图片来源@视觉中国
文|产业家,作者|思杭,编辑|皮爷
从数字化的探索到智能化的畅想,一段新旅程正在传统制造企业中拉开帷幕。
上世纪80年代,发达国家相继制定较高的环境标准,并同时将重污染行业转移到发展中国家。而中国因此获得了“世界工厂”和制造业第一的称号。“高能耗、高排放、高污染”的“三高”现象自然也长期存在于中国制造业当中。
然而,历经改革开放40年发展后,中国制造业正在走向产业链上游,而在这一阶段,能耗问题也成为了最大的绊脚石。
在流水线上的一辆辆泵车上,工人们正身处在一个巨大、明亮、干净的摩登空间里,这与大众眼中的工厂印象截然不同。它也正是吴晓波笔下的“18号工厂”。
18号工厂的起源还要追溯到2018年。18号工厂,也叫灯塔工厂,被誉为“世界上最先进的工厂”,同时它也被赋予全球制造业领域智能制造和数字化的代表。在2018年全国两会“代表通道”上,三一集团董事长梁稳根提出推动三一数字化转型,口号是“要么翻身,要么翻船”。
同年,“灯塔工厂”在18号工厂正式启动,迈出探索智能制造转型的第一步。而在当时,这是行业内首个世界级“灯塔工厂”,技术上没有先例,也没有成熟的供应商。
这既是三一集团在无人化、智能化的探索,也是中国制造业走向数字化与数据智能的开端。从灯塔工厂建设的具体实施来看,一共分为三个方向,分别是无人化、数字化和软件化与数据融合。
从机器人自动化到依托机器人等数字技术来实现数智化,再到软件互联和数据互通。最后,三一集团交出了一份令全世界都满意的答卷:“工厂产能扩大123%,生产率提高98%,单位制造成本降低29%”。这也是三一集团被誉为“世界上最先进的工厂”的入选理由。
工厂每天的数据产量是30TB,这些数据是由遍布工厂的1540个传感器和200台全联网机器人产生的。
在这张答卷的背后,数据是极为重要的一环。
2023,工业数字化转型走到哪了?
在梁稳根的眼中,“数据是石油,要全力去挖,一个都不能丢。”
从系统搭建的环节数量上来看,三一的这场智能化探索涉及了从生产到采购,从仓储到客服,再到财务等12个业务环节的数字化系统搭建,并实现了所有数据的互联互通。
而从总数据量上来看,项目组成员更是从12个业务环节中筛选出了75个核心业务系统,一共形成4000多张任务表格,1.2万亿条数据。
可以说,三一重工的数字化转型走在了国内工业数字化的最前端。
但究竟什么是工业企业的数字化转型?
具体来讲,在工业企业中涉及的从生产、管理到设计、销售、客服等多个环节都需要用数字化系统重做一遍。
而这其中的难点则在于,如何基于各个环节生产的数据提取并汇总在一起,从而进行数据分析、控制、监测、检测、预测等生产经营活动,最后达到缩短研发周期、增加采购实时性、提高生产效率与产品质量、降低能耗、及时响应客户需求等效果。
最后,产生的效果会为工业企业最直观地带来生产效率的提升和节能减排、运营成本的降低等等。
放在具体的场景里,三一依托“树根互联”工业互联网平台,实现供应链上下游企业的信息共享与业务协同。
可以说,工业企业与这些工业互联网已经形成了一个“利益共同体”。
在制造方面,18号工厂两条总装配线可进行69种产品的混装柔性生产,机加车间变身为真正的“黑灯工厂”,实现了原材料进场加工、运输、检测到成品的全流程无人化、智能化。
另外,除了三一重工,海信集团也是国内领先实现数字化转型的工业企业之一。
海信集团内部的研发、营销、制造、物流和服务等环节都全面完成了转型。
一个最为直观的效果是,生产效率提升208%,设备OEE提升12%,质量一次合格率提升5%,订单准时交付率提升10%,运营成本降低17%。
而在这张“成绩单”的背后,海信集团所依托的技术能力则包括了工业AI、工业大数据、AR/VR和数字孪生。
具体来讲,AI提供的是视觉检测;大数据提供的是决策支持;AR/VR所提供的是远程运维;数字孪生所提供的是研发制造协同。
