，達到同等產量熟料質量最好；同等質量情況下，產量最高；或是同質同產情況下，能耗最低。

       第四步：在線控制。最終生產線工藝參數的設定，會結合工藝參數范圍、步長信息、工藝參數實時值等，由水泥工業大腦進行多變量綜合分析，實時針對各工況的產量、質量、能耗多目標進行尋優，推薦一組最佳的工藝參數實時反寫回分散控制系統，實現水泥核心生產過程的自動駕駛、無人值守。

       海螺水泥僅僅兩個月時間，就實現了高自動控制的水泥工藝優化。在這個過程中，降低了2%--3%的能耗。對于水泥日產量1.2萬噸的工廠來說，這一能耗節省非常可觀。在后來的一段時間，逐步完成了全局優化的節能測試。結果顯示，該系統的節能水平超過了國外知名廠商同類型軟件的節能水平。

       以上自適應控制、工藝優化、能耗優化的案例能夠清晰地看到，基本解決方案路徑：收集歷史數據--鎖定關鍵參數--構建算法模型--用實時數據驗證算法模型，并進行調優--輸出動態參數推薦，或連接自動化控制系統。

       路徑和方法都是一致的，難度就在于找到海量參數里的因果關系，并構建優質的算法模型，這兩個節點的突破，則取決于數據智能的科學家和行業老師傅都具備卓越的專業能力和合作能力，同時需要一套專家知識系統。

       場景五：專家知識系統

       從以上場景，不難發現：在工業領域，傳統經驗知識的總結環節非常需要數據智能技術的加持。即便是有些制造業企業建立了數字化的專家系統，把專家經驗進行文檔累積，但是實際情況中，把數據經驗輸入到專家系統費時費力，每條記錄的經驗數據之間缺乏聯系，仍然很難形成“數據資產”。

       在智能制造的時代，AI知識圖譜作為人工智能的一個分支領域，具有“知識抽取”和“知識關聯”的能力，值得被作為一個單獨的解決方案提供給更多的制造業企業，在業內被稱為專家知識系統。

       阿里云知識圖譜系統，匯集各種應用場景下的數據，向知識圖譜的開發人員以及運營管理人員，提供了可視化的工具平臺，將留存在企業系統中的結構化、標注、規范、案例記錄和人的經驗等知識數據源轉化為計算機可以識別的知識圖譜數據，簡化了傳統知識累積的方法，有效提升了知識圖譜的構建效率，降低了經驗獲取和傳承的成本。

       電網等工業企業經常會在極端天氣情況下緊急處理設備故障，利用知識圖譜，把設備檢修規程導則、以往故障報告和設備維修專家的知識數據，形成電力行業的專業知識圖譜，開發基于知識圖譜的故障研判算法引擎。

       故障發生時，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案例，提供引導式的修復方案，輔助執行，迅速提升故障處置能力，降低故障處理難度，縮短了故障處理時間。

       近年來，城市配電網規模爆發式增長。

       以杭州城區為例，10KV的線路從1200條增加至2000多條，對效率、安全作業提出了更高要求。國家電網下屬杭州供電公司是杭州的配網指揮中樞，負責電網監測、電網檢修、故障處置等工作。每個杭電調度員每天需撥打100多個電話，實時監控500多條電力信息。碰上早晚高峰，40多通電話一齊涌入，調度員需同時協調4--6個執行單位，故障現場也要長時間等待。

       針對這些問題，“虛擬配網調度員”應運而生，阿里云為電力行業引入前沿的阿里云知識圖譜技術。

       如今，“虛擬調度員”對數千條城市電網電路如數家珍，可提前安排作業、現場核對作業、事后自動歸檔。一旦突發停電、斷電，“虛擬調度員”通過釘釘可在1分鐘內安排好相關人員，啟動檢修。

       “虛擬調度員”還學習消化了30多萬份的檢修歷史記錄，總結出可供實時決策的數據，形成了電力配網知識圖譜。在釘釘上，一線電工可以和虛擬調度員直接對話，實時獲得協助。設備歷史信息隨問隨答，是個“問不倒的機器人”。


       知識圖譜生產是一整套系統，涉及結構化、半結構化和非結構化數據，需要大數據技術。半結構化和非結構化的知識經驗、信息處理，則需要自然語言處理技術，處理為算法框架可以分析的數據。另外，知識圖譜本體構建管理、知識圖譜抽取前端交互、知識圖譜查詢和計算服務、知識圖譜存儲，后臺的系統管理和調度運維服務組件，甚至包括部署環境等技術能力也是知識圖譜構建的一部分。最終作為PaaS級產品，知識圖譜會基于通用底座，結合商業系統定制開發適合不同企業的知識圖譜平臺，提供應用能力。

