數字化轉型這個熱潮席卷了整個制造業，但是，通常各個專家們講的數字化轉型，仔細琢磨起來，似乎都只是終端生產企業的工廠為對象，就是在工廠的整體集成方面進行數字化的—這也使得機器制造商對數字化比較困惑。因為，這個數字化似乎跟自己并沒有關系，但可能跟自己制造機器這個車間有關-但是，對于裝備制造企業來說，這個數字化似乎與它們的核心業務關系并沒有那么直接，當然，提升工廠水平是需要的，但它們似乎更為關心自己的產品-機器，如何推進數字化。
 

數字化轉型背景-幾種常見場景

產生這個的背景的確在于“轉型”的需要，對于中國過去數十年的制造業而言，主要是一個生產產品的問題，比如買來成型類設備，生產出零部件然后進行組裝，第二種是引進成套產線如LCD生產線，進行生產，這里存在幾個轉型需求：

1.對于成套產線來說，引進時主要為了某種產品，但是，隨著時代的變化，這些產品已經過時了，例如，當年的英雄筆、中華鉛筆、電視機、空調這類，因為，當工藝變化了，原來的產線已經不勝任了，而我們只是買來了生產特定產品，因此，這使得我們在變化的市場中無法適應變化而遭遇淘汰的風險。

圖1-一條引進進的觸摸屏生產線

2.對于非成套的工廠，如果我們把離散制造分為“成型工藝”設備生產零部件，然后后道進行組裝，那么，這樣的產線的問題就在于，需要將原來手工、大量耗費人工的產線改為連續的自動組裝線。這個轉型的目的在于通過數字化運營管理提升效率。

圖2-用于電子制造的分度盤

3.對于原有的粗放型管理，現在隨著競爭的加劇，錙銖必較，因此，需要通過數字化對其進行透明化、可視化，以獲得改善的方向，向運營管理要效率的問題。
 
在這幾個轉型中，第一種情況就是要把原來成套引進產線改為能夠自適應新生產的柔性模式，并對其進行改造，第二種情況則是對后道進行機器人、輸送技術的連線（生產物流）來提升效率，第三種則意味著通過數字化來改變整體公司的管理水平。
 
現在的數字化聚焦似乎都在外圍打轉
 
但是，新形勢下我們遇到的問題，可能不是數字化轉型能解決的，因為，我們需要思考以下幾個問題：
1.卡脖子一般都卡在了哪里？仔細分析問題，我們覺得是芯片被卡脖子了，但是，再仔細解析問題是制造芯片的設備和材料被卡脖子了，因為如果這些掌握在我們手里，那就沒有辦法卡芯片這個最終產品的脖子，因此，所謂的卡脖子—都是在制造設備這方面的問題，而不是具體最終那個產品的問題。
 
就像半導體行業，如果你有設備-那么就可以生產-這個時候，我們說通過數字化來提升效率，確保良品率是有意義的，但是，現在設備就不在我們這里，如果不賣給我們設備和材料，那就無法生產，而如果掌握設備，才能在這個基礎上去進行數字化集成。

圖4-半導體工藝制程及關鍵設備

 
2.工藝問題能不能繞開？-如果解決問題都在外圍，邊緣解決問題，那么，就不是真正的解決問題，而只是延緩了，或者看上去解決了問題，而實際問題被繼續拖延，就像病人診斷錯誤，然后給出了錯誤的治療方案。裝備的工藝才是關鍵，這些問題不解決，還是只能大量進口設備、采購材料，最終產品的高額利潤仍然是不在你的手里，生產是可以生產的，但是，賺錢都不是你的—這并沒有改變數十年來的格局啊！因此，工藝技術掌握在自己手里還是必要的。這個路不能避開。
 
3.為什么掌握設備工藝才能真正完成轉型？
（1）.因為數據在設備上，而如果人家不給你開放，你也拿不到數據，如何數字化轉型？很多搞數字化的都談到這個話題。一個討論的維度是這些設備是進口的，他們并未開放所需的數據，而缺乏必要的數據，那么你的采集、分析和應用就殘缺不全。第二個維度是由IT廠商主導數字化，可能缺乏由原有的設備控制系統提供商來進行的便利，畢竟數據可以在內存里直接訪問這件事情可能對于IT廠商還是缺乏條件的。
（2）.優化的結果也要設備執行，可是設備卻沒有執行能力怎么辦？現在數字化在制造現場遇到的很多問題就是下行數據下發的問題--這同樣是一個普遍的問題。在印刷廠，數字化系統如ERP/MES都不能被有效的下發，那就無法完成自主執行—這個問題怎么解決？那數字化轉型的意義又在哪里？在很多領域都是IT和OT事實上兩張皮，并不能真正做到“自主決策并自主執行”--在表面上看，似乎實現了數字化，但在本質意義上卻并未真正融合。
 

