我国智能工厂发展趋势分析

当前,智能制造热度高企,石化、钢铁、机械装备制造、汽车制造、航空航天、飞机制造等行业纷纷开始探索建设智能工厂。《中国制造2025》明确提出要推进制造过程智能化,在重点领域试点建设智能工厂/数字化车间,这必将加速智能工厂在工业行业领域的应用推广。预计未来3-5年,全国将涌现出一批智能工厂。

 

智能工厂的内涵及建设重点

  智能工厂是实现智能制造的重要载体,主要通过构建智能化生产系统、网络化分布生产设施,实现生产过程的智能化。企业基于CPS和工业互联网构建的智能工厂原型,主要包括物理层、信息层、大数据层、工业云层、决策层。其中,物理层包含工厂内不同层级的硬件设备,从最小的嵌入设备和基础元器件开始,到感知设备、制造设备、制造单元和生产线,相互间均实现互联互通。以此为基础,构建了一个“可测可控、可产可管”的纵向集成环境。信息层涵盖企业经营业务各个环节,包含研发设计、生产制造、营销服务、物流配送等各类经营管理活动,以及由此产生的众创、个性化定制、电子商务、可视追踪等相关业务。在此基础上,形成了企业内部价值链的横向集成环境,实现数据和信息的流通和交换。纵向集成和横向集成均以CPS和工业互联网为基础,产品、设备、制造单元、生产线、车间、工厂等制造系统的互联互通,及其与企业不同环节业务的集成统一,则是通过数据应用和工业云服务实现,并在决策层基于产品、服务、设备管理支撑企业最高决策。这些共同构建了一个智能工厂完整的价值网络体系,为用户提供端到端的解决方案。

  

  由于产品制造工艺过程的明显差异,离散制造业和流程制造业在智能工厂建设的重点内容有所不同。对于离散制造业而言,产品往往由多个零部件经过一系列不连续的工序装配而成,其过程包含很多变化和不确定因素,在一定程度上增加了离散型制造生产组织的难度和配套复杂性。企业常常按照主要的工艺流程安排生产设备的位置,以使物料的传输距离最小。面向订单的离散型制造企业具有多品种、小批量的特点,其工艺路线和设备的使用较灵活,因此,离散制造型企业更加重视生产的柔性,其智能工厂建设的重点是智能制造生产线。

  

  流程型制造业的特点是管道式物料输送,生产连续性强,流程比较规范,工艺柔性比较小,产品比较单一,原料比较稳定。对于流程制造业而言,由于原材料在整个物质转化过程中进行的是物理化学过程,难以实现数字化,而工序的连续性使得上一个工序对下一个工序的影响具有传导作用,即如果第一道工序的原料不可用,就会影响第二道工序。因此,流程型制造业智能工厂建设的重点在于实现生产工艺的智能优化和生产全流程的智能优化,即智能感知生产条件变化,自主决策系统控制指令,自动控制设备,在出现异常工况时,即时预测和进行自愈控制,排除异常、实现安全优化运行;在此基础上,智能感知物流、能源流和信息流的状况,自主学习和主动响应,实现自动决策。

  

智能工厂主要建设模式

  由于各个行业生产流程不同,加上各个行业智能化情况不同,智能工厂有以下几个不同的建设模式。

  

  第一种模式是从生产过程数字化到智能工厂。在石化、钢铁、冶金、建材、纺织、造纸、医药、食品等流程制造领域,企业发展智能制造的内在动力在于产品品质可控,侧重从生产数字化建设起步,基于品控需求从产品末端控制向全流程控制转变。因此其智能工厂建设模式为:一是推进生产过程数字化,在生产制造、过程管理等单个环节信息化系统建设的基础上,构建覆盖全流程的动态透明可追溯体系,基于统一的可视化平台实现产品生产全过程跨部门协同控制;二是推进生产管理一体化,搭建企业CPS系统,深化生产制造与运营管理、采购销售等核心业务系统集成,促进企业内部资源和信息的整合和共享;三是推进供应链协同化,基于原材料采购和配送需求,将CPS系统拓展至供应商和物流企业,横向集成供应商和物料配送协同资源和网络,实现外部原材料供应和内部生产配送的系统化、流程化,提高工厂内外供应链运行效率;四是整体打造大数据化智能工厂,推进端到端集成,开展个性化定制业务。

  

