编者按：此文是根据中国工程院院士、浙江大学教授、智能制造分会专家主任杨华勇先生，在CIROS组委会主办的2019中国国际机器人与智能制造发展高峰论坛暨2019“金手指奖”颁奖典礼上的演讲，按照速记报告整理摘编而成。

数字经济最好的时代：ABCD

  在这里跟大家汇报一下智能制造我们的思考和实践。我的汇报分以下几个内容。首先，刚才薛会长和毛司长都提到政策的问题，现在政策都是讲制造业的转型升级，因为我们的产能过剩，现在核心关键技术需要进一步的自主和突破，制造业都离不开信息业，智能制造就离不开IT的ABCD，就是AI、Block chain等。在互联网销售领域，现在互联网改变了生活生产的模式，云计算、IoT、VR、AI的人工智能深入，已经越来越转型化。所以开发者、品牌商、制造商，以及门店、运输、快递、物流、金融业都跟新零售、新物流、新制造等连在一起。

  消费互联网化，消费的升级，现在在倒逼服务的升级，服务的升级倒逼制造的升级。要打通这些，就是供应链和智能化。最近几年讲CPS讲的比较多，现在数十亿消费者，通过消费互联网，越来越连在一起。所以从消费端来看，都看重的是服务、渠道和市场，从研发这端来看，创新、研发、设计和品牌，中国人口红利几乎已经促进，但是中国的工程师才刚刚开始。中国一年的工科毕业生，几乎要超过全球其他国家加起来的总和。这块都需要供应链、制造和物流来打通物理世界和心理世界，以及虚拟世界。

市场环境的互联网转型

  互联网时代离不开五个词，平台、数据、智能、融合、普惠。对于平台而言，未来的平台和个人，个人可以用平台做很多事。数字化以后需要在线，24小时随时可调用。产品和服务、运营、决策都要智能化，线上线下融合、原子比特融合，以及普惠。从需求侧来看，我们企业都在讲成本、质量、效率，工业质量变革、效率变革、动力变革，来找数字化、网络化、智能化的产品、装备和过程，数据驱动、软件定义、平台支撑、智能主导、服务支撑。供给侧，从数据的角度学习提升、迭代成长。大数据是融合关联数字孪生、云计算、互联网等。从IT侧，都讲工业互联网，我们制造侧都是智能制造。

  实际上说的一件事情，不同的角度来看，工业互联网的增长非常迅速。来看这个应用场景的占比，设备的管理服务是38%，生产过程的管理是28%，企业运营管理是18%，资源配置协同13%，真正的研发设计数据只有2%，还有一个工艺的管理只有1%。

  我们用另外一个坐标来看，他有两个坐标，产品的价值分析的深度，以及工业机理复杂度来考虑，社会管理、过程管理、企业运营管理、资源配备和研发，以及制造工艺的管理，现在大量是在模型的问题、数据深入分析问题、设备健康管理，这个占到62%。还有生产的监控、安全管理、客户关系管理、财富管理，这块占了22%。金融全流程的优化占了43%，真正工业复杂度特别高的，仿真优化与数字这块，实际上只有3%。

智能制造工业互联网面临多个挑战

  现在进一步朝深度走，智能制造工业互联网往深度走，面临很多挑战，我列了六个。第一个，现在数据源很多，接入成本高、量大，所以企业做IO的成本非常高。这是工业数据的多样性。从算法来看，现在开发语言众多，管理成本高，工业机理和算法，实际上很难融合，需要两方面的人才，需要工业的专用人才和IT的专用人才一起来做。还有工业组件的沉淀、算法模型的沉淀，因为场景复杂、算法多样，带来了很大的挑战。边缘计算，放到云上的安全的问题，公有云、私有云、混合云，边缘计算成本高。也存在硬件的问题，还有流计算，所以需要与硬件深度融合。还有算法能力不足，因为数据量大，算法框架多，成本高。而我们需要的是混合部署和快速部署，尤其是业务深度的融合。

  工业互联网平台的本质是工业数据操作系统，核心三套件，虎符、算盘、河图，做工业数据的开发管理。工业工程运筹优化系统，以及工业视觉渲染，还有边缘算法。我们都知道，工厂的管理有物料、工装、人员、工艺、设备、订单、供应商。物流的管理、网络运行涉及到销售，质量数据、工业数据、装备公司数据、模具数据、订单数据、设备数据，以及人员权限的管理。

