关于制造企业未来的发展分析介绍

工业4.0将彻底颠覆制造业。目前，制造业已经面临激烈竞争，胜负之分取决于创新能力，适者生存在这里得到完美诠释。IDC预测，到 2018年，20强制造企业（及任何其他行业的企业）将有 1/3会被数字变革颠覆。

成功将会眷顾那些能够最快速应对消费者需求变化和市场突变的企业。对于现有车间系统缺乏必要敏捷性的很多企业而言，这是坏消息。而其他勇于接受挑战的企业则将数字化视为难得的机遇，认为强者能够在这个前所未有的时代抓住一切机会。投资于工业4.0或物联网对于扭转死板的制造模式、改善客户关系及创造新收入至关重要。

投资于数字技术对于创建响应迅捷的需求驱动型制造模式至关重要

互联制造的第一个要点是使用物联网（IoT）将 “黑暗数据”（未使用的运营数据）关联至可将其转化为有用信息的 IT系统。在掌握这些数据后，制造商可使用高级分析和机器学习技术从数据中发掘重要洞察，并用于提升运营效率、生产力和敏捷性。

资产互联可以给工厂车间带来众多改变，预测性维护便是其中之一。预测性维护根据真实数据分析设备状况，而不是单纯依据平均或预期生命周期统计数据确定是否需要维护，因而比传统的预测技术更加有效，可以提升设备性能，最大限度减少意外停机，并降低运营成本。

制造消费或商用设备的 OEM发现，深化客户关系和提升客户忠诚度需要了解资产状况。消费者接触到这种基于状况信息的维护概念也是最先通过汽车业。简言之，如果您没有想好如何通过提升可靠性取悦客户，您可能已经落后于竞争对手。

在充满挑战的领域实现成功

日益提高的客户期望为全球制造商带来了大量新的收入来源，同时也带来了挑战。在一些劳动力较为廉价的国家和地区，工资水平正在快速提高。麦肯锡咨询公司指出，资源价格的波动性、高技能人才短缺以及日益加剧的供应链和监管风险，使得如今的不确定性远远超出了经济大衰退之前。

此外，制造业的竞争非常激烈，其中一部分竞争压力来自亚洲地区，当然亚洲地区内部的竞争也异常激烈。KPMG工业制造全球部门主席兼航天与防务负责人 DougGates表示：“期待来自亚洲的竞争压力会有所缓解的人恐怕一定会感到失望”。制造商必须全力寻找新的增长点以保持竞争力。

为实现这些目标，制造商需要对现有的业务运营进行大刀阔斧的改革。他们目前的工厂车间系统往往是有数十年历史的专有系统，缺乏灵活性，而且运营成本很高。这些设备还都是批量生产时期的产物，已经难以快速应对消费者需求以及不可预知的突然中断。在创建响应迅捷的需求驱动型业务模式的过程中，数字技术方面的投资将发挥关键作用。

迈向敏捷制造

制造业数字化的最新阶段（即工业 4.0）正在为制造商创造价值带来全新方式。麦肯锡表示，这一阶段由四方面的颠覆性发展所推动：数据量激增、分析功能的兴起、全新人机交互模式的出现以及将数字指令传输至物理世界的进步（如3D打印）。

物联网等技术的兴起可帮助制造商从激增的数据中发掘巨大价值。在半导体行业，互联制造经过了多年发展；目前，其他行业的领先企业正开始在车间部署互联制造。毫无疑问，其他从业者将会跟随他们的脚步。

互联制造旨在利用物联网将传感器、机器、电脑和人类连接起来，以高效监控、采集、处理和分析数据。制造商可从数据中获取重要洞察，从而提升运营效率和生产力，并改善灵活性和敏捷性。他们无需为生成数据投入巨资购买新设备，因为在多数情况下，数据已经存在。关键在于如何有效利用数据。

由于多数现有设备在物联网出现之前就已部署完成，因此不具备内置连接功能，给制造商访问数据造成了困难。实施更敏捷的制造模式的第一步是将车间的系统连接起来。由于没有通用的通信标准支持传统设备与物联网进行互操作，企业转向工业4.0的初步工作似乎举步维艰。然而，情况正在快速改善，OpenConnectivity Foundation*（OCF）、Open Process AutomationForum*（OPAF）、Industrial Internet Consortium*（IIC）等组织和英特尔等生态系统厂商正在加快制定开放的物联网标准。在开放平台上将传统设备与中间件连接的生态系统解决方案已经上市，而且未来可按需更新以支持新协议。

在系统建立连接之后，制造商的下一步工作就是应用高级分析发掘数据的巨大价值。这里还有一个挑战。多数现有设备可生成海量数据，但由于数量过多，这些数据无法发回数据中心进行快速分析，为此需要在靠近数据流来源的终端实施高性能计算，以提取最重要的信息。

