導語：制造技術層主要研究和優化對象一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：文章從理解智能制造定義及能力成熟度標準出發，聚焦整車制造業務活動，構建了整車工廠智能制造系統層級架構，即：制造技術層、信息映射層及智能決策層。詳細介紹了以數字制造、智能工廠、數字孿生為特征的物理工廠信息映射層數據建模關鍵技術及其應用場景，從而幫助企業選擇最適合自身需求和發展特點智能制造落地技術路線。

關鍵詞：智能制造；數字制造；智能工廠；數字孿生

近年來，面對技術創新、市場競爭與經濟增長的驅動與挑戰，世界主要發達國家紛紛提出了重塑制造業，發展先進制造業的國家戰略。德國在2013年推出了《工業4.0》，2019年又發布了《工業戰略2030》。美國繼2014年提出《工業互聯網》后，2018年發布了《先進制造業美國領導力戰略》。中國也早在2015年就發布了制造強國戰略《中國制造2025》[1]。由此可見，工業特別是制造業的轉型升級已成為國家經濟發展的重中之重，各制造企業以實現數字化、網絡化、智能化為特征的智能制造能力提升已成為核心競爭力的重要體現。本文從理解智能制造定義及能力成熟度標準出發，聚焦整車制造業務活動，論述物理工廠的數字信息映射建模方法、關鍵支持技術及其應用場景，從而幫助企業選擇最適合自身需求和發展特點智能制造落地技術路線。企業要發展智能制造，首先要明確理解智能制造概念及其含義，但智能制造所涉及的內容非常廣泛，涵蓋了工業、信息、管理等多個領域，故在國際上尚未有統一的權威定義，本文引用中國工業和信息化部在《智能制造發展規劃（2016—2020）》和《“十四五”智能制造發展規劃》文件中的表述：“智能制造是基于新一代信息技術與先進制造技術深度融合，貫穿于設計、生產、管理、服務等制造活動各個環節，具有自感知、自決策、自執行、自適應、自學習等特征，旨在提高制造業質量、效益和核心競爭力的先進生產方式”[2]。根據上述概念定義，從整車制造所涉及的規劃、產品、工藝、設備、生產、質量、運維等業務活動出發，可將智能制造發展技術路線分為制造技術、信息映射和智能決策三個層級（如圖1所示）。制造技術層主要研究和優化的對象是在現實物理工廠中進行生產制造的各種資源，包括人（生產者）、機（設施/設備）、物（物料/產品）等。信息映射層主要研究和優化的對象是通過IT軟件和工業互聯網系統構建的物理工廠數據信息模型。智能決策層主要研究和優化的對象是大數據分析、人工智能算法支持下而構建的智能決策模型。這三個層次的對象在生產制造中相互作用，彼此深度融合，從而使制造系統具有了自感知、自決策、自執行、自適應和自學習的能力。上文闡述了智能制造特征及其技術路線中的三個層次，為了促進發展，如何評價和對標不同企業的智能制造水平也需要進行明確定義，本文引用2020年10月已正式發布的國標《智能制造能力成熟度模型》（GB/T39116—2020）要求予以說明。智能制造能力成熟度由低向高共分為一級（規劃級）、二級（規范級）、三級（集成級）、四級（集成級）和五級（引領級），如圖2所示。其中大部分整車制造企業需要著力發展的是對應成熟度三級以上的能力，即通過裝備、系統的集成，實現跨業務數據共享（三級），通過數據挖掘形成知識模型，實現核心業務的精準預測和優化（四級）及利用模型持續進行自主學習、決策優化和協同創新（五級）[3]。

如前文所述，制造技術層主要研究和優化的對象是在現實物理工廠中進行生產制造的各種資源。隨著汽車產品個性化、電動化、網聯化和智能化的不斷發展，整車工廠的制造過程也面臨個性化定制、新材料、新工藝與新技術的挑戰。所以能夠高效地實現柔性定制化生產與質量在線監控的通用/專用/新型先進制造裝備、網絡通信基礎設施及質量在線監控設備是制造技術層發展的三大關鍵技術。這一領域的優化提升主要依賴于裝備制造業的技術發展，但整車工廠可以根據自身產品的實際制造需求，開展跨行業技術合作，來驅動單點技術突破及系統集成創新。各企業的制造工廠作為承載先進制造技術的實體對象，在大規模生產制造活動中會產生海量數據信息，對這些數據進行挖掘、利用，形成優化方案與決策模型將為企業帶來更高的投入產出效益，從而成為了與物理工廠實物資產相對應的虛擬數據資產。針對生產制造價值鏈上下游業務活動流程、優化目標及技術實現方式的不同，本文將信息映射層的建模方法分為數字制造[4]（DigitalManufacturing）、智能工廠[5]（SmartFactory）和數字孿生[6]（DigitalTwin）三大領域。面向數字制造領域的建模目標聚焦在新產品引入過程中解決產品創新設計與資源投入、質量效率之間的協同優化問題。通過對物理工廠的產品屬性、生產設備、生產環境（廠房、設施等）及制造過程進行三維仿真建模，打通各設計環節的數據共享環境，實現跨業務數據集成、協同設計，通過早期虛擬評估，提前發現問題并優化改進，從而得到全局最優的設計方案，并且通過并行協同設計縮短項目開發周期、減少新增資源投入、實物驗證的費用及項目后期更改成本。數字制造建模技術主要依賴于三維實體計算機輔助工程設計（CAD）、工藝仿真（包括有限元分析仿真、制造過程仿真、工業自動化仿真、人機工程仿真等）及產品全生命周期數據管理（PLM）三大類軟件系統/平臺功能來實現。雖然企業可以直接從外部購買各種商用設計建模與虛擬仿真系統軟件，但要能真正發揮企業級跨業務數據集成、協同設計的作用，仍然需要在內部建立一系列的標準流程從而解決數據建模標準化（數據交付質量）、仿真精度與可靠性（多學科知識顯性化）、組織協同管理與決策機制（數據變更管理/問題解決推進）等問題。圖3所示為某大型整車企業建立的產品/制造工藝同步工程開發跨業務協同設計的流程與應用場景示例。數字制造主要面向的是產品/工藝設計過程的最優設計，而智能工廠主要聚焦于工廠運營過程中的效率、質量與穩定性指標不斷改善。

