未来数字化工厂：重塑制造业格局

摘要

本文将审视当今制造业面临的核心挑战，探索正在席卷行业的变革浪潮。这场变革源于对资源敏感型制造的全新关注，而人工智能、分散式控制、混合组网及软件定义自动化等新技术与能力协同发力，共同为未来数字化工厂的崛起筑牢根基。

制造业面临的挑战

制造业正处于一场转型浪潮之中，消费者对个性化产品需求的增长，加之疫情后供应链危机催生的产业回流趋势等，成为推动这一变革的主要驱动力。而这些，仅仅是众多挑战中的冰山一角。与此同时，全球各国政府也纷纷出台相关法规，以减少制造业的碳排放，从而实现温室气体净零排放目标。应对这些挑战将为工业制造企业开辟全新的发展赛道，企业可借此契机引入前沿技术，在降低碳排放的同时，提高制造业的生产效率、可扩展性和灵活性。

在如今既有的制造工厂内，制造设备与自动化设备历经多年反复部署与扩展，互操作性问题日益凸显。设备间不仅难以顺畅协同运作，相互间的连接也极为有限，导致工厂内部普遍缺乏能贯通所有自动化设备的统一网络。

随着新产品库存单位(SKU)数量持续攀升，生产线的设置与验证时间不得不相应增加。在医疗器械制造领域，验证流程不仅耗时漫长，成本也十分高昂。此外，产品SKU的增多还会拉低设备综合效率(OEE)，原因在于额外投入的设置和验证会造成生产时间的浪费，进而导致生产效率下滑。制造业面临的挑战不止于此，熟练工人短缺问题同样严峻。据预测，截至2030年，制造业熟练工人缺口将高达约210万人。1 当下，多数制造活动集中于既有工厂；在此背景下，企业试图在现有厂房空间内提升产能时，劳动力不足的问题便成为产能提升的关键制约因素。未来数字化工厂正是为攻克上述重重挑战而生，致力于推动制造业迈入全新的发展纪元（见图1）。

图1.工业制造面临的挑战。

工业制造业的转型

从技术角度来看，制造业已取得重大进步。例如，通过在制造资产和设备上增加传感器部署并进行融合，可生成丰富的数据集，用于优化机器并提高设备综合效率(OEE)。软件定义自动化的部署提升了制造业的生产效率、灵活性和可扩展性，大幅缩短了设置与验证时间。此外，人工智能(AI)正逐步向边缘侧发展，更加靠近传感器或执行器等生成数据的终端。边缘人工智能将借助数据驱动的决策方式，把制造数据转化为切实可行的见解，助力自主制造实现制造业生产效率与竞争力的跃升（见图2）。

图2.制造业的转型。

资源感知型制造

下一代制造业需要更全面地审视资源消耗的各个方面。制造业所需的四大关键资源分别是资金、电力、材料和人力。在资源感知型制造的背景下，未来数字化工厂亟待提升对这些资源的利用效率。在资金效率方面，所有制造领域的资本支出都应注重实现投资回报率(ROI)，周期可能为一年、三年或五年不等。未来数字化工厂的关键目标之一，便是以最少的资本支出实现利润最大化，进而获得最高的投资回报率。其次是电力效率，下一代制造业必须以更低的能耗实现更高的产出，达成减少全球碳排放的目标。降低电力消耗的关键举措包括：部署高效电机驱动器，将气动驱动替换为机电驱动，运用自适应闭环控制技术提升制造效率，等等。

资源感知型制造的第三个方面是材料效率。在提升制造业可持续性方面，减少材料浪费与降低能源消耗同等重要，发挥着不可或缺的作用。通过最大限度地减少原材料的使用，再结合加强生产质量控制，能够显著减少整个制造流程中的材料浪费，最终朝着零废弃生产的目标迈进。最后一个方面是人力效率，亦是重中之重。当前，制造业在招聘熟练工人方面存在诸多挑战。制造业必须尽可能地减少人为介入，可采取的方式包括：推广自主制造模式，应用先进机器人技术，部署具备实时感知能力、能快速响应操作环境与制造需求变化的自动化解决方案（见图3）。