       場景六：智能質檢

       制造業的質量檢測，可以應用于產品的最終質檢、物料制造的表檢，利用AI視覺識別技術來模擬人的視覺功能，從客觀圖像中提取信息，加以理解并進行處理，最終用于實際檢測、測量和控制。AI視覺系統被應用于各行業的生產中，如觸摸屏、激光加工、太陽能電池板、半導體、食品飲料、制藥、消費電子產品加工、汽車制造等提升產品成品率和良品率，是一種應用較為廣泛和成熟的解決方案。

       因為依靠人的視覺進行的質量檢測，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，才能節省相應人力，即便如此，準確的穩定性也會因為人的原因出現波動。阿里云機器視覺智能技術采用深度學習和圖像處理算法，比傳統機器視覺檢測更精準、漏檢率更低。在數據中臺的基礎上，進行數據的采集、標注、訓練和算法模型調優，自動識別圖像中的瑕疵或故障。

       隨著鋼鐵行業受到環保、雙碳等政策壓力越來越大，鋼鐵企業的競爭越來越激烈，開始從原有的拼產能，向拼質量、拼效率發展的趨勢越來越明顯。鋼鐵產品的金相組織評級是反映產品質量高低的重要方法手段之一。該方法采用定量金相學原理，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系。金相分析技術在鋼鐵行業應用最為常見，產品越高端對金相檢測要求越嚴格，尤其是特鋼和工業線材。

       以攀鋼西昌鋼釩和韶關鋼鐵為例，他們的產品分別為汽車板材和建筑用鋼，鋼鐵廠每生產一批次相同牌號的鋼鐵產品，需要在鋼卷產品中選取2--3卷進行取樣分析，鋼卷中不同部位的鋼鐵試樣，送往檢驗中心完成專業的組織性能檢驗。每天檢驗的試樣數約為90個，一個檢驗中心配備3位檢驗工程師，平均每人需要完成30個金相試樣的檢測。除了金相檢測任務以外，他們還需要完成樣品制作、性能試驗、質檢分析等各類工作，金相檢測工作人員的工作任務非常繁重。鋼鐵企業的產品質量評估，承擔著重大風險，金相組織性能偏差帶來的產品質量異議，建筑企業等產品用戶帶來生命財產的安全隱患，鋼鐵企業也會有巨大的經濟賠償。與此同時，金相檢測的專業要求，也是鋼鐵企業招聘和培養專業人才的一大挑戰。

       基于此，阿里云結合深度學習和人工智能算法和積累的金相圖譜數據，為鋼鐵企業建立了一套智能金相檢測系統，打造了一個“虛擬金相檢驗專家”，通過軟硬一體的方式，實現了金相檢測的自動化和無人化，普通的檢驗工在完成試驗制樣后，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，已經積累了上萬張金相圖譜樣本，能夠準確完成鋼鐵行業80%的金相檢測任務，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。極大地解放了檢驗專家的工作量，為鋼鐵產品質量標準化和人員效率提升帶來了重要的技術支撐，也為缺乏專業知識人才的民營鋼鐵企業帶來了一位久經沙場的金相“老師傅”。

       視覺AI能力不僅僅用于生產流程中，類似廢鋼定級也是用視覺進行質量分類定級的一種方法。廢鋼定級作業環境一般比較惡劣，質檢員每次需要攀高四五米的大貨車車頂，對車內廢鋼進行近距離觀察。不僅勞動強度大、作業風險高，而且依賴肉眼識別，難以量化和標準化。

       晉南鋼鐵集團與阿里巴巴達摩院、西安智者云集云計算有限公司合作，研發了廢鋼AI定級系統。這套系統借助深度學習算法和AI視覺識別技術，可以實時抓拍廢鋼車輛的卸料過程并逐層采樣，對卸貨過程進行單層判級和最終整車判級，識別不達標廢鋼和雜質、異物，計算出整車扣重的預估值，還能對異物報警提示。

