写在前面
今年四五月份, 也就是深圳云栖大会之后的那些日子, 一方面是工业互联网 (Industrial Internet) 兴起的擂鼓和号角声, 另一方面却是制造执行系统 (Manufacturing Execution System,MES) 实施进程的怨声载道. 这一切, 不得不让我们深刻反思近几年来智造之路的成败, 当时的一些想法记录在了MES 之殇和工业物联网之春这篇文章中. 此后, 在一系列的培训和座谈会上, 我多次分享了这篇文章的观点. 期间和很多学员, 同行对于工业物联网 (Industrial Internet of Things,IIoT) 进行了广泛的交流. 与此同时, 我们在工业物联网的实践过程中也有了新的思考. 于是, 这些交流和思考形成了下面的文字.
一, 回顾过去五年
前不久, 我参加了一场企业上云的宣传活动, 无意间拍到了一张 "杭州智造之路行动计划" 的胶片, 而这张胶片正好帮助我们回顾了杭州过去五年智能制造的实践历程.
图 1 杭州智造之路行动计划
(1)"2013 年大规模推广机器换人"
为什么是 2013 年? 我查阅了国家统计局的相关统计数据,"由于我国人口结构发生了重大变化, 劳动力成本优势开始逐渐减弱. 2010-2013 年, 我国 16~59 岁 (含不满 60 周岁) 劳动年龄人口比重连续 4 年下降, 由 2009 年的 68.8% 下降到 2013 年的 67.6%, 其中 2010 年和 2011 年分别比上年下降 0.1 个百分点, 2012 年和 2013 年分别比上年下降 0.5 个百分点, 下降速度呈加快趋势."[1]
因此, 我们不难理解, 随着人口红利锐减, 用工成本攀升, 大规模机器换人迫在眉睫. 于是从 2013 年开始, 杭州市乃至浙江省其他各市县都掀起了机器换人的热潮. 社会大环境, 企业需求以及政策红利促使更多的科技公司进入这个行业, 然而在经过几年激烈竞争之后, 我们注意到几个现象:
n 一方面国产工业机器人过早进入 "并夕夕" 时代, 单台工业机器人仅 3-4 万; 另一方面国外高端工业机器人, 如日本的发那科(FUNUC), 其供货周期不少于 3 个月;
n 解决方案供应商普遍反映 "项目多到忙不过来, 但几乎没有赚到什么利润". 一个资深的自动化工程师曾不无叹息告诫道,"转行吧, 这个行业没有前途了";
n 资本市场对于通常由项目制为主导的自动化公司融资诉求的响应十分冷淡.
我们判断机器换人的发展方向将是专机化和数字化. 所谓专机化, 实质就是自动化单元的模块化, 如工装, 夹具, 机器人, 运动控制和视觉为一体的视觉自动化检测专机, 即可独立作为检查工序, 也可协同机加和装配组成自动化生产线; 同时, 通过数据采集, 分析和可视化, 实现自动化生产线信息化和数字化, 以增值服务的方式提高设备附加值, 增加用户黏性.
(2)"2015 年全国首创工厂物联网"
2015 年 5 月, 国务院正式印发中国制造 2025[2], 标志着中国制造业的春天来了. 也正是这一年, 杭州开始重点推行工厂物联网. 从已实施项目的功能来看, 工厂物联网属于 ISA95[3]的第三层, 其核心就是 MES.MES 事实上已经成为继机器换人之后, 工业企业在智能制造领域投资意愿最为强烈的项目之一. 我们同样注意到几个现象:
n 特别是在 2016,2017 年举办的各型智能制造论坛上, 关于 MES 的分论坛场场爆满. 专家学者, 企业代表和供应商汇聚一堂, 畅谈实施落地的案例, 方法论和策略.
n2016 年和 2018 年, 我分别参加了两场 MES 业内友商研讨会. 人还是那些人, 牢骚和悲观的气氛依然延续, 虽然参与的公司已不是那年的公司.
n 以金华地区为例, 2017-2018 年度被业内认为成功的 MES 案例仅仅 13.3%. 而政府补贴, 示范案例却似乎完全没有受到任何影响, 那些失败的案例依然被不断示范和参观着.