而这些技术也正是工业数据智能目前所用到的全部技术。或者,进一步解释,数据是从生产、设计、销售、能效等多个环节中提出来的,它们需要放到上述提到的技术能力当中进行加工,进行数据分析、监测等等过程,最终才能传输到各种应用场景中,实现在上述工业企业中所达到的效果。
因此,数据的意义就等于将所有智能硬件和软件串联起来的核心节点。
目前,国内工业数字化转型的情况是,已经完成了初步的数字化探索。
从e-works Research调研数据中可以得到,工业龙头企业中有96%已经应用了MES/MOM系统,并且ERP、WMS、PLM和CRM等其他系统的部署比例也非常高。另外,在工业软件投资方面,18%的企业投资在亿元级别,超过半数的企业投资金额过千万。
从另外一份埃森哲《2022中国企业数字化转型指数》报告中则显示了在不同环节都需要哪些技术的支持。
比如在产品设计与研发环节,所需要的技术能力包括大数据、云计算和AI等;在生产制造与管理环节,技术能力涉及到了物联网、5G、边缘计算等;在最后采购销售与服务,则需要电子商务、社交媒体、移动应用等技术。
然而,在这些技术背后,数据智能的作用都不可忽视。或者,从另一种角度上来看,数据智能是工业互联网和工业智能的底层环节。
在未来的智能化时代,制造企业和数字化服务商正在合力下一盘棋。
工业数据的抓手在哪?
电力作为基础能源之一,任何恶劣天气的影响都会带来巨大灾难。一场暴雨完全可能引发交通堵塞、道路积水、排水系统瘫痪等等重大事故。
而这种恶劣情况的发生则需要电力抢修人员时刻待命。
湖南电力(国网湖南省电力有限公司)作为保障湖南省电力可靠供应的重要单位,截至2017年末,拥有35千伏及以上变电容量1.18亿千伏安、线路6.62万公里。
但一个问题是,电力瘫痪时,如何判断是哪些供电设备出了故障?又该如何精准定位?
以往,抢修人员需要对一条或多条供电线进行排查,才能确定故障设备,然后紧急制定出电力修复方案。
而百度智能云通过百度地图,将用户信息、线路信息和设备信息呈现在地图上,然后基于路况信息对停电范围进行精准定位。而这就是在具体而言数据智能的作用。
另外,节能减排也是近年来国家对于工业企业的一个审查标准。
在国药集团的药品分装及包装车间,一台台机器正在“忙碌”地给给疫苗做灯检、贴标签等等。而这些设备背后的动力源却是压缩空气。
在医药企业里,压缩空气的重要性就相当于电能,它关乎着药企能否正常生产。比如在药品的生产和封装环节,它都是重要的动力源。
但问题在于一旦压力不稳定或气压过低,就会导致液体的倒灌,损坏设备。因此,压缩空气的控量也成为药企的一大痛点。
对此,数据智能发挥到的作用则是通过硬件设备将数据集中汇总起来,再传输给软件终端,发送到手机和电脑上,方便维修工人实时查看和接收预警信息。
最终的效果则是既减少了设备损坏的次数,还降低了运营成本。而这正是专注为公辅设备节能减排的蘑菇物联所作出的成绩。
从上述的案例中可以看到,实际上,工业数据智能是通过大数据和AI技术,在实现企业数据汇聚的基础上,进行数据的分析和建模,利用模型实现业务优化和提升,从而实现降本增效,例如设备的预测性维护、生产控制过程优化等。
然而,在工业数据智能领域中,一个客观存在的问题是,工业企业已经正常运转了上百年,其多年来所积累的工业数据,必然会导致彼此割裂的现象。
具体来讲,工业数据来自多个工业流程、多台机器和多种系统,而这里面涉及的工业数据也各不相同。有相关调查显示,工业领域的数据类型约有130多种,其中数据模态多样,结构关系复杂。
因此,在工业数据融合的过程中,会出现三个层面的连接问题。
第一层是设备之间的数据流通。第二层是不同产线、车间、车场之间的数据流通,包括耗能优化、供应链管理、质量管理等。而最后就是工厂之间的产业跨界,实现产业互联。
目前,在工业智能,乃至整个工业互联网领域,除了数字化服务商的作用,另一个催熟剂则来自国家政策的规范性。