图3.资源感知型制造。

未来数字化工厂

ADI公司对未来数字化工厂的愿景，聚焦于连接、控制和解读这三大核心支柱。连接战略旨在通过提升制造业生产效率、可扩展性和灵活性，同时降低碳排放，来达成未来工厂的发展蓝图。确保所有制造资产和机器连接到统一网络，实现制造数据的透明访问，并利用这些数据推动整个制造场所的工艺持续改进。制造环境须借助有线和无线混合网络，实现从边缘到云端的实时无缝连接。对于有线控制连接，千兆位工业以太网正被部署用于工厂网络以提供更高的带宽，同时搭配时间敏感型网络(TSN)来确保实时流量控制的确定性。对于诸如自主移动机器人(AMR)等移动应用，灵活的专用5G网络起到补充作用，并且专用5G网络还可连接难以轻松接入有线工业以太网的远程传感器和执行器。

第二项关键战略聚焦于控制领域。分散式自主控制依托全新的模块化自动化解决方案，带来更高的灵活性，既能缩短设置和验证时间，又能支持日益增长的新产品库存单位(SKU)。从传统生产线的集中式可编程逻辑控制器(PLC)转向分散式PLC控制，先进的边缘计算将被直接集成到机器之中。基于边缘的自主控制让生产线更具可重构性，显著提升制造灵活性。每一台机器都成为一个完整独立的模块化制造单元，可在极少人为介入的情况下，轻松完成配置与重新部署。通过部署更多灵活、模块化的制造解决方案，并由分散式自主控制予以支持，我们能够更好地实现未来数字化工厂的目标。

最后一项战略聚焦于解读。解读战略旨在将生产数据转化为可付诸实践的洞察信息，从而助力实现未来工厂的各项目标。据估算，制造业每年产生的数据量约达1812 PB（拍字节）。2 解读战略将运用人工智能技术来处理这些海量制造数据，以提升生产效率。解读战略的关键在于在数据产生的边缘侧部署人工智能。边缘人工智能将通过主动决策，结合传感器融合（包含工业视觉、温度、压力/力、测斜仪、位置、振动、湿度等测量方式），实现制造业的自主优化。边缘人工智能将通过自动执行常规任务，减少对熟练劳动力的依赖，并以尽可能高的良品率实现更具个性化和复杂性的制造。关键应用包括引导驱动（移动机器人）、缺陷或异常检测（机器健康状况）、持续的工艺改进、模式识别（质量控制），最终还将融入自动化控制循环，成为其中重要一环。

图4.实现未来数字化工厂的几点关键要求。

结论

制造业正在经历一场变革，朝着更智能、更互联、以软件定义为主的方向发展。实时无缝的边缘到云端连接，将实现对新型制造数据集的透明化访问。分散式控制借助边缘计算，将控制功能从可编程逻辑控制器(PLC)迁移至机器本身。传感器融合技术的应用提升了机器的设备综合效率(OEE)，并产生丰富的数据集，为人工智能模型的训练与部署提供支撑。边缘人工智能将使自动化机器完全实现自主化。这些新技术的融合势必将彻底改变未来的数字化工厂，在显著降低能源消耗和材料浪费的同时，提高制造业的生产效率、灵活性和可扩展性。对于制造商而言，成功的关键在于如何与生态系统内的其他公司展开合作，因为丰富多样的经验和能力对于加速实现未来数字化工厂的愿景至关重要。

参考文献

1 Victor Reyes、Heather Ashton和Chad Moutray，“Creating Pathways for Tomorrow’s Workforce Today:Beyond Reskilling in Manufacturing”，Deloitte Insights，美国制造业研究所，2021年5月。

2 “Deloitte Survey on AI Adoption in Manufacturing”，Deloitte，2020年。