歸根結底要解決設備的數字化轉型

綜合上面所述，結論就是要真正實現數字化轉型，必須在工藝設備上下功夫，就像大飛機，肯定不能否認把各個零部件組裝起來這個“工程”本身的難度—因為，集成的過程本身就是一種工程創新。但是，發動機、航電、液壓系統這些關鍵零部件還是別人的。但是，零部件如發動機，它本身也是一個集成過程啊！因此，設備本身的工程集成也是技術含量不低的工作。

 

裝備的數字化包含哪些方面的工作？

裝備這個行業長期被大家忽視，郭老師之前在一次在線會議及他的文章中都提到非常重要的觀點，高科技最終是要完成高品質的產品，因此，我和郭老師回復，是這樣的，并非什么芯片就是高科技—如果這個芯片只是90nm制程，在目前也算不上高科技。或者高鐵、船舶就是高端制造業—高端不高端不是由行業決定的，而是由在這個行業里它的橫向比較來評價的，就像你不能認為伺服電機就是高端的，而是動態響應能力、穩定性有一個衡量指標才能被稱為高端的，因為異步電機、步進電機也有做的非常高端的。

圖5-大型飲料灌裝系統

如果我們這些基本的常識性問題都尚未厘清，那么，我們對制造業的認知就是偏差很大的。所謂失之毫厘謬以千里。
 

裝備的數字化其實包含了幾個方面：

1.裝備的數字化設計

這里就必須提到工業軟件的問題，CAD/CAE這些軟件都很貴嗎？這就是個認知問題，記得好幾年前，我和L老師談到建模仿真的重要性，以及我們在很多項目中通過這種建模仿真如何降低研發成本。L老師問了我一個拷問靈魂的問題“你說建模仿真這么好，為什么國內很多都不大用呢？”—我倒也在那一瞬間想明白了，建模仿真軟件主要解決在測試驗證環節的成本節省問題，因為物理的測試驗證代價非常高，像風動測試、材料的測試等。那一瞬間想明白了，因為我們的裝備是復制那些已經被歐美廠商驗證過的機械與控制系統。因此，就會出現無需測試驗證的問題-這個時候，CAD/CAE/仿真軟件的價值就發揮不出來，而僅僅是用于繪圖，那么，你一定會覺得這個軟件很昂貴—但是，如果你真正是自主研發的創新裝備，這些軟件會大量節省你的成本，甚至可能那個軟件的成本無非是幾次材料測試的成本。

圖6-建模仿真的優點

數字化設計軟件，它主要是通過知識復用—其實，是把已有的行業知識給封裝了，降低了大家開發的成本。因此，它的核心作用是為了降低成本，所以，在邏輯上，它不會是一個高昂的成本，因為，如果你自己取做這個軟件，成本大概比你買要高很多倍。因為你分享的是前人大量的經驗、知識--如果你知道知識的價值，你才會理解軟件的價值。

圖7-基于模型的工程（MBSE）

在很多行業，機器本身的參數都是通過經驗來獲得的，后來發現國外為什么要花費代價去做這些建模工作，因為，這是一個長期可用的問題。由于國內的生產規模往往比較大，通過規模效應來降低成本，這使得即使一次測試可以長期生產，那么在測試過程中的浪費就會忽略不計。就像有一次和彈簧機的用戶談到為什么不建模仿真做機器，他說這個需求在國內并不大，因為國內有很多產業集群，他們就只生產某些固定的產品-低壓開關里的彈簧，或者僅生產圓珠筆里的彈簧，機器并不需要各種產品變化，一次調校就會生產很久，甚至一年都是這個產品。
 
但是，歐美他們做這個因為市場小，客戶需求千變萬化，因此，他們必須進行適配性工藝建模，以讓機器能夠生產非常差異化的產品的能力—因此，從需求和實際行動兩個視角來看，數字化設計軟件—這個最近幾年都在熱議的工業軟件話題，其背后邏輯就是我們的制造業需要轉型，通過提供更為個性化的產品來贏得市場。通過創新—需要意識到，創新是代價很高的，來獲得市場，而這個創新，如何降低成本，需要通過數字化的方式來實現—關于這個問題，其實，都沒有必要講了，因為有太多的人講，但背后的邏輯要梳理清楚。
 
2.裝備具有的數字化集成能力
數字化轉型的意義在于，利用數字化能力，數字化能力最大的優勢是“靈活性”，即，企業的戰略永遠在于解決企業如何在VUCA的環境下勝出，通過數字化來實現信息的高效，決策的高效來快速應對變化，那么，這個制造工廠也要有能力去執行企業的戰略—如何去在變化中生產客戶需要的高品質產品？
 
2.1物理建模-提升機器的生產應變能力
建模就是把各種可能性進行建模，形成一個內部的算法，在輸入各種變量（材料特性、規格等）然后自動為其計算出在邏輯任務、運動控制任務方面的調節，以勝任新的生產變化。

圖8-工業軟件的本質是知識復用

通過軟件的配置，形成新的生產任務，但是，制造業的這個軟件與機器之間的強耦合關系，使得這個需要大量的測試驗證，那么仿真就要解決各種情形下的系統匹配性，是否達到所需的生產能力。建模也包括兩種主要的方式，機理和數據。