近年来可以看到,随着工业互联网的不断成熟,工业数据的标准化也愈加规范。2023年9月1日,中国工业互联网研究院发布了《国家工业互联网大数据中心体系产业链编码规范》《国家工业互联网大数据中心体系企业资质库数据标准与共享接口规范》等第三批共计11份标准。
在上述文件中,针对业务系统的数据库表命名设计规范、产业链及其上下游节点的编码规范,以及企业资质、司法风险、产品服务、投融资、知识产权等常见专题库的数据字段等等,都构建了一体化的数据体系标准。
而一体化数据标准的建立也意味着,未来数据割裂问题的减少甚至消失。因此,在工业数据割裂的背后,工业数据智能产业链的出现也成了关键命题。
工业数据智能:一个运转的新产业链
在工业数据智能产业链上,聚集着从上游的硬件厂商、到中游的软件平台层,再到最下游的行业软件应用。
通常来讲,企业选择的数据智能供应商都聚焦在中下游。这些数字化企业则基于大数据和AI技术提供。但针对不同行业、不同业务环节,数据智能供应商能给出的能力也各有千秋。而总体而言,这些服务商都有着较强的算法和数据分析能力。
具体而言,云厂商、AI企业都进行了不同程度的布局。以云厂商为例,在工业数据智能产业中,百度智能云、阿里云和华为云的能力优势在于算法能力,及服务标杆客户的能力。
而对于AI创业企业而言,在其专注的特定行业和领域则有着更好的业务理解和实施交付。
比如优也科技是利用工业互联网、数字孪生、AI、大数据等技术,从而提供能效管理、生产过程管理和设备智能维护等方案。其重点更多地放在了设备的监控安防上。
而类似这样的厂商大多都以提供软硬件设备的“一体化”,来帮助实现数据“端边云”的传输。对此,蘑菇物联就是该类型企业的代表。
而在生产过程优化和设备智能运维这两个环节,雪浪云则是该类型企业的代表。在高端制造、流程化工和煤炭能源等行业,雪浪云则发挥了其多种系统的优势,帮助工业企业进行运维效能的提升。
然而,目前工业数据智能产业的发展情况则供需端的影响。
市场端的需求是一方面,服务商的能力是另一方面。虽然在整条产业链上,既有云厂商来提供平台能力,也有AI企业提供更细分的场景能力。然而,对于客户而言,究竟如何选择却是一大难点。
于云厂商而言,其能力在于大数据平台和AI平台。而问题在于没有更直接地将细分场景摆在客户面前。这就需要企业客户要有很强的技术开发能力和数据分析能力。在云厂商所提供的平台基础上,客户自身要承担起数据分析和后期的应用开发工作。因此,这一过程中也涉及到数据清洗等问题。
而数据清洗的重要性则相当于能否构建出一个清晰的大脑。因为数据是最底层的建设,如果数据问题都难以跨越,也很难构建出有效的上层软件应用。所以,云厂商所对应的客户一般都是大型集团。
而于A I企业而言,其能力在于“小平台”,并直接提供细分的解决方案,甚至行业know-how。但问题在于,其后续使用过程中的应用重复建设和数据孤岛等问题要比云厂商更突出。
实际上,AI企业在客户中可能更受欢迎。原因一方面是成本不高,另一方面,也是更重要的,由于能提供更高价值的细分、更成熟的应用场景,能让老板更直观地看到投入产出比。
再回到需求侧,目前在市场方面,数据智能作为工业互联网和工业智能的底层环节,其很大程度上受到了上层趋势的影响。
近年来,国家对于工业互联网的重视程度正在阶梯式提升。比如在2022年在《政府工作报告》中提到要加快发展工业互联网,重点发展集成电路、人工智能等数字产业,提升关键软硬件技术创新和供给能力。
而在全球范围,更是多个国家都发布了相关政策。比如在英国发布的《英国工业2050战略》和《国家人工智能战略》,重点提及智能制造和规划人工智能系统;在欧盟发布《2030数字罗盘:欧洲数字十年之路》,将工业智能纳入2030年数字罗盘战略等等。
如果把工业智能比作正在行驶的巨轮,那么数据之于工业智能,就相当于轮船的发动机。只有发动机源源不断地提供动力,这艘巨轮才能顺利驶向工业互联网时代。