  第二种模式是从智能制造生产单元(装备和产品)到智能工厂。在机械、汽车、航空、船舶、轻工、家用电器和电子信息等离散制造领域,企业发展智能制造的核心目的是拓展产品价值空间,侧重从单台设备自动化和产品智能化入手,基于生产效率和产品效能的提升实现价值增长。因此其智能工厂建设模式为:一是推进生产设备(生产线)智能化,通过引进各类符合生产所需的智能装备,建立基于CPS系统的车间级智能生产单元,提高精准制造、敏捷制造能力。二是拓展基于产品智能化的增值服务,利用产品的智能装置实现与CPS系统的互联互通,支持产品的远程故障诊断和实时诊断等服务;三是推进车间级与企业级系统集成,实现生产和经营的无缝集成和上下游企业间的信息共享,开展基于横向价值网络的协同创新。四是推进生产与服务的集成,基于智能工厂实现服务化转型,提高产业效率和核心竞争力。

  

  例如,广州数控通过利用工业以太网将单元级的传感器、工业机器人、数控机床,以及各类机械设备与车间级的柔性生产线总控制台相连,利用以太网将总控台与企业管理级的各类服务器相连,再通过互联网将企业管理系统与产业链上下游企业相连,打通了产品全生命周期各环节的数据通道,实现了生产过程的远程数据采集分析和故障监测诊断。三一重工的18号厂房是总装车间,有混凝土机械、路面机械、港口机械等多条装配线,通过在生产车间建立“部件工作中心岛”,即单元化生产,将每一类部件从生产到下线所有工艺集中在一个区域内,犹如在一个独立的“岛屿”内完成全部生产。这种组织方式,打破了传统流程化生产线呈直线布置的弊端,在保证结构件制造工艺不改变、生产人员不增加的情况下,实现了减少占地面积、提高生产效率、降低运行成本的目的。目前,三一重工已建成车间智能监控网络和刀具管理系统、公共制造资源定位与物料跟踪管理系统、计划、物流、质量管控系统、生产控制中心(PCC)中央控制系统等智能系统,还与其他单位共同研发了智能上下料机械手、基于DNC系统的车间设备智能监控网络、智能化立体仓库与AGV运输软硬件系统、基于RFID设备及无线传感网络的物料和资源跟踪定位系统、高级计划排程系统(APS)、制造执行系统(MES)、物流执行系统(LES)、在线质量检测系统(SPC)、生产控制中心管理决策系统等关键核心智能装置,实现了对制造资源跟踪、生产过程监控,计划、物流、质量集成化管控下的均衡化混流生产。

  

  第三种模式是从个性化定制到互联工厂。在家电、服装、家居等距离用户最近的消费品制造领域,企业发展智能制造的重点在于充分满足消费者多元化需求的同时实现规模经济生产,侧重通过互联网平台开展大规模个性定制模式创新。因此其智能工厂建设模式为:一是推进个性化定制生产,引入柔性化生产线,搭建互联网平台,促进企业与用户深度交互、广泛征集需求,基于需求数据模型开展精益生产;二是推进设计虚拟化,依托互联网逆向整合设计环节,打通设计、生产、服务数据链,采用虚拟仿真技术优化生产工艺;三是推进制造网络协同化,变革传统垂直组织模式,以扁平化、虚拟化新型制造平台为纽带集聚产业链上下游资源,发展远程定制、异地设计、当地生产的网络协同制造新模式。

  

智能工厂发展重点环节

  随着未来智能工厂发展浪潮的逼近。未来,将有几个行业或者领域迎来发展高潮。

  

  首先是虚拟仿真设计。随着三维数字化技术的发展,传统的以经验为主的模拟设计模式逐渐转变为基于三维建模和仿真的虚拟设计模式,使未来的智能工厂能够通过三维数字建模、工艺虚拟仿真、三维可视化工艺现场应用,避免传统的“三维设计模型→二维纸质图纸→三维工艺模型”研制过程中信息传递链条的断裂,摒弃二维、三维之间转换,提高产品研发设计效率,保证产品研发设计质量。

  

  随着仿真技术的发展,原有的对工件几何参数及干涉进行校验的几何仿真逐渐转变成产品加工、装配、拆卸、切削和成型过程的物理仿真,使未来的智能工厂实现在复杂虚拟环境下对产品运行生产效果进行仿真分析和验证,以达到产品开发周期和成本的最低化、产品设计质量的最优化和生产效率的最高化,增强企业的竞争能力。未来我国应着重突破MBD技术、物理仿真引擎系统架构、仿真模型三个环节。