2.2數據建模
物理建模是提供顯性知識，但是，機器生產中，影響品質、成本的還包括很多隱性知識，需要通過學習方法來實現規律的挖掘—這樣可以進一步挖掘機器的潛能。而事實上，在哲學意義上來說，世界的本質是非線性的，或者我們發現的世界規律僅僅是滄海一粟，這也是AI發展的原因-基于演繹法不怎么創造新的知識，而歸納法可以，這就是數據驅動建模的力量-但是，我們現在的更多問題可能是還沒有把更為經濟、更為好用的物理建模還沒有搞清楚，就要去用AI來解決問題，但是，那樣就很容易被物理建模打敗--因為它真的更經濟。感覺目前的產業競爭，還沒有到那種需要拼天賦的階段。
 
2.3數字化連接
機器在數字化工廠將作為一個關鍵的數據源，以及任務終端執行者，因此，它必須與數字化系統具有交互能力，這個包括網絡與通信，為了提高效率，需要對信息進行建模—以提升設備被集成到產線中的工程便利性，例如OPC UA的各個行業信息模型，就提供了信息快速采集、配置的能力。

3.制造工廠的裝備集成能力-邊緣計算
當裝備進入工廠后，裝備具有了連接能力，且具有下上而下任務解析執行能力，這個時候，還有一個層面的問題，需要通過數字化來實現，即，調度與協同問題。
 
在設備連線后的上一個層級，車間或工廠級，需要協同，那么，這就有幾個問題必須解決：
（1）.邊緣層架構的數字化應用：人們都把任務聚焦在了MES/ERP這些問題，但是，新形勢下的工廠，要提高效率，仍有很多任務是跟工藝相關的，例如，識別產品問題的快速質量迭代，邊緣架構在于設置一個全局量，這個問題無法在單一設備解決，除非這個產線由單一源頭供應商提供，但同樣也要構建這個計算架構。
 
設備有些問題可以本地解決，但有些問題卻要和別人協作-在協作層，同樣需要數字化能力來對生產調度任務進行快速編排-這個可以通過OPC UA的信息協同和任務編排進行實現，例如可以通過邊緣層的任務編排軟件來實現，這個軟件具有一定的實時性，例如對缺陷分析，并對引發缺陷的多個機器進行分析推理，以明確是哪個機器來進行調整，那么，這里就會出現信息被快速獲取，實時計算（不一定是微秒級），

圖9-數字化協作的通信規約

 其實，OPC UA核心是解決協作中的數據訪問問題，像一個手機工廠，包括了注塑、鈑金、電子、包裝、機器人、物流、視覺各種連接需求，而傳統在垂直行業的信息模型如Automation ML、PackML、EUROMAP、MTConnect、AutoID等都需要用統一框架來進行實現，否則，就又遇到大量的工程編程的接口連接問題。
（2）.人工智能的角色
在全局調度這一層，那么智能化相對來說，比在機器層面更有價值，因為，機器學習對于不確定性、模糊型問題，但數據量大，且不影響實時控制方面的任務還是比較適合的-因為，實時任務，有時候不太允許慢慢的數據積累的過程，因為代價高，且不安全等因素需要考慮。
總體來說，裝備的數字化，是一個必須關注的方向。
 

工業裝備的實現架構參考

其實，就現在的局面來說，工業自動化領域來做數字化轉型，其優勢顯著，最重要在于，物理模型、數據源、領域知識是優勢，至于選擇AI工具--這是工具的問題，對于裝備制造商而言，AI是工具，對AI提供商，AI才是產品，因此，問題需要什么樣的工具-很早前曾經寫過“自動化是解決問題的行業”，我要知道問題，然后選擇工具而已。

以貝加萊為例，工業來實現機器的智能應用，其實還是很方便的，只在原有的閉環控制增加觀測器，對整個過程的數據進行監測，并通過成本函數去約束其過程收斂到最優。

圖10-實現智能化應用的軟硬件框架

1.Hypervisor技術的PC，Hypervisor是一種分割CPU多核處理器的技術，例如現在的i7處理器為多核處理器，可以讓其中一個核運行Windows/Linux程序，做圖像處理、或者運行學習程序、數據庫，本身具有256GB的CFast卡來提供歷史數據存儲，另外幾個核做RTOS的任務，包括數據采集，和指令下發到現場執行。
2.對于長周期訓練數據，或更大的容量需求，則可以通過OPC UA或MQTT送到邊緣計算或云端進行訓練，再下發到控制計算機來進行執行，通過文件讀取或OPC UA。
3.AI的模型與控制的模型在內部融合，實現計算與控制協同，由于控制系統本身有大量的現場數據采集，以及軟件中間產生的數據，這些都可以在內存里被直接讀取，數據源最近。而PID調節過程直接進行調節。

總結：數字化要從裝備底層做起，在外圍打轉總是事倍功半--不能解決核心工藝技術這個一直長期存在的問題，但是，數字化它對解決這個問題會有很大幫助，重視數字化，但是，不要為表面的繁華所誘惑，拿項目、樹標桿、造勢--那你是“2VC”吧？如果你說我就是to VC，當我沒說。