解决方案供应商为了生存, 不得不展开惨烈的竞争, 尝试平台化, 多领域并进, 高举高打...... 但终究摆脱不了死神的召唤. 仅仅几年间, 因为 "智能制造" 而成为资本的宠儿们, 弹指一挥间竟成了弃子. 与此种种, 却让国内 MES 的发展趋向明朗, 那些只做某个行业机联网, 质量追溯, 远程运维的公司顽强的生存了下来, 他们也为工业 APP 时代的到来奠定的基础.
(3)"2018 年引领示范工业互联网"
2018 年, 浙信发[2018] 1 号文件发布浙江省深化推进 "企业上云" 三年行动计划. 总体目标要求 "到 2020 年, 全省实现上云企业达到 40 万家, 打造云应用标杆企业 300 家, 培育发展国际领先的云平台 1 个, 国内领先的行业云平台 20 个, 发展云应用服务商 300 家. 工业互联网发展达到国内先进水平, 形成"1+N"工业互联网平台体系."
2018 年注定是不平凡的一年, 我们依旧注意到:
n 阿里在各地的云栖大会, 网易的云创大会以及华为的 "AI 上有信仰的云", 宣告巨头全面进军工业云领域, 无不携带着面向头部行业工业 APP 示范案例.
n 工信部颁布工业互联网 APP 培育工程实施方案(2018-2020), 同时中国工业技术软件化产业联盟也发布2018 工业互联网 APP 发展白皮书. 一时间传统的 ERP,WMS,MES 等系统纷纷剪下前朝的鞭子, 瞬间转型升级为工业 APP.
n 制造业客户对于企业上云, 尤其是关乎企业核心商业价值的业务上云依然存在巨大疑虑. 当前 "平台 + APP" 和最终客户之间依然存在着不小的鸿沟.
倪光南指出, 工业 APP 关键技术研发和 "市场化引导" 紧密相关, 因为软件的核心技术往往都是用出来的. 因此, 工业 APP 当下重任是尽快引导客户用起来, 不断固化工业流程, 培养用户习惯, 并通过客户的反馈不断迭代, 同时也驱动工业互联网平台持续更新.
过去五年, 从 2013 年机器换人, 2015 年的工厂物联网, 时至今日的工业互联网, 政府职能部门, 制造业企业, 平台和应用的解决方案供应商以及资本市场纷纷卷入这场制造业转型升级的洪流之中.
我们清醒的认识到, 中国工业当前以及可见的未来仍将长期处于工业 2.0 和 3.0 并存, 并积极向 4.0 转型升级的过程中, 诸多转型升级实践中的痛点问题仍未得到有效解决. 因此, 无论外界如何风起云涌, 我们仍然需要把注意力聚焦到制造业真实的需求上来.
二, 梳理行业痛点
当前中国制造业转型升级的核心问题依旧围绕 "如何持续实现降本增效". 由于历史原因, 我国自动化, 信息化, 智能化发展极为不平衡, 致使当前制造业依然存在以下诸多显性问题和隐性问题.
图 2 当前中国制造业痛点
所谓显性问题, 即问题已经充分暴露在企业高管, 各级主管和一线员工面前, 但因管理机制问题, 理念问题, 资金问题等, 始终无法得到有效解决.
n 生产流程欠规范化
各种纸质, 电子版的单据和报表形式多样, 甚至各种表单中对于同一字段的描述也不尽相同; 此外, 审批流程不规范, 行业准则形同虚设, 这些问题无不制约着企业的持续发展. 一位企业家直言,"如果能通过软件规范我的生产管理流程, 即使无法直接提高效率, 至少能给前来参观客户留下企业规范的好印象."