 

  

 

  其次是网络化智能设备。生产设备的智能化程度将在网络化条件下得到快速提升,传统制造模式出现颠覆性的变革,具体表现高度密集的生产设备、生产设备智能化和柔性化制造方式这三个方面。

  

  随着技术的进步以及人工成本的逐渐上升,未来工厂内所有工作逐渐由系统控制的核心生产设备来实现,工作人员不直接参与生产第一线工作,只是从事一些新产品开发、生产工艺改进、新机器设备发明创新等高质量复杂劳动。高度密集的生产设备将使未来智能工厂的生产成本逐渐降低,产品质量将得到大幅提升。

  

  在生产设备智能化方面,生产设备联网助力未来工厂日益智能化。生产设备依托安全的生产网络和系统能够实现智能校正、智能诊断、智能控制、智能管理等功能和生产设备之间的智能化信息交换,协同性和开放性明显提升。智能化生产设备的应用,使未来智能工厂生产过程更加灵活、高效并具有可持续发展性。

  

  在柔性化制造方式方面,增材制造方式促进智能工厂日渐绿色化和柔性化。传统的材料去除加工方法将逐渐被低耗能、低污染甚至无污染的增材制造方式所取代,这种制造方式尤其适合动力设备、航空航天、汽车等高端产品上的关键零部件的生产。

  

  再次是模块化定制生产。多批次、小产量的生产盈利能力在模块化生产方式下逐渐得到提升,产品日益满足消费者个性化需求,具体表现在模块生产和模块组装这两个方面。

  

  在模块生产方面,生产可自由组合的模块助力智能工厂日益集约化。传统的固定生产线将无法满足客户定制化需求而逐渐消失,可动态组合的模块化生产方式将成为主流。在模块化生产方式下,产品被分解成无数个具有不同用途或性能的模块。每个模块将通过制造执行系统被生产出来,杜绝未来智能工厂的浪费环节,保证质量、优化成本、缩短周期。

  

  在模块组装方面,标准化、通用化模块之间的组合提升智能工厂定制化生产盈利能力。根据产品的性能、结构选择满足需求的模块,通过模块结构的标准化,将选取出的各模块自由组装出满足客户个性化需求的产品,使未来智能工厂产品的品种更丰富、功能更齐全、性能更稳定。

  

  大数据化精益管理。产品的研发、生产和管理方式通过工业大数据挖掘和分析逐渐得到创新,工厂管理日趋精益化。具体表现在客户价值管理、精益生产和精益供应链这三个方面。

  

  在客户价值管理方面,基于大数据的客户价值提升趋势明显。随着移动互联、物联网等新一代信息技术逐渐渗透到产品生产的各个环节,大数据配套软硬件的日益完善,安全性和标准化程度的逐步提升,通过对客户与工业企业之间的交互和交易行为方面大数据的分析,产品的研发设计呈现出众包化发展趋势,同时产品售后服务得到不断改进和完善。

  

  在精益生产方面,基于大数据的生产制造日益精益化。制造企业通过实时收集生产过程中所产生的大数据,对生产设备诊断、用电量、能耗、质量事故等方面进行分析与预测,能够及时发现生产过程中的错误与瓶颈并进行优化。通过运用大数据技术,未来智能工厂实现生产制造的精益化,提升生产过程的透明度、绿色性、安全性和产品的质量。

  

  在精益供应链方面,基于大数据的供应链优化趋势显著。随着大数据基础条件的日益成熟,制造企业能够获得完整的产品供应链方面的大数据,通过对这些大数据的分析,预测零配件价格走势、库存等情况,克服传统供应链中缺乏协调和信息共享等问题,避免牛鞭效应的发生,实现供应链的优化。基于大数据的精益供应链管理消减了智能工厂整个供应链条中成本和浪费情况,提升了仓储和配送效率,实现了无库存或库存达到极小。

  

  最后是柔性化新型人机交互。人与机器的信息交换方式随着技术融合步伐的加快向更高层次迈进,新型人机交互方式被逐渐应用于生产制造领域。具体表现在智能交互设备柔性化和智能交互设备工业领域应用这两个方面。