智能工廠的數據信息主要來自于：（1）自動化生產設備的自身控制運行數據（如：機器人控制程序及各種參數）；（2）制造執行系統（MES）信息（如：生產管理、物流管理、質量管理、能源管理、設備管理等）；（3）企業資源規劃系統（ERP）信息（如：訂單信息、物料采購、人力資源、財務成本等）。智能工廠建模技術的關鍵是實現多種生產設備的數據采集及跨業務/跨系統的數據互聯互通，也就是從數字化制造邁向網絡化制造。針對生產系統中需要優化的業務指標通過業務流程建模、實體關系建模，將設備中采集到的數據以及MES/ERP系統中的數據進行關聯分析，量化輸入與輸出數據間的計算模型，找到關鍵特性指標的影響因素，從而能夠通過該模型對輸出進行預測、預警并對輸入進行前饋控制。圖4所示案例為某大型整車企業針對整車制造工廠同一生產線上所制造的不同車型產量需求波動而實時響應的生產人員數量及效率預測模型。該模型通過對生產計劃信息數據與生產系統中的不同車型工時規劃數據（∑CT）、生產設備開動數據（ATT）、人員操作效率指標數據（MPH）建立數據分解流程圖及輸入、輸出信息計算關系，即可預測出在不同車型產量配比需求及生產班次模式下的生產操作人員數量（HC）、單車生產總工時（HPV）及綜合生產效率指標(OCR)。通過該模型分析可以及時響應市場訂單需求的變化，得出最優的生產計劃排產模式及所需配備的生產人員精確數量，從而達成最佳生產效率指標。前文分別描述了以物理工廠的三維幾何模型及過程仿真為核心的數字制造和以物理工廠的運營數據采集及過程控制為核心的智能工廠，而數字孿生建模技術能夠進一步實現這兩大類模型的互聯互通、數據集成與實時動態響應。數字孿生建模不僅能滿足企業對制造系統性能指標（生產效率、質量、可重復性、成本和風險等）不斷優化的需求，并且能進一步滿足更大范圍的市場靈活性與適應性，實現大規模定制生產、敏捷設計、即時交付等高層次、全價值鏈、端到端的客戶需求。數字孿生建模技術的關鍵是解決數字化設計仿真軟件平臺與現場設備工業自動化控制系統軟件之間的數據訪問、數據交互問題。OPC（OLEProcessControl）-UA協議提供了應用軟件與各種設備驅動程序之間通信的一項工業技術規范和標準。它采用客戶/服務器體系，基于Microsoft的OLE/COM技術，為硬件廠商和應用軟件開發者提供了一套標準的接口。某大型整車企業采用西門子公司的工藝仿真軟件ProcessSimulate與羅克韋爾公司的通訊管理軟件RSLinx，通過OPC-UA協議創建通訊連接，再通過IT網絡安全架構及云服務器實現雙向數據的實時上傳、下載、存儲和訪問，從而在技術上實現了數字孿生建模。數字孿生的實際應用場景包括從工藝設計開發端向生產設備可編程控制器（PLC）端進行實時信號傳輸，驅動現場設備運行的虛擬調試（VirtualCommissioning），以及由現場設備運行信號數據反向驅動仿真模型實時再現設備動作及邏輯關系的數字體驗。數字孿生模型的虛擬調試應用可在新產品引入過程中節省生產現場設備的機器人、PLC、工裝設備等的系統集成調試時間，大大降低設備停產改造而引起的產能損失。而數字體驗可以配合VR/AR技術，實現設備現場真實運行情況的三維可視化、多視角展示，從而實現設備遠程監控、故障診斷、操作人員在線場景培訓、規劃設計方案協同管理決策等。圖5所示為某大型整車企業實現數字孿生建模的試點案例場景。

綜上所述，對照《智能制造能力成熟度模型》五級標準，本文所重點介紹的數字制造、智能工廠及數字孿生建模技術方法應用，可以實現企業跨業務數據集成、精準預測和決策優化，達到智能制造成熟度四級（優化級）水平。企業以物理工廠的數據信息映射建模方法為基礎，繼續利用人工智能算法模型、大數據分析訓練、云計算等新一代信息技術，從而使數據信息模型具有持續自主學習、自適應決策的能力[7]，實現生產制造過程的自感知、自優化和自執行，從而達到五級（引領級）水平，即為智能制造系統中的智能決策層重點攻關內容。在這一層級學術、工業和軟件開發領域專家仍有廣闊的合作空間和富有想象力的需求場景值得研究和探索。

作者：楊虹 胡逸輝 單位：上汽通用汽車有限公司