n 生产管理信息滞后
无法及时了解订单和计划执行情况, 物料流转和消耗情况, 这和智能手机普及的现状极不相符. 例如, 长期在外的销售人员甚至不能通过手机随时了解到客户订单的执行进度, 排产人员无法精准的知晓人, 机, 料, 法, 环的实时数据, 所谓排产的基础信息全靠电话收集.
n 质量管理效率低下
质量检测无法实时管控, 质量追溯工作量大. 以汽车零部件行业为例, 当下游主机厂发现质量问题需要追溯时, 如果没有信息化系统支持, 需要专人翻阅和整理在位于不同电子表格和纸质的记录数据, 收集后形成报告, 通常这样的活动不少于 1 周时间.
n 信息系统信息孤岛
信息系统呈现离散化, 碎片化, 供应商多, 尚未贯通数据流. 我们交流过一家中型规模的企业, 仅 ERP 系统就上了两套, 虽然是同一家公司开发, 但因版本不同, 数据传递竟然需要人工导入导出. 当然, 企业里更为常见的是不同时期上线的不同系统, 因为上线时仅用于覆盖单一功能, 所以和其他系统之间并无接口.
n 生产设备泛多样化
半自动设备和自动设备, 标准和非标设备并存. 我们常常会看到一个生产车间里同时存在不少于 10 个品牌的机床, 数控车床与普通车床并存, 有接口与无接口的车床并存. 非标设备更是形式多样, 即使主控系统由 PLC 控制, 是否包含通讯模块, 代码是否加密, 点位是否开放都需要一一确定.
再来看隐性问题, 一方面因为没有数据支持, 无法精确获取生产, 质量, 库存, 能耗等关键数据而产生问题; 而对于获得的大量工业数据, 如何挖掘隐藏在其中的价值, 则是另一个难题. 例如, 生产效率低下, 质量控制难度大, 加工节拍不均匀, 库存周转率不高, 生产良品率低, 能源消耗不透明等诸多隐性问题亟待解决.
我们以库存周转率为例, 小林俊一在其著作库存管理[4]中明确指出,"库存必须通过周转率来把握才看得清","周转率高则资金流量的效率就高." 如果我们仅仅在软件数据库里进行仓与仓之间的数据调拨, 而不通过扫码机制和货品关联, 则无法获得精准的库存数据. 此外, 我们需要的不仅仅是原材料和成品仓数据, 还需要了解零部件, 半成品, 在制品在线边仓的流转情况. 汇集这些生产物流数据之后, 我们可以利用 "按时间的顺序","灵活运用季节指数", 以及神经网络算法和聚类算法对库存进行预测和分类, 从而有效的提高库存周转率.
针对上述行业中普遍存在的这些痛点, 目前的解决方案主要分为以下三类:
(1)精益咨询: 主要解决工业企业规范和效率的问题;
(2)MES: 主要解决精准管理和效率的问题.
(3)数据分析: 主要用于通过发掘数据价值, 解决部分隐形问题.
当以上占据主导地位的解决方案实施艰难, 收效甚微的时候, 业内普遍转向于新兴的工业互联网, 寄希望通过技术的革新带领大家走出智能制造转型升级的困境.
三, 工业物联网定义
机器换人, 工厂物联网, MES, 工业互联网和工业物联网是智能制造实践过程中出现最为频繁的词汇, 尤其迷惑的是工业互联网和工业物联网, 着实有必要深入理解一番.
如果说机器换人是工业 2.0 跨越到 3.0 时代的产物, 工厂物联网和 MES 属于工业 3.0 时代的关键系统, 那么工业互联网和工业物联网则属于工业 4.0 时代.