  

  在智能交互设备柔性化方面,技术和硬件的不断更新有利于智能交互设备日益柔性化优势的形成。随着移动互联、物联网、云计算、人机交互和识别技术等核心技术的发展,交互设备硬件日趋柔性化,智能交互设备逐渐呈现出设计自由新颖、低功耗、经摔耐用、贴近人体等优势,这就为未来智能工厂新型人机交互的实现提供了基础。

  

  在智能交互设备工业领域应用方面,柔性化智能交互设备助力智能工厂新型人机交互方式的实现。随着技术融合步伐的加快,柔性化智能交互设备从个人消费领域被逐渐引入到制造业,作为生产线装配及特殊环节工作人员的技术辅助工具,使工作人员与周边的智能设备进行语音、体感等新型交互。智能交互设备工业领域的应用,提升了未来智能工厂的透明度和灵活性。 (来源:中国工业评论)

 

 

 

 

 

 

 

 

工业4.0时代的智能输送和智能物流

静止的输送设备在工业4.0时代渐渐OUT,面对智能工厂、智能生产的迫切需求,更加智能灵活的物流设备成为必需。通过AGV让工厂动起来,已成为现实!

随着工业自动化程度越来越高,人们发现人为因素在工业4.0背景下的作用却越来越大。作为人机交互的重要体现,生产和物流都更具灵活性,企业需要思考从生产工艺流程的角度如何满足更柔性化的产品需求。对于物流,则在于如何通过智能物流满足个性化定制。

在传统的制造型工厂,物流流程一般包括立体仓库、装配线、拣料和发货,大量采用静止输送技术,且生产主要面向批量生产,不具备柔性化、定制化和智能化的生产特点。

打造未来工厂和工业4.0不能一蹴而就。面向客户定制的产品,属于小批量、多品种生产,应更多采用移动灵活的输送策略。如通过AGV从收货区到装配区,再到整个物料中心,设计出面向未来的物流4.0输送技术。

从SEW德国总部工厂的发展历程来看,其工业化程度非常高,作为订单驱动式的生产,主要按照客户需求,每个产品订单有可能只有一台或两台,但产品种类会多至上万个。通过精益、柔性化的生产,保证产品零出错率。

十年前该工厂里就有20多台AGV代替叉车在负责物流配送,此后AGV变得更加智能,起到了衔接各个组装工位的作用。工厂里已经见不到传统的组装流水线,取而代之的是一个个AGV移动工作台,沿着工艺路线自动行走,且能够携带产品在装配过程中的重要信息穿梭于工厂,这些信息在工人实际操作时可以有效避免人为出错。

现在,这个工厂每天装配量超过2000台。有越来越多的AGV环绕装配线周围,协助物流搬运。在这里,物流已成为核心元素!不再有传统流水线的刚性束缚,大大提升了生产的柔性。在控制技术方面,工厂里使用的AGV全部是用SEW特有的驱动和定位控制器,载荷1.5吨,速度可达1.5米每秒。

AGV的一大好处是能够高效准确地完成重复性工作。随着人与机器在产品装配过程中的交互更加紧密,不同的生产环节可通过操作人员,按照定制产品的需要来使装配流程做出改变。更妙的是,我们可以通过系统仿真,验证生产的工艺流程,从虚拟连接现实世界。

在SEW全新的法国工厂,可以看到整个工厂的控制架构已经发生根本性变化。最上层是大数据,通过一个中间层将ERP与各种生产管理系统和现场设备衔接起来,如穿梭车、立体库、AGV等,下层的工厂模块之间也可和ERP直接联系。

这样可以带来什么好处?我们只需在中间层做调整,最下层的工厂模块(如装配工艺,生产工艺)就能做出相应变动。对于工厂里有很多设备的大型制造企业,如果设备衔接通过这种新型控制架构,即使发生工艺上的变化,改动也是非常小的。

目前,这个工厂从整个装配到物料输送,再到成品结束后的包装运输,已全部通过AGV来实现。我们心中的智能工厂与智能物流,在这里得到了一步步的见证。

从控制架构变化的角度,这个工厂中最上层是生产管理系统,包括对立体仓库的管理,因为当工厂出现新的产品和工艺时,原有装配、输送和物流就会发生很大变化。传统情况下,如要实现一个新工艺,SAP先调整,接下来是AGV,随后立体仓库系统也将大动。