基于英特尔架构的物联网平台旨在连接尚未连接的系统，以安全收集、交换、存储和分析数十亿个设备、传感器和数据库中的数据。

然而，在进行物联网投资之前，最好先明确目标。第一项工作就是要确定哪些数据最值得采集，并评估将用于访问数据的分析结构的效用。英特尔集团制造和工业垂直销售总监Mary Bunzel表示：“多数企业明确了使用设备数据流改善机器学习和人工智能模式的目标，而且知道转型的前提是使用基础平台采集和分析数据。每个实施过程都会暴露基础设施的不足，只有克服这些不足才可开展下一阶段的工作。幸运的是，在与处于不同阶段的客户的合作过程中，我们了解了相关困难，并能够使用技术工具清除障碍，并在后续的客户合作中为客户提供支持。将您的企业改造为未来工厂需要持续改进。”

预测性维护

互联制造可以为工厂车间带来众多改变，预测性维护只是其中之一。传统的维护方法是在故障发生前通过检验和判断的方式检测和纠正可能导致故障的问题，而检验手段本身就不够完善。定期的预防性维护则并不以检验结果为依据，几乎都需要停止机器或生产线的运行，不但会产生额外成本，还会损失生产时间，甚至有可能引发其他故障。

相比而言，预测性维护并不遵循设定的时间表，而是通过分析数据帮助确定设备状况，以预测何时应该进行维护，能够监控互联资产的性能，以了解其与故障的关联性。在终端分析或雾计算策略中，算法会部署在流数据采集点、网关、云端或它们之间的任何位置，以评估需要及不需要哪些数据。这些工具有助于发送准确的状况数据，从而帮助预测故障。预测性维护可提高设备可靠性，减少计划外维护和停机。因而，预测性维护可降低运营成本，大幅提升运营效率。

ARC Advisory Group 对常见故障模式的研究发现，82% 的故障类型是随机发生的，仅 18%可通过传统维护方法预测和预防，而技术人员获取并用于防止故障的设备数据流仅为 23%。终端的物联网和计算功能正在帮助制造商改变这一状况。

英特尔集团解决方案架构师总监 Ted Connell表示：“多数人面临的挑战在于如何有效进行分析和将原始数据转化为洞察。解决该挑战的一个方法是应用机器学习技术”。通过数字双胞胎（物理资产的电脑化配套资产）对生产线性能建模的现代技术，为根据最佳性能预测生产线性能提供了基准。作为人工智能的一种形式，机器学习可实现分析模型构建的自动化，帮助电脑反复从数据中进行学习并改善算法。

通过数字双胞胎学到 “正常”运行参数并对其建模后，来自生产线采集点的数据流和变化速度可用于发现可能导致故障的异常情况。多数制造商拥有专业知识丰富的员工，他们对于设备知之甚深，是工厂可以仰仗的“智囊”。当这些员工退休后，机器学习和人工智能工具将帮助新员工弥合知识差距。

对资产健康状况更深入的了解意味着员工和工厂更加安全，停机的减少有助于在性能方面超越竞争对手，见图。

传感器数据结合高级分析和机器学习可提升资产健康状况的可视性

已经使用预测性维护的制造商获得了巨大的投资回报。一家全球最大的汽车制造商发现了新的数据模式，相关模式可帮助他们更深入了解影响气缸盖生产质量的关键因素。借助这一信息，该制造商将气缸盖生产线的生产力提高了25%，将实现目标生产水平所需的增产时间减少了 50%，并通过近实时的数据分析加快了生产调整速度。

概括而言，AberdeenGroup的研究表明，采用全面预测性维护计划的制造商平均可实现25%的资产收益率，而实施传统低效维护实践的企业仅能实现 10%的收益率。美国能源部和联邦能源管理计划的数据显示，将运行到故障（run-to-failure）的系统升级为预防性维护计划可节省 12-18%的维护成本，而最终实施预测方法可再节省 8-12%的预算。

预测性维护尤其适用于分散布局的工厂和远程工厂，因为可以节省派遣技术人员前往现场执行手动检查和维修的时间和成本。

为发掘物联网的最大效益，制造商必须将强大的计算技术和尽可能多的分析功能用于网络终端。这有助于他们过渡至更敏捷的制造模式，从而提升运营效率和生产力。互联制造可以为工厂车间带来巨大效益，预测性维护只是其中之一。

下一步，我们需要将互联制造扩展至整个供应链。此外，为实现真正卓越的制造效率，最终要采用自主软件定义机器（SDM），以实现真正敏捷的按需工厂即服务（FaaS）制造模式。通过将软件层从机器硬件中分离出来，机器的“大脑”和 “身体”得以分开运行。如此，机器的大脑可在云中运行，帮助制造商延长机器的生命周期，避免其很快就被淘汰。