表格 1 智能制造相关概念比对说明
在国内外的官方文档中, 工业互联网和工业物联网究竟是如何定义的, 它们之间的关系到底如何? 我检索了如下相关文献:
2012 年 11 月 26 日, 通用电气 (GE) 发布白皮书工业互联网: 打破智慧与机器的边界[5]. 其中有这样的一段关于工业互联网的描述,"将工业革命的成果及其带来的机器, 机组和物理网络, 与近期的互联网的成果 -- 智能设备, 智能网络和智能决策融合到一起. 我们将此融合称作'工业互联网'." 这应该是最早关于工业互联网定义的文献了.
我同时查阅了工业互联网联盟 (IIC) 在 2015 年给出了工业互联网的定义,"The Industrial Internet is an internet of things, machines, computers and people, enabling intelligent industrial operations using advanced data analytics for transformational business outcomes."[6]译文,"工业互联网是物联网, 机器, 计算机和人员, 使用高级数据分析实现转型业务成果的智能工业运营."
中国的工业互联网产业联盟 (AII)2016 年 8 月发布的工业互联网体系架构, 其中有关于工业互联网[7] 的定义: 工业互联网是互联网和新一代信息技术与工业系统全方位深度融合所形成的产业和应用生态, 是工业智能化发展的关键综合信息基础设施. 这应该我检索到国内较为权威的关于工业互联网的定义了.
接着, 我又检索到两篇关于工业物联网的技术资料.
中国电子技术标准化研究院于 2017 年 9 月发布工业物联网白皮书[8], 其中关于工业物联网的定义: 工业物联网是通过工业资源的网络互连, 数据互通和系统互操作, 实现制造原料的灵活配置, 制造过程的按需执行, 制造工艺的合理优化和制造环境的快速适应, 达到资源的高效利用, 从而构建服务驱动型的新工业生态体系.
工业互联网联盟 (IIC) 于 2017 年在文献The Industrial Internet of Things Volume G1: Reference Architecture[9]中给出了工业物联网的定义,"Industrial Internet of Things (IIoT) describes systems that connects and integrates industrial control systems with enterprise systems, business processes, and analytics." 译文,"将工业控制系统与企业系统, 业务流程和分析相连接并集成在一起". 也正是由于这篇文献的发布, 工业互联网联盟将其 IIRA 的名字从 V1.7 中的 "工业互联网" 改为 V1.8 的 "工业物联网". 于是, 两者之间的差异也不再重要了.
我更偏爱 V1.8 中关于工业物联网的定义, 不仅仅是因为其简洁的描述, 更重要的是这个标准很好的解释了这些年来我们从实践出发构建的面向生产制造的系统.
四, 工业物联网实践
一般工业产品及相关生产设施从提出需求到交付使用, 具有较为完整的工业生命周期. 涉及到 "研发设计, 生产制造, 运维服务和经营管理四大类工业活动."[10]接下来, 我们着重阐述工业物联网在生产制造活动的实践.
重新回顾下, IIRA1.8 把 IIOT 定义为 "将工业控制系统与企业系统, 业务流程和分析相连接并集成在一起". 因此, 工业物联网架构中至少应包含 "工业控制系统","企业系统","业务流程","分析" 以及集成的网络.
我们把 "业务流程" 和 "分析" 作为系统责任,"工业控制系统" 和 "企业系统" 作为参与者为基础构建面向生产制造的工业物联网系统.
系统架构如下图所示:
图 3 工业物联网架构
该系统架构分为五层:
(1)工业数据
工业数据层主要分类为人, 设备和系统.
工业数据中的人主要包括生产制造, 设备制造和系统服务. 我们把制造型企业根据其产品简单分为生产制造和设备制造, 生产制造也称为制造业的 C 端, 主要生产消费类产品; 设备制造也被称为制造业的 B 端, 主要生产加工类产品. 这样分类的主要目的是为了更加方便的定义商业模式, 如果应用直接面向生产制造客户, 则称为 B2C; 而通过设备制造将应用推向生产制造客户, 则称为 B2B2C. 系统服务主要指解决方案的供应商以及负责运维的城市合伙人. 当设备和系统不具备采集能力时, 数据来源往往通过人工的方式, 因此人是工业数据中十分重要的来源.