而现在的模式,如有新产品,生产工艺和物流工艺发生变化时,只需在相应层应用和改变,其他层不需要做任何变动,这也是新型架构的最大优势。工业4.0时代,我们必须思考智能物流,以及生产工艺如何能降低成本、满足新的需求。

对于制造企业我们该如何实施一个未来工厂?需要有节能的产品,能量存储的技术,所以要实现智能工厂,需要通过节能高效的驱动产品和解决方案。从实际效果来看,SEW法国全新工厂已经做到节能44%,并由系统直接进行能源管理。

该工厂AGV的线路长度已超过3公里,在这样一个装配工厂,物料搬运全部通过近40台AGV来实现;并能根据实际生产的需要,及时灵活做相应拓展,适时增加AGV的台数即可。

从立体仓库到装配区,再到包装区、发货区,整个物料搬运全部使用AGV,这也是工业4.0时代下智能物流的发展方向。同时,系统在生产、运行过程中,可以实时监控流程,实时改进整个生产工艺。

对于未来工厂,智能的能量管理同样不可忽视。在SEW总部工厂,对于能量管理,主要是考虑能量如何优化,我们通过一个虚拟订单,看到工厂里的各种设备,通过仿真反馈信息,这样实际订单的能量管理,再到不同的工厂模块,就可以反馈到监控/优化软件模块

SEW曾经是驱动设备供应商,但最近十多年,其一直在探索节能、智能方案,包括智能物流、智能输送、数字仿真。从驱动到通讯,再到控制,再到AGV能量管理,只为提供更加智能的系统控制解决方案。

 

以生产层、车间/工厂层、企业层、企业协同层为核心构建我国智能制造评价指标体系

 

 

评价指标以生产层、车间/工厂层、企业层、企业协同层为核心构建,从而建立递阶层结构模型进行分析。

 

 一、智能制造评价体系构建背景  

 

随着新一代信息通信技术与先进制造技术深度融合,全球正孕育兴起以智能制造为代表的新一轮工业革命。世界主要工业发达国家纷纷加紧谋篇布局,支持和推动智能制造发展,以重塑制造业竞争优势。为抢占新一轮产业竞争制高点,国务院发布《中国制造2025》,并明确将智能制造作为主攻方向。

 

为推动智能制造发展,工业和信息化部组织开展了智能制造试点示范专项行动、智能制造专项、智能制造标准化体系建设等一系列工作,在培育智能制造新模式、夯实发展基础、带动关键软硬件产品突破、激发企业积极性和内生动力等方面取得了显著成效。国内企业纷纷加大智能制造发展力度,积极建设智能生产线和智能车间/工厂,发展智能制造新模式。

 

 二、智能制造系统架构和关键要素  

 

1.智能制造的内涵

 

智能制造是基于新一代信息通信技术与先进制造技术深度融合,贯穿于设计、生产、管理、服务等制造活动的各个环节,具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。

 

2.智能制造系统架构

 

智能制造系统架构是一个通用的制造体系模型,其作用是为智能制造的技术系统提供构建、开发、集成和运行的框架;其目标是指导以产品全生命周期管理形成价值链主线的企业,实现研发、生产、服务的智能化,通过企业间的互联和集成建立智能化的制造业价值网络,形成具有高度灵活性和持续演进优化特征的智能制造体系。


智能制造系统划分为4层:生产线层、车间/工厂层、企业层和企业协同层。

 

(1)生产线层

 

生产线层是指生产现场设备及其控制系统,主要由OT网络、传感器、执行器、工业机器人、数控机床、工控系统、制造装备、人员/工具等组成。

 

(2)车间/工厂层

 

主要是指制造执行系统及车间物流仓储系统,主要包括OT/IT网络、生产过程数据采集和分析系统、制造执行系统MES、资产管理系统AMS、车间物流管理系统LMS、仓库管理系统WMS、物流与仓储装备等。

 

(3)企业层

 

企业层是指产品全生命周期管理及企业管控系统,主要包括产品全生命周期管理系统PLM、IT网络、数据中心、客户关系管理系统CRM、计算机辅助技术CAX、企业资源计划管理系统ERP、供应链管理系统SCM、商务智能系统BI等。

 

(4)企业协同层

 