  这里一个例子，关于工装的一个例子，非常复杂。事实上我们也跟上飞（音）一起在做，稍微哪一个点上一段，后面的流程就做不下去。大量数据的整合，这里面需要很多事，可能是三方面。前面提到真正要把一个平台推出来让大家接受，面向业务人员，图形化工业智能程序开发环境。要求规范、统一、易用的算法智能平台，让算法透明、可解释、能“说话”、可独立部署，支持扩展、快速API服务化。

  这是一个案例，现在国内最有竞争力的是春风摩托，他做了一期工信部的智能制造示范项目，他这个就是设计，他设计能力现在很强，而且这是一个国宾副车队的摩托车，跟一般的摩托车相比，他加了150个特殊标准，产量不大，要求又高，政府采购价格也很低，竞争者也多，但是企业也不愿意亏损，所以这对他带来很大的挑战。从设计角度带来很大挑战，制造角度带来挑战，他的车间很典型，一个车间有三十台各种加工机床，各种品牌的。他做了一期下来，他想深度做。他现在做沙滩车等等，也做出口，虽然企业不大，但是很有竞争力。摩托车，说到底还是发动机。发动机的问题我们也都知道，就是装配。举个例子，最简单就是螺丝钉，螺丝钉松了紧了，操作工心情不好，做不到位。靠巡检员，永远会有问题。怎么避免这些问题？如果把他做起来，摄像头做一个监控，可以马上报警。而且不拍人，就拍一个局部，工人也不反感。关键要把这些数据怎么处理，很多企业应该也做过类似的场景，做跟踪。数据整理，根据视频判断它的产品。

  1、装备智能化

  做装配线不需要大规模改造，对中小企业很有借鉴意义。能够实现不间断监控，对不正确的装配件能够及时预警。

  装备的智能化。我们在基金委的支持下做了很多，现在产量全球60%，把价格拉下来40%。现在“一带一路”传统线带来很大的问题，中国是产量的大国，还希望成为技术强国，来引领这个行业的发展。他也是数据很多，主要的问题和瓶颈是驾驶员的经验需要积累，培养周期长，工程都有各种各样的问题。人在疲劳时容易注意力不集中、稳定性低，无法长时间工作。方向是智能驾驶，现在是辅助决策。

  盾构大脑，进行TB+M边缘计算，局部感知前面的岩土或者水土的情况。驾驶数据、刀具磨损评估、设备故障预警等等。如何提高它的寿命？如何来做图像识别、地质模型、评估驾驶质量，我们来判断驾驶水平，需要多维度。

  2、数据采集分析

  举个例子，芯片决定以后，靠皮带输送出来，然后到运输车，再把它提升出来。如果岩石的块度太小，就不是用来决定破碎岩石。原来选煤也是，现在同样的原理，我们再考虑煤炭的洗煤选煤，就靠图像来做。有网络深度学习，产生大量的数据。

  前期做过的人都知道，采集数据很痛苦，采完数据再解也很痛苦，前期做起来非常痛苦。怎么来分析，现在没有人也没有技术来做。也要分类，岩石的类型早就知道，关键是岩石前面这个局部段到底有多少，靠图片，见了数据会很快分类，不用人去盯着，也不用请专家。

  做标识，大量图像采集出来以后，现在已经有远程采集。做深度分析，辅助驾驶、智能决策，有辅助。这样数据的分析可以影响和引导驾驶员的决策，现在关于刀盘的转速，它的设定和实际推进到底多少，波动时决策要降低一下，速度慢一点。

  所以深度图像数据可以准确判断围岩类型和尺寸，通过历史数据分析能够抽象出驾驶员的最优驾驶策略，为自动驾驶提供依据。通过更深层次的数据与知识挖掘，能够实现更加精准的自动驾驶。

  3、质量管理

  还有质量管理，无锡有一个贝斯特精机，他是做发动机叶轮的，我们都知道叶轮的工况很复杂，表面瑕疵影响叶轮性能，对检测要求很高，瑕疵品流出会造成很大损失，包括物流、批量召回产品等。目前都知道，生产线要巡检，巡检员数量也有限、培训周期有限、培训周期长，如何检测降低瑕疵对人力的依赖？