离散制造和流程制造的设备差异巨大, 这里我们以离散制造为例. 离散制造的主要设备包括机加, 装备和检测. 具体对接的对象则包括 CNC(数控机床, 加工中心),PLC(非标设备),GPIO, 工业机器人, RFID, 传感器和数据库等. 设备数据的特点是多源异构, 以 CNC 为例, SIMENS 828D 采用 OPC UA, 而 FANUC 和 Mitsubishi 全系则采用自定义 API 的方式.
如果业务流程主要针对生产制造活动, 则参与的系统主要包括研发设计, 经营管理以及运维服务类. 其中 PLM 属于研发设计类, ERP 和 WMS 属于经营管理类. 此外, 用于设备预防性和预测性维护系统则属于运维服务类.
(2)边缘计算
边缘计算层主要包括驱动管理, 执行环境, 连接管理, 配置管理, 边缘算法和空中下载.
驱动管理, 主要负责采集多源异构的工业数据, 尤其为工业数据层设备和系统提供统一的数据接口. 该接口至少应包括事件驱动和轮询两种机制.
执行环境, 又称为虚拟机, 容器, 负责边缘算法的执行, 向人, 设备和系统输出执行结果.
连接管理, 负责边缘端和云端的通讯, 至少支持 HTTP/HTTPS,MQTT,CoAP 等协议.
边缘算法, 接受上行的工业数据, 在执行环境中执行, 并将下行指令发送至设备和系统. 边缘算法受苛刻的计算资源限制, 多数情况下仅负责执行, 其参数由云端训练.
空中下载, 又称为 OTA, 主要接受来自云端的更新, 不限于边缘算法参数的更新, 还包括驱动的更新, 执行环境的更新等.
配置管理提供离线和在线的配置能力, 合理利用受限的计算资源, 满足复杂多变的应用场景.
(3)云计算 PaaS
云计算机 PaaS 层应包括垂直工业云平台和通用工业云平台.
垂直工业云平台面向垂直行业需求, 搭建满足垂直行业的公有云和私有云.
通用工业云平台主要指阿里云, 腾讯云和华为云等服务商提供的 PaaS 服务, 如阿里云提供的 "阿里云物联网平台"[11].
(4)云计算 PaaS+
云计算机 PaaS + 层通常由垂直行业的解决方案供应商提供, 主要包括机理模型和数据驱动模型.
该层主要提供云端学习服务, 基于多行业工业数据, 通过数据驱动模型, 例如机器学习, 深度学习以及模糊控制等进行持续的学习和建模; 同时, 提供面向细分行业的机理模型, 例如理论模型, 逻辑模型, 部件模型, 工艺模型, 故障模型和仿真模型等, 并不断实现工业知识的沉淀, 复用和重构. 此外, 用户利用领域数据, 通过平台提供的机器学习算法模型训练出满足客户所需的特定模型.
该层以微服务的方式提供工业知识和开放学习模型服务.
(5)工业应用
在 PaaS + 层以上提供各种生产制造类的 APP, 主要包括制造管理类 APP 和制造分析类 APP. 其中制造管理类 APP 通过网络协同实现精准管理, 制造分析类 APP 通过数据智能实现持续优化.
制造管理类 APP 包括计划管理, 生产管理, 质量管理, 物流管理, 设备管理以及能耗管理等功能, 这类 APP 的主要用于资产, 生产, 设备数据连接, 资产, 生产的管理和可视化.
制造分析类 APP 包括优化生产排程, 消除瓶颈工序, 精益生产质量, 减少库存积压, 预测设备故障以及降低设备能耗等功能, 这类 APP 主要用于基于历史和实施数据进行数据分析, 发现外在和内在的数据价值, 提前预测企业生产, 物流, 设备等问题, 最大化资产和流程的性能, 充分利用工业物联网性能潜力.
同时, 该层可提供定制化工业 APP 的服务.