企业协同层是指由网络和云应用为基础构成的覆盖价值链的制造网络,主要包括制造资源协同平台、协同设计、协同制造、供应链协同、资源共享、信息共享、应用服务等。

 

3.智能制造的关键要素

 

(1)生产线层

 

能够反映生产线层智能制造发展水平的关键要素主要包括柔性生产、数据采集、人机交互、机器间通信。其中,柔性生产是指生产线能够生产的产品或部件种类以及在不同产品或部件之间切换所花费的时间和成本;数据采集是指生产线集成了传感和控制系统,能够实时采集生产设备、物料、半成品和产成品的状态,并将数据传输给生产控制系统;人机交互是指人员和生产设备之间的信息通信方式,包括固定的交互界面、生产监测与控制系统、移动终端等;机器间通信是指生产设备之间的信息通信方式,包括现场总线、工业以太网、互联网、M2M等方式。

 

(2)车间/工厂层

 

能够反映车间/工厂层智能制造发展水平的关键要素主要包括数据处理、通信网络、物流与仓储管理。其中,数据处理是指对采集到的设备状态、物料信息等生产数据进行分析和评估,以实现生产过程的自动规划和控制;通信网络是指车间/工厂内的信息通信网络,包括统一的数据交换格式和规则、独立且互联互通的数据服务器、全互联的信息技术整体解决方案等;物流与仓储管理包括智能物流与仓储设备、仓储管理系统WMS以及车间内物流管理系统LMS。

 

(3)企业层

 

能够反映企业层智能制造发展水平的关键要素主要有智能决策支持、基于模型的系统工程、企业内纵向集成。其中,智能决策支持包括自动排产和动态调度、供应链管理、订单和质量管理以及决策支持等;基于模型的系统工程包括基于标准的产品模型数据定义、产品数据管理、产品模型传递和关联维护;企业内纵向集成包括制造执行系统MES与企业资源计划系统ERP的集成、制造过程控制系统与制造执行系统MES的集成。

 

(4)企业协同层

 

能够反映企业协同层智能制造发展水平的关键要素主要有跨企业资源共享、全价值链的关键制造环节协同优化。其中,跨企业资源共享是指企业之间通过共享平台和共享规则,实现创新、研发、设计、生产、服务、信息等资源的共享;全价值链的关键制造环节协同优化是指企业间设计、供应、制造和服务等关键制造环节的并行组织与协同优化,以及制造服务和资源的动态分析和柔性配置。

 

 三、智能制造评价指标构建  

 

1.指标选取和分解

 

根据以上对生产线、车间/工厂、企业和企业协同4个层级智能制造关键要素的分析,提炼出生产线、车间/工厂、企业、企业协同四个层级的智能制造一级评价指标,并进一步细化为二级指标,得到各层级的智能制造评价指标。

 

(1)生产线层

 

生产线层级智能制造评价指标体系,包括4个一级指标:柔性生产、数据采集、人机交互、机器间通信。每个一级指标又分解为若干个二级指标,各指标含义说明如下:

 

表1生产线层智能制造评价指标


▲生产/产品柔性

 

考察生产线的生产作业柔性与产品柔性,包括产品混合比、延迟交货比例、柔性生产滞后时间、滞后率等。

 

▲响应柔性

 

考察柔性生产的反应时间与反应成本,主要考察范围覆盖生产线的各个工序、设备/工作单元,包括加工、装配、检测的工序及其设备的柔性分析。

 

▲数据采集实时性

 

考察生产线实时采集生产设备、物料、在制品、半成品、产成品等数据的能力,包括数据采集系统的响应时间、准确率。

 

▲数据采集的范围

 

考察生产线采集相关生产数据的范围和程度,主要包括数据采集点的数量、数据采集覆盖率等。

 

▲人机交互方式

 

考察生产线上生产人员与生产设备信息通信的方式,包括固定的交互界面、集中式或分布式的生产监测与控制系统、移动交互终端、可穿戴设备等。

 

▲人机交互程度

 

考察生产设备是否能够全方面、深度地感知生产人员的需求和指令。

 

▲机器间通信方式

 

考察生产设备之间开展信息通信的方式,主要包括现场总线、工业以太网、机器可连接到互联网、机器间直接通信M2M等。

 

(2)车间/工厂层

 

车间/工厂层智能制造评价指标体系(如表2所示),包括4个一级指标:数据处理、通信网络、信息集成、物流与仓储管理。每个一级指标又分解为若干个二级指标,各指标含义说明如下:

 

表2车间/工厂层智能制造评价指标体系


▲数据处理的实时性

 

考察车间/工厂实时分析和挖掘生产数据的能力,即数据分析系统的响应时间。

 

▲数据利用水平

 

考察车间/工厂通过分析和挖掘所采集到的生产数据开展生产过程优化和控制的能力。

 

▲数据可视化

 

考察车间/工厂利用电子看板、智能报警管理系统、智能操作指导系统等对生产数据进行可视化管控的能力,可通过收集或检测对可视化便捷性与实时性等获取指标评价数据。

 

▲车间/工厂通信网络类型

 

考察车间/工厂内各部门的信息通信方式,包括通过邮件和电话沟通、统一的数据交换格式和规则、建立了相互独立且互联互通的数据服务器、整体的IT解决方案等。

 

▲物流管理系统LMS

 

考察车间/工厂内物流管理系统LMS的智能化水平,可通过收集或检测LMS的运输订单管理和计划排程、运输设备资源管理、运输线路管理、人员管理、客户管理、成本核算、作业跟踪、财务管理等功能的实现情况来获取指标评价数据。

 

▲仓库管理系统WMS

 

考察车间/工厂内仓库管理系统WMS的智能化水平,可通过收集或检测LMS的管理单独订单处理及库存控制、基本信息管理、货位管理、货物流管理、收货管理、拣选管理、盘点管理、移库管理等功能的实现情况来获取指标评价数据。

 

▲物流与仓储装备智能化水平

 

考察轻型高速堆垛机、超高超重型堆垛机、高速智能分拣机、智能多层穿梭车、智能化高密度存储穿梭版、高速托盘运输机、自动化立体仓库、高速大容量输送与分拣成套装备、车间物流智能化成套装备等物流与仓储装备的智能化水平。

 

(3)企业层

 

企业层智能制造评价指标体系(如表3所示),包括3个一级指标:智能决策支持、基于模型的系统工程、企业内纵向集成。每个一级指标又分解为若干个二级指标,各指标含义说明如下:

 

表3企业层智能制造评价指标体系


▲自动排产和动态调度

 

考察企业资源计划系统ERP的自动排产和动态调度能力,包括根据订单自动制定排产计划;根据订单自动制定排产计划同时生成物料供应计划;当订单与企业产能不匹配时可自动优化排产;在紧急情况下能进行动态调度和优化。

 

▲供应链管理

 

考察企业供应链管理水平,包括能够实现供应商在指定时间直接供货到生产现场;能够按照客户要求,实现产品精准配送;构建了基于信息系统的覆盖全国甚至全球的供应和分销网络。

 

▲订单全过程跟踪

 

考察企业应用信息化、智能化手段实现订单全过程跟踪的能力,实现了研发设计、物料采购、生产制造、产品销售等全过程的订单跟踪。

 

▲产品质量可追溯

 

考察企业对于产品质量的追溯能力和水平,实现了研发设计、物料采购、生产制造、产品交付等全过程的产品质量追溯。

 

▲可实现的决策支持内容

 

考察企业的智能决策支持系统可实现的内容,包括合同、收入、成本、利润等对比分析和决策,客户价值和信用决策,产品盈利和市场趋势决策,研发生产和经营管理的决策,预测预警,风险管控决策等。

 

▲产品模型数据定义

 

可分为以下几个水平等级:有二维图纸定义规范,且可自动批量导入产品全生命周期管理系统PLM;有三维模型定义规范,且可成套自动导入产品全生命周期管理系统PLM;有工艺规划定义规范,且可成套自动导入产品全生命周期管理系统PLM。

 

▲产品数据管理

 

考察企业产品数据管理覆盖的范围,包括产品设计、工艺设计、生产制造、市场销售、物流配送、维护服务等环节。

 

▲产品模型传递和关联维护

 

考察产品模型在不同环节之间传递和关联维护的实现程度,实现产品信息在产品设计、工艺设计、生产制造、市场销售、物流配送、维护服务等环节的关联维护和一致性管理。

 

▲制造执行系统MES向企业资源系统ERP自动上传信息

 

考察企业MES系统可自动向ERP系统上传生产能力、计划执行、设备状态、物料信息、制造环境及订单状态等信息。

 