  主要的瓶颈就是，需要有一定的检验经验门槛，受主管判断影响，检测准确度有起伏。缺乏一致性，容易错检漏检。抽象出来就是这样，业务层、交互层、计算层和技术层，细节不展开讲。最后说一下，图像的特征提取，来深度学习这个图像，降低复杂度对精度的影响。需要稳定的工作环境，抗干扰能力弱，学习能力弱。这些都要改进。

  图像需要做360度无死角高清拍摄，然后深度残差神经网络建模，目标是全自动智能分拣。共收集81张图片，156处划伤瑕疵，其中64张照片用作训练，17张用作验证。精确率85.51%，召回率是67.65，平均精度是87.04%。这个意义是用深度学习辅助人工对瑕疵的检测，提高稳定性和准确性，降低人力成本。图像可以做到90%的准确度，这个难度也不用多少人培训，后期很好。深度学习，提升性能，并能够快速复制到所有检测点，避免因工人培训浪费时间。

  4、生产管理

  生产管理就在浙江兆丰，做轴承的。前面已经接了MES、ERP、WMS等系统。解决企业信息化达到一定高度后的痛点，多系统、多部门，视觉单一、缺乏全局，各种问题无法预知。做企业的大脑，数据智能、流程智能、决策智能。先要说服管理层，决策者下决心，一定要董事长达成共识。前期搞的很乱，就会很困难。

  这是数据展示平台。然后找优化，这是一个传统行业，总觉得工业没有多少优化。现在要把汽车行业加上数据的手段，真发现了很多问题。把它分类，我们也都知道，磨削、上下科、修整，就这三个阶段。非磨削阶段占比太大。

  只要意识到问题在哪儿，采用消空程系统，缩短空程时间。找到整体的优化，产品交货期缩短7天，部分关键产品生产节拍从18秒提升到15秒，能耗降低7%，产品质量提升5%。那个节拍的量很大，别小看这3秒。生产协同个性化、内网外网设计供应链，很复杂。智能制造工业互联网互联互通需要跨界，真的是强国的基础。

  绕不开工厂化，现在开发者可以网上找，算法也找的到，IT也有生态。能力多了，数据量很大，数据的定义，尤其数据的关系，需要专门的人来做。大量的数据如何用，我们分析过，很多的数据，97%实际上是无用的。

工业互联网

  现在做互联网，就是工业互联网2.0时代。数字化基础越好的企业，做起来就越大。运营层、应用层，开发工业APP。安全我们都知道，现在社会公共系统的安全是重中之重。边缘计算、云平台的安全等等。现在是把开发者学习交流开发工业APP，我们现在做了很多事，尤其是大学，他们有沉淀，毕业生一毕业就走了，你还要了解他的工艺，要花精力去解决。这个问题，现在做了一个算盘。现在我们关心的工厂大脑，仓储物流也开始关心，事实上我们会越来越关注能耗，尤其是设备，设备什么时候该维修，有好多数据要进入大脑。

  打通全城的工业互联网，把现有的各种反馈，商业数据、客户关系数据、产销等等，全部放在一个平台上，所以要让生产有序，还要供需有理，让制造有“芯”，让生产有序，让营销有依。我认为智能制造工业互联网的四个阶段，第一个是资源通，第二个是架构通，第三个是数据通，第四个阶段是价值通。现在的企业大部分还在第一、第二阶段。

  5G要改变、加快，多维的输入，现在消费互联网是下载，5G有个问题，他有个上载的问题，现在5G在消费领域都是下载，现在大规模做5G的上载。我看联通电信都在做，全局协同能够深度融合工业机理与工艺，制造超越人类决策的全局最优策略，并实时自优化。全线智能，能够洞悉人所没发现的复杂及隐藏的工业规律与原理。

机器智能解放人工智慧

  现在智能制造带来了很大的挑战，全球化和地缘政治的挑战，科技公司也盯着工业，在整体加速。产学研到底该如何协同？不同行业模式复制遇到的行业数据规制，每个企业的工业大佬都需要个性化的定制。互联网和传统经济体的“跨界”文化有很大鸿沟。顶层设计好，局部快速迭代，每个行业都可以做到。人脑+机器智能的“混合脑力”模式。数据驱动的智能化治理模式成为主流，数字经济带动消费升级与智慧升级。

  数据智能不是取代人，也不是机器取代人，应该是机器智能解放人工智慧。所以数据应该是从制造业中来，也应该回到制造业中去。谢谢大家！