編者按：此文是根據中國工程院院士、浙江大學教授、智能制造分會專家主任楊華勇先生，在CIROS組委會主辦的2019中國國際機器人與智能制造發展高峰論壇暨2019“金手指獎”頒獎典禮上的演講，按照速記報告整理摘編而成。

數字經濟最好的時代：ABCD

  在這里跟大家匯報一下智能制造我們的思考和實踐。我的匯報分以下幾個內容。首先，剛才薛會長和毛司長都提到政策的問題，現在政策都是講制造業的轉型升級，因為我們的產能過剩，現在核心關鍵技術需要進一步的自主和突破，制造業都離不開信息業，智能制造就離不開IT的ABCD，就是AI、Block chain等。在互聯網銷售領域，現在互聯網改變了生活生產的模式，云計算、IoT、VR、AI的人工智能深入，已經越來越轉型化。所以開發者、品牌商、制造商，以及門店、運輸、快遞、物流、金融業都跟新零售、新物流、新制造等連在一起。

  消費互聯網化，消費的升級，現在在倒逼服務的升級，服務的升級倒逼制造的升級。要打通這些，就是供應鏈和智能化。最近幾年講CPS講的比較多，現在數十億消費者，通過消費互聯網，越來越連在一起。所以從消費端來看，都看重的是服務、渠道和市場，從研發這端來看，創新、研發、設計和品牌，中國人口紅利幾乎已經促進，但是中國的工程師才剛剛開始。中國一年的工科畢業生，幾乎要超過全球其他國家加起來的總和。這塊都需要供應鏈、制造和物流來打通物理世界和心理世界，以及虛擬世界。

市場環境的互聯網轉型

  互聯網時代離不開五個詞，平臺、數據、智能、融合、普惠。對于平臺而言，未來的平臺和個人，個人可以用平臺做很多事。數字化以后需要在線，24小時隨時可調用。產品和服務、運營、決策都要智能化，線上線下融合、原子比特融合，以及普惠。從需求側來看，我們企業都在講成本、質量、效率，工業質量變革、效率變革、動力變革，來找數字化、網絡化、智能化的產品、裝備和過程，數據驅動、軟件定義、平臺支撐、智能主導、服務支撐。供給側，從數據的角度學習提升、迭代成長。大數據是融合關聯數字孿生、云計算、互聯網等。從IT側，都講工業互聯網，我們制造側都是智能制造。

  實際上說的一件事情，不同的角度來看，工業互聯網的增長非常迅速。來看這個應用場景的占比，設備的管理服務是38%，生產過程的管理是28%，企業運營管理是18%，資源配置協同13%，真正的研發設計數據只有2%，還有一個工藝的管理只有1%。

  我們用另外一個坐標來看，他有兩個坐標，產品的價值分析的深度，以及工業機理復雜度來考慮，社會管理、過程管理、企業運營管理、資源配備和研發，以及制造工藝的管理，現在大量是在模型的問題、數據深入分析問題、設備健康管理，這個占到62%。還有生產的監控、安全管理、客戶關系管理、財富管理，這塊占了22%。金融全流程的優化占了43%，真正工業復雜度特別高的，仿真優化與數字這塊，實際上只有3%。

智能制造工業互聯網面臨多個挑戰

  現在進一步朝深度走，智能制造工業互聯網往深度走，面臨很多挑戰，我列了六個。第一個，現在數據源很多，接入成本高、量大，所以企業做IO的成本非常高。這是工業數據的多樣性。從算法來看，現在開發語言眾多，管理成本高，工業機理和算法，實際上很難融合，需要兩方面的人才，需要工業的專用人才和IT的專用人才一起來做。還有工業組件的沉淀、算法模型的沉淀，因為場景復雜、算法多樣，帶來了很大的挑戰。邊緣計算，放到云上的安全的問題，公有云、私有云、混合云，邊緣計算成本高。也存在硬件的問題，還有流計算，所以需要與硬件深度融合。還有算法能力不足，因為數據量大，算法框架多，成本高。而我們需要的是混合部署和快速部署，尤其是業務深度的融合。

  工業互聯網平臺的本質是工業數據操作系統，核心三套件，虎符、算盤、河圖，做工業數據的開發管理。工業工程運籌優化系統，以及工業視覺渲染，還有邊緣算法。我們都知道，工廠的管理有物料、工裝、人員、工藝、設備、訂單、供應商。物流的管理、網絡運行涉及到銷售，質量數據、工業數據、裝備公司數據、模具數據、訂單數據、設備數據，以及人員權限的管理。