▲企业资源计划ERP向制造执行系统MES自动下达指令

 

考察企业ERP系统将生产任务、物料清单BOM等自动下达到MES的情况。

 

(4)企业协同层

 

企业协同层智能制造评价指标体系(如表4所示),包括2个一级指标:跨企业资源共享、全价值链的关键制造环节协同优化。每个一级指标又分解为若干个二级指标,各指标含义说明如下:

 

表4企业协同层智能制造评价指标体系


▲跨企业信息资源共享

 

考察企业之间开展信息共享的方式,包括建立企业业务系统之间信息交换的接口,建立或采用统一的信息交互标准和规范,实现企业间信息的实时交互和共享。

 

▲跨企业制造资源共享

 

考察企业之间开展制造资源共享的情况,实现企业间创新资源、设计能力、生产能力和服务能力的共享。

 

▲关键制造环节协同优化

 

包括企业间研发设计、生产计划、物料供应、仓储管理、生产制造、市场销售、物流配送、维护服务的协同以及企业间订单全过程可追溯。

 

▲资源和服务的柔性配置

 

考察整合社会的制造需求和资源,开展制造服务和制造资源的动态分析和柔性配置情况。

 

2.权重系数的确定

 

考虑到评价指标大多为定性指标且需要通过专家经验来确定各指标之间的相对重要程度,因此我们采用定量与定性相结合的层次分析法来确定各评价指标的权重系数。下面以企业层智能制造评价指标体系为例,说明权重系数确定的过程。

 

(1)建立递阶层次结构模型

 

根据表3,可以得到企业层智能制造评价递阶层次结构模型。

 

表5企业层智能制造评价递阶层次结构模型


(2)构造判断矩阵

 

选取16位智能制造领域的专家,经过三轮打分与反馈,专家意见逐步趋于一致,得到各层的判断矩阵:

 

第一层的判断矩阵A,第二层判断矩阵A1、A2、A3分别为:

(3)计算判断矩阵的最大特征值和特征向量

 

应用MATLAB软件,计算得到以上判断矩阵的最大特征根和特征向量,并对特征向量进行归一化处理,就可得到各评价指标相对于上一层评价指标的权重向量,结果如表6所示。

 

表6各判断矩阵的最大特征根、特征向量和权重向量

(4)判断矩阵的一致性检验

 

考虑到二阶矩阵总是一致阵,因此判断矩阵A3的一致性无需检验。下面分别计算判断矩阵A、A1、A2的一致性指标CI和一致性比例CR,结果如表7所示。

 

表7一致性指标和一致性比例

由于各判断矩阵的一致性比例均小于0.1,因此可以认为所有矩阵的一致性均是可以接受的,从而得到企业/层智能制造评价指标的权重系数(如表8所示)。同理,可得到生产线层、车间/工厂层、企业协同层的智能制造评价指标权重系数。

 

表8四个层级智能制造评价指标体系

3.评价模型

 

(1)指标的无量纲化处理

 

评价指标包括定量指标和定性指标,下面分别介绍其评分方法和无量纲化处理。

 

①定量指标

 

对于定量数据,首先要确定其该指标可能取的最大值和最小值。最大值为实现智能制造后该指标能够达到的最优值,最小值为尚未开始实施智能制造时该指标的取值,最大值和最小值均为固定数值。然后,应用式(1)对原始数据进行无量纲化处理:

其中,xi为评价指标i的原始得分,xmax为评价指标i可能取的最大值,xmin为评价指标i可能取的最小值,xi’为无量纲化处理后评价指标i的得分,其取值区间为[0,100]。

 

②定性指标

 

采用专家打分法来对定性指标进行评分,由专家根据评价指标的数据采集情况进行打分。然后,应用式(2)进行无量纲化处理:

(2)其中,xij为第j个专家对评价指标i的打分,n为参与打分的专家数量,xmax为所有专家对评价指标i打分中的最大值,xmin为所有专家对评价指标i打分中的最小值,xi’为评价指标i的得分,分值区间为[0,100]。

 

(2)评价得分计算模型

 

对指标进行无量纲化处理后,就可应用加权平均模型(式(3))来计算具体的评价得分。

其中,θ为企业智能制造评价得分,αi为第i个一级指标的权重系数,βj为第j个二级指标的权重系数,xj为该企业第j个二级指标的得分,i=(1…m),j=(1…n)。