       目前，阿里云質檢場景已經應用到鋼鐵、電力、化工、光伏等多個領域。

       場景七：預測性維護

       工業企業的設備管理維護手段的發展經歷了四個階段：被動性維護（RM）、狀態性維護（CM）、預防性維護（PM）、預測性維護（PHM）。

       顧名思義，被動性維護（RM）就是在設備壞了之后再開始相關的維護維修工作，比如場景四給出的“虛擬配網調度員”解決方案；狀態性維護（CM）是基于設備運行狀態和現象對設備進行相關的維護維修工作；預防性維護（PM）就是在設備出現問題之前，基于可靠性分析和設備運行經驗定期對設備進行維護工作；預測性維護（PHM）是在設備出現問題之前，結合可靠性分析、設備機理、設備運行維護的歷史經驗以及設備運行狀態對設備的壽命、故障、異常及健康情況作出相對應的分析和預測，讓設備維護團隊能夠在故障發生之前，提前做好維護措施，避免設備故障發生，提前做好備件儲備、降低設備的停機時間。

       預測性維護能減少設備周期性的維護成本和備件成本，實現對設備全生命周期的精準把控。做到設備故障提前預防，維護維修策略精準高效，設備管理維護成本精細可控。

       現階段的工業企業還停留在狀態性維護和預防性維護的階段，大多數企業都是通過周期性的人工定檢以確保當前狀態下設備無異常，先進的企業還會基于可靠性做一些設備狀態分析的巡檢計劃以實現預防性的維護。

       鑒于IoT的成本優勢和部署靈活的優勢，很多企業開始積累關鍵設備上的傳感器、檢測儀表等數據，對設備的故障及時發現，預先處理，降低停機損失，已經逐步向預測性維護的方向發展。但受制于工業企業薄弱的數據和算法基礎，即便是擁有了大量的設備運行數據，也無法高效、合理地管理數據和利用數據，隱藏在這些設備數據之中的價值很難發揮出來。這給工業設備預測性維護的先行企業帶來了極大的困擾。

       基于此，阿里云結合5G在園區和廠礦等有限空間的高帶寬、低延時的優勢，建立集中設備、生產線、廠房內系統運行監測平臺，各類監測數據可以實現一定空間內業務的全鏈路連接；并且整合了多年的大數據存儲、計算和算法技術積累，構建了一套綜合了專家積累經驗的智能設備管理操作系統，以實現預測性維護為目標，在傳統的設備管理基礎上形成了一套體系化的智能設備管理工具。

       例如，通過工業大數據引擎，解決設備數據實時、高效、便捷的存儲、管理和調用問題；通過傳統的基準管理、標準管理、巡檢管理、備件管理等業務模塊解決企業的傳統設備管理體系缺失問題；通過智能自主設備診斷系統，解決企業設備的故障診斷分析過程中，缺乏懂設備、懂振動知識的專業人才問題；通過數字孿生工具，解決企業的巡檢人員覆蓋不足、提升巡檢效率的問題；通過構建VR、AR和數字孿生的結合搭建虛擬檢修環境，解決設備管理人員的技能培訓和知識沉淀問題；通過知識圖譜和虛擬檢修專家，解決設備故障高效的問題；通過釘釘低代碼構建移動設備管理體系，解決設備管理及時性、便捷性和敏捷迭代的問題；通過智能備件庫存調度，解決設備維護的備件庫存成本優化問題......

       預測性維護是一套系統化工程，必須從管理模式創新、專家經驗沉淀、人員效率提升等多方面，為工業企業提供技術支撐。

       場景八：產銷協同柔性制造

       在離散制造場景中，如快消品、小家電、家具、消費電子產品的制造，隨著消費者定制化需求越來越多，隨著需求側秒殺、促銷活動變得越來越頻繁，多品種、小批量按需生產的柔性能力要求越來越高。

       但按訂單組織生產是離散制造業的行業慣例，傳統APS（排程排產系統）在訂單在突然涌入臨時變更時，很難發揮效果。

       為了實現產銷協同、柔性制造，阿里云給出的“調度優化-產銷協同”解決方案主要包含六個方面：

       一、通過MRP（物資需求計劃）運算計算精確的物料需求；

       二、精細化設計工序與設備的生產計劃和人員需求，提升主計劃排產速度和效率；

       三、使計劃結果可視化，提升計劃協同性；四、與MES、ERP信息化系統聯動，滾動計劃；

       五、分析物料欠料的需求時間和數量，推送欠料信息，輔助物料跟催；

       六、進行訂單的預測，計算預計產能需求，預估產能的瓶頸工序，

       提前預測轉發訂單。

       在實踐中，阿里云幫助蒙牛用商流驅動供應鏈物流，用大數據技術打通從“牛”到“人”的端到端信息流，實現橫跨“三大產業”的供應鏈市場化高效協同。生產計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，利用基于數據中臺的“調度優化-產銷協同”解決方案應對突然變化的產能挑戰。