  這里一個例子，關于工裝的一個例子，非常復雜。事實上我們也跟上飛（音）一起在做，稍微哪一個點上一段，后面的流程就做不下去。大量數據的整合，這里面需要很多事，可能是三方面。前面提到真正要把一個平臺推出來讓大家接受，面向業務人員，圖形化工業智能程序開發環境。要求規范、統一、易用的算法智能平臺，讓算法透明、可解釋、能“說話”、可獨立部署，支持擴展、快速API服務化。

  這是一個案例，現在國內最有競爭力的是春風摩托，他做了一期工信部的智能制造示范項目，他這個就是設計，他設計能力現在很強，而且這是一個國賓副車隊的摩托車，跟一般的摩托車相比，他加了150個特殊標準，產量不大，要求又高，政府采購價格也很低，競爭者也多，但是企業也不愿意虧損，所以這對他帶來很大的挑戰。從設計角度帶來很大挑戰，制造角度帶來挑戰，他的車間很典型，一個車間有三十臺各種加工機床，各種品牌的。他做了一期下來，他想深度做。他現在做沙灘車等等，也做出口，雖然企業不大，但是很有競爭力。摩托車，說到底還是發動機。發動機的問題我們也都知道，就是裝配。舉個例子，最簡單就是螺絲釘，螺絲釘松了緊了，操作工心情不好，做不到位。靠巡檢員，永遠會有問題。怎么避免這些問題？如果把他做起來，攝像頭做一個監控，可以馬上報警。而且不拍人，就拍一個局部，工人也不反感。關鍵要把這些數據怎么處理，很多企業應該也做過類似的場景，做跟蹤。數據整理，根據視頻判斷它的產品。

  1、裝備智能化

  做裝配線不需要大規模改造，對中小企業很有借鑒意義。能夠實現不間斷監控，對不正確的裝配件能夠及時預警。

  裝備的智能化。我們在基金委的支持下做了很多，現在產量全球60%，把價格拉下來40%。現在“一帶一路”傳統線帶來很大的問題，中國是產量的大國，還希望成為技術強國，來引領這個行業的發展。他也是數據很多，主要的問題和瓶頸是駕駛員的經驗需要積累，培養周期長，工程都有各種各樣的問題。人在疲勞時容易注意力不集中、穩定性低，無法長時間工作。方向是智能駕駛，現在是輔助決策。

  盾構大腦，進行TB+M邊緣計算，局部感知前面的巖土或者水土的情況。駕駛數據、刀具磨損評估、設備故障預警等等。如何提高它的壽命？如何來做圖像識別、地質模型、評估駕駛質量，我們來判斷駕駛水平，需要多維度。

  2、數據采集分析

  舉個例子，芯片決定以后，靠皮帶輸送出來，然后到運輸車，再把它提升出來。如果巖石的塊度太小，就不是用來決定破碎巖石。原來選煤也是，現在同樣的原理，我們再考慮煤炭的洗煤選煤，就靠圖像來做。有網絡深度學習，產生大量的數據。

  前期做過的人都知道，采集數據很痛苦，采完數據再解也很痛苦，前期做起來非常痛苦。怎么來分析，現在沒有人也沒有技術來做。也要分類，巖石的類型早就知道，關鍵是巖石前面這個局部段到底有多少，靠圖片，見了數據會很快分類，不用人去盯著，也不用請專家。

  做標識，大量圖像采集出來以后，現在已經有遠程采集。做深度分析，輔助駕駛、智能決策，有輔助。這樣數據的分析可以影響和引導駕駛員的決策，現在關于刀盤的轉速，它的設定和實際推進到底多少，波動時決策要降低一下，速度慢一點。

  所以深度圖像數據可以準確判斷圍巖類型和尺寸，通過歷史數據分析能夠抽象出駕駛員的最優駕駛策略，為自動駕駛提供依據。通過更深層次的數據與知識挖掘，能夠實現更加精準的自動駕駛。

  3、質量管理

  還有質量管理，無錫有一個貝斯特精機，他是做發動機葉輪的，我們都知道葉輪的工況很復雜，表面瑕疵影響葉輪性能，對檢測要求很高，瑕疵品流出會造成很大損失，包括物流、批量召回產品等。目前都知道，生產線要巡檢，巡檢員數量也有限、培訓周期有限、培訓周期長，如何檢測降低瑕疵對人力的依賴？