五, 展望未来
我们分别从工业 APP 的发展方向, 核心竞争力和落地先行几个方面着重阐述工业 APP 的可见未来.
(1)发展方向
n 工业软件的重新定义
工业 3.0 时代, 占据主导地位的智能制造信息化系统, 如 PLM,ERP,WMS,MES,CRM,SCM 在 4.0 时代将逐步消失, 取而代之的将是支撑新工业生命周期的研发设计, 生产制造, 运维服务和经营管理等工业活动的一系列工业 APP.
n 工业软件的事实标准
在工业 3.0 到 4.0 的发展过程中, 会逐步形成工业软件的事实标准. 这些标准往往由占主导地位的工业 APP 供应商联盟在实践过程中不断探索, 不断磨合, 最终被行业参与者所普遍接受.
n 工业软件的小而精致
共同遵循事实标准的工业 APP 会不断向专业化, 小型化发展, 以微服务协同的方式精准的满足客户的需求, 同时如何协同微服务的智能 APP 也会出现在不久的将来.
(2)核心竞争力
n 行业模型
问题域专家和计算机专家从来都是软件工程中最为重要的角色. 在未来工业 APP 的竞争中, 熟悉机理模型的问题域专家和熟悉数据驱动的计算机专家的分工与合作依然是解决方案供应商的核心竞争力.
n 客户资源
我曾经调侃道, 面向生产制造的工业 APP 为什么难以推广, 可能有两个原因: 一是面对的企业家都是一些最精明的人, 决策时间自然长; 同时, 生产制造是工业企业最为核心业务, 试图通过标准的软件来改变惯性的操作流程, 推进难度大. 但好处是一旦完成首期交付, 意味着企业家已经认可, 并且深入其核心业务流程, 有超强的用户粘性.
n 服务优化
如何通过数据, 应用和模型持续优化企业生产制造的流程, 为企业持续创造价值, 是客户愿意为工业 APP 持续付费的关键所在.
(3)落地先行
n 机联网
获取设备工艺参数是工业物联网建设的基本驱动力, 同时设备运行状态也为计算 OEE 提供基本信息. 因此, 具备设备工艺参数和设备运行状态采集, OEE 计算以及统计数据的大屏展示的机联网一直是智能制造的急先锋.
n 质量追溯
当前, 汽车主机厂对于汽车零部件的质量追溯有了硬性的要求, 在功能不仅需要满足正向追溯和反向追溯, 同时在数据可靠性上还将引入区块链技术. 这样的要求也必将逐步扩展到了整个离散行业.
n 无纸化生产
无纸化办公的推行几乎伴随着 PC 机的普及而大行其道, 而无纸化生产却并没有因为移动通讯设备的大规模应用而得到有效的增长. 原因很简单, 因为 MES 项目大都失败了. 因此, 无纸化生产是否成功推行可以作为衡量工业物联网在生产制造活动中成功与否的关键指标.
此外, 因可见未来劳动力成本的不断上升, 定制的, 项目型的工业 APP 价格会持续走高, 而配置的, 产品型的工业 APP 则将以十分低廉的价格呈现.
写在最后
数学家康托尔 (Cantor) 提出的集合论和超穷数理论, 首次从无穷数中分离了可数无穷. 当我们正在困惑如何穷尽有理数的时候, 正是这个让我们知道了数不完的有理数依然远远少于实数.
亚历山大. 维兰金 (Alexander Vilenkin) 是多重宇宙理论的先行者,"暴涨会在某个区域停止, 而在另一个区域继续进行, 新的大爆炸不断爆发, 新的宇宙不断诞生." 此刻, 我们虽然只能深陷在这个因大爆炸不断延伸的宇宙里, 却可以不断想象无比生动的画面,"无穷多个我, 无穷多个你, 一同看世界."
如果望不尽世界尽头, 那么走出世界看世界.
来源: https://yq.aliyun.com/articles/636862