       根據阿里云對30多家服務企業的統計，構建于數據中臺和業務中臺的阿里云產供銷協同體系，可實現制造周期縮短34%，用工成本降低15%，報表統計和匯總時間減少65%，溝通時間減少55%，成品庫存降低20%，生產零部件的庫存降低35%。

       產銷協同、柔性生產的需求，不只來自阿里云的客戶，也來自阿里云客戶的客戶，與有搭建行業平臺能力的企業合作，構建柔性生產的平臺能力也尤為重要。

       埃夫特是科創板上市的一家工業機器人和跨行業智能制造解決方案服務商，在焊裝系統、智能噴涂系統、拋光打磨等領域，為合作伙伴提供智能機器人的解決方案。

       埃夫特對柔性制造提出需求，是因為工業機器人的使用來自很多中小企業，它們的生產業務模式是小批量混線生產。

       而大量批量小、來料規格差異較大的生產線，使用的機器人需要適應應用場景變化，一旦換線，機器人就需要重新編程和調試。本來整個機器人工藝算法編程工程師人才就非常稀缺，中小企業更沒有能力儲備專業的工程師，成本過高，導致很多企業無法承受。“有編程的功夫，還不如找個老師傅直接噴涂了”，埃夫特公司總經理兼總工程師游瑋說。

       埃夫特機器人聯合阿里云，集合國產自研機器人技術開發基于“云+AI”的開放式物聯網控制優化系統，實現智能機器人云平臺的建模、仿真、優化、控制能力，完成云端模型訓練、邊緣計算、機器人執行三位一體智能協同，打造了行業內首個云邊端一體化“機器人云平臺”。

       開發者可以利用業務編排工具通過拖拉拽的方式對數據組件、算法組件進行任意的組裝，降低埃夫特的客戶的工程師編程與算法應用的門檻，提高機器人典型作業場景下的智能化和小批量混線生產的柔性要求，并一定程度上彌補中小工廠工程師的不足，為用不起、不會用機器人的中小企業提供更友好的智能化解決方案，促進中小制造業企業的轉型升級。

       場景九：數字孿生

       工業數字孿生，在不久的將來，將成為智能制造的核心環節，也是數字工廠的核心數字底座。它貫穿了制造業企業研發、采購、生產、銷售、服務等全業務場景，打通企業設計仿真平臺、訂單預測、供應鏈優化、能耗優化、工藝優化、用戶/經銷商畫像、營銷推薦、智能客服、智能運維等系統數據，讓企業決策者可以實時掌握工廠各環節的運作精細狀況。

       簡單來講，就是要從一個更宏觀的層面，用數據構建和虛擬模型來精細化管理企業的生產運營情況，從而快速決策、指導生產。甚至，也可以模擬仿真各種決策的業務結果，實現決策和經營的彈性。

       一汽紅旗繁榮工廠就是一個正在實踐工業數字孿生的例子，阿里云提供了智能工廠建設全方位數字化解決方案，在大數據平臺、AI平臺、數據中臺之上，利用數字孿生技術，打造國內首個100%國產化的汽車智能制造標桿，打造實時在線、及時分析、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采監控軟件，接入五大車間數百萬個點位，數采頻次最高可達200毫秒，超過國內外其他數采軟件廠商。

       在一汽紅旗新能源汽車工廠，海量的數據匯入統一的數據中臺，自動生成數據API服務，隨時調取，全面融合傳統信息化系統，形成“業務應用--數據沉淀--數據智能引擎--業務應用”的閉環管理，用數字孿生技術，全面提升企業生產管理及決策分析能力。

       結語

       上述九大智能制造場景，已經在領軍和有前瞻力的制造業企業中打造標桿，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，智能技術對于制造業的生產系統來說，起到的是錦上添花的作用。但是已經能夠看到部分智能技術逐步嘗試成為生產的核心系統，中國作為制造業強國和大國，勢必會有更多的制造業企業探索出核心產線系統的智能化路徑，數據智能技術會徹底融入核心系統，成為生產經營的必不可少的部分。內生智能的路徑探索和大范圍落地，還需要業界伙伴的共同努力。