  主要的瓶頸就是，需要有一定的檢驗經驗門檻，受主管判斷影響，檢測準確度有起伏。缺乏一致性，容易錯檢漏檢。抽象出來就是這樣，業務層、交互層、計算層和技術層，細節不展開講。最后說一下，圖像的特征提取，來深度學習這個圖像，降低復雜度對精度的影響。需要穩定的工作環境，抗干擾能力弱，學習能力弱。這些都要改進。

  圖像需要做360度無死角高清拍攝，然后深度殘差神經網絡建模，目標是全自動智能分揀。共收集81張圖片，156處劃傷瑕疵，其中64張照片用作訓練，17張用作驗證。精確率85.51%，召回率是67.65，平均精度是87.04%。這個意義是用深度學習輔助人工對瑕疵的檢測，提高穩定性和準確性，降低人力成本。圖像可以做到90%的準確度，這個難度也不用多少人培訓，后期很好。深度學習，提升性能，并能夠快速復制到所有檢測點，避免因工人培訓浪費時間。

  4、生產管理

  生產管理就在浙江兆豐，做軸承的。前面已經接了MES、ERP、WMS等系統。解決企業信息化達到一定高度后的痛點，多系統、多部門，視覺單一、缺乏全局，各種問題無法預知。做企業的大腦，數據智能、流程智能、決策智能。先要說服管理層，決策者下決心，一定要董事長達成共識。前期搞的很亂，就會很困難。

  這是數據展示平臺。然后找優化，這是一個傳統行業，總覺得工業沒有多少優化。現在要把汽車行業加上數據的手段，真發現了很多問題。把它分類，我們也都知道，磨削、上下科、修整，就這三個階段。非磨削階段占比太大。

  只要意識到問題在哪兒，采用消空程系統，縮短空程時間。找到整體的優化，產品交貨期縮短7天，部分關鍵產品生產節拍從18秒提升到15秒，能耗降低7%，產品質量提升5%。那個節拍的量很大，別小看這3秒。生產協同個性化、內網外網設計供應鏈，很復雜。智能制造工業互聯網互聯互通需要跨界，真的是強國的基礎。

  繞不開工廠化，現在開發者可以網上找，算法也找的到，IT也有生態。能力多了，數據量很大，數據的定義，尤其數據的關系，需要專門的人來做。大量的數據如何用，我們分析過，很多的數據，97%實際上是無用的。

工業互聯網

  現在做互聯網，就是工業互聯網2.0時代。數字化基礎越好的企業，做起來就越大。運營層、應用層，開發工業APP。安全我們都知道，現在社會公共系統的安全是重中之重。邊緣計算、云平臺的安全等等。現在是把開發者學習交流開發工業APP，我們現在做了很多事，尤其是大學，他們有沉淀，畢業生一畢業就走了，你還要了解他的工藝，要花精力去解決。這個問題，現在做了一個算盤。現在我們關心的工廠大腦，倉儲物流也開始關心，事實上我們會越來越關注能耗，尤其是設備，設備什么時候該維修，有好多數據要進入大腦。

  打通全城的工業互聯網，把現有的各種反饋，商業數據、客戶關系數據、產銷等等，全部放在一個平臺上，所以要讓生產有序，還要供需有理，讓制造有“芯”，讓生產有序，讓營銷有依。我認為智能制造工業互聯網的四個階段，第一個是資源通，第二個是架構通，第三個是數據通，第四個階段是價值通。現在的企業大部分還在第一、第二階段。

  5G要改變、加快，多維的輸入，現在消費互聯網是下載，5G有個問題，他有個上載的問題，現在5G在消費領域都是下載，現在大規模做5G的上載。我看聯通電信都在做，全局協同能夠深度融合工業機理與工藝，制造超越人類決策的全局最優策略，并實時自優化。全線智能，能夠洞悉人所沒發現的復雜及隱藏的工業規律與原理。

機器智能解放人工智慧

  現在智能制造帶來了很大的挑戰，全球化和地緣政治的挑戰，科技公司也盯著工業，在整體加速。產學研到底該如何協同？不同行業模式復制遇到的行業數據規制，每個企業的工業大佬都需要個性化的定制。互聯網和傳統經濟體的“跨界”文化有很大鴻溝。頂層設計好，局部快速迭代，每個行業都可以做到。人腦+機器智能的“混合腦力”模式。數據驅動的智能化治理模式成為主流，數字經濟帶動消費升級與智慧升級。

  數據智能不是取代人，也不是機器取代人，應該是機器智能解放人工智慧。所以數據應該是從制造業中來，也應該回到制造業中去。謝謝大家！