数字化转型白皮书系列：数智技术驱动智能制造.pdf

2 目录 前言 . 1 第一章 智能制造 2021 . 4 （一）智能制造的定义和内涵 . 4 （二）智能制造发展驱动因素 . 6 （三）智能制造核心价值 . 9 第二章 数智技术引领制造 “ 智 ” 升级 . 11 （一）走进 “ 数智技术 ” . 11 （二）数智技术：价值与挑战 . 12 （三）数智技术驱动下的智能制造 . 14 第三章 智能制造重构产业未来 . 18 （一）智能制造发展现状 . 18 （二）智能制造发展趋势 . 20 （三）智能制造产业生态 . 22 第四章 数智技术 X 智能制造实践 . 27 （一）典型应用案例剖析 . 27 （二）数智技术 X 不同制造业领域的实践差异 . 33 总结与展望 . 35 1 前言 西方有句话“ To live well, a nation must produce well”， 说明制造业在 一个国家的 国民 经济中 占据重要地位 ，无论是对国民经济产值贡献，还是对国家整体就业市场拉动，抑或是 推动 社会创新孵化方面，都起到举足轻重的作用和价值 美国制造业协会 最新 统计数据 显示，制造业领域每增加一个 就业 岗位就会 拉动就业市场 约 10 个岗位增量，每投入 1 美元 将为国家经济产出带来 2.79 倍 的 回报；而据美国企业研发和创新调查（ BRDIS）整理， 2015 年美国全年新增专利中，即有 86%的专利源自制造业领域创新。 每一次技术变革都会带来制造业的不断升级。 1 6 3 制造业就业 供应链就业 其他行业就业 制造业拉动就业岗位 Source: National Association of Manufactures 1 2.79 制造业投入 经济产出 制造业对经济投资回报率 Source: National Association of Manufactures 61% 25% 14% 制造业专利占比统计 byBRDIS 高科技 中高科技 其他 Source: Business R&D and Innovation Survey (BRDIS) 2 图 技术革新推动制造业升级 工业革命 1.0 阶段，蒸汽机技术的发明推动人类进入机械化生产时期，人 们 通过操控机器 代替手工生产，突破了体力上的局限，实现生产效率的大幅提升。 工业革命 2.0 阶段，电力技术驱动 工厂 大规模生产推动社会生产效率空前提升，人类历史 上第一次解决了供需之间在数量上 的 矛盾， 最 典型 的 案例即是福特 汽车全球首创 流水线生 产 模式 ，让更多的人 （平民阶层） 拥有了一辆黑色 T 型汽车。 工业革命 3.0 阶段，随着通讯和计算机技术的发展，制造业进入自动化生产时期。人们通 过计算机编程可以远程 操控 机器自动化生产 ，生产效率得到进一步提升 ； 同时 人们 在管理 和制度上 的创新和精益求精 ， 尤其 以 日本提出 “ 精益生产 ” 理念为 代表 ， 使得产品质量 在 这一 时期 得到了 大幅 改善， 消费端产品形态也更加丰富多元，马路上 奔驰 的不再是千篇一 律的黑色汽车，更多款式、更多型号 的汽车品牌 开始纷纷涌现。 当前我们 正在步入 工业 革命 4.0 阶段，以 5G、 人工智能、 大数据、 云计算、物联网 、区块 链 等为代表的数智技术逐渐走向成熟， 引领 制造业再次升级， 人与机器之间的交互从体力 3 上的协同升级为脑力（决策）上的协同，从而 迈向智能化生产 阶段 。这 一 时期， 技术的革 新 不仅带来 生产 效率的提升，还将进一步提高供需之间的适配性，即通过数智技术对供给 侧的改革，以满足需求侧个性化和求新求变的消费趋势，为用户带来更好的消费体验。 在新旧动能交替之际，主要国家都将制造业升级作为战略重心 和博弈焦点 ，智能制造成为主 要抓手 ，从国家到企业纷纷 谋篇布局 ， 相继出台政策方针、实施规划， 希望 通过数智技术创 新 和应用 提升 制造业 竞争 水平，强化国家综合国力 ， 抢占未来经济和科技发展制高点 。 4 第一章 智能制造 2021 （一）智能制造的定义和内涵 智能制造 源于 人工智能的研究和应用，其概念最早由美国赖特伯恩在著作 Smart Manufacturing中提出，将“智能制造”定义为“通过集成知识工程、制造软件系统、机 器人视觉和机器人控制来对制造技工们与专家知识进行建模，以使智能机器能够在没有人工 干预的情况下进行小批量生产”。 20 世纪 90 年代， 随着主要发达国家投入重视和研究， “ 智 能制造 ” 概念 得到进一步 发展 ， 由原先的单体智能化转向 智能机器与 智能生产 活动 的有机融 合。 21 世纪以来，随着 人工智能、 大数据、 云计算、物联网 等新一代信息技术的快速发展及应 用， “ 智能制造 ”概念 进一步 深化 。 根据 我国 工信部 2016 年出台的 智能制造发展规划 （ 2016-2020 年） 中定义，“智能制造是基于新一代信息技术与先进制造技术深度融合， 贯穿于设计、生产、管理、服务等制造活动各个环节，具有自感知、自决策、自执行、自适 应、自学习等特征，旨在提高制造业质量、效益和核心竞争力的先进生产方式。” 2014 年， 美国能源部 将 “智能制造”定义为 ， “ 智能制造是先进传感、仪器、监测、控制和过程优化 的技术和实践的组合，它们将信息和通信技术与制造环境融合在一起，实现工厂和企业中能 量、生产率、成本的实时管理。 ” 无论从 哪个视角 出发 ，今天 各国 对“ 智能制造 ” 的 理解都 不再局限于生产过程 或单体智能 ， 而是扩展到 产业价值链的各个环节 、 包含企业活动的方方面面， 也 不 再单方面 强调 数智 技术 本身的应用 价值 ， 而是 更加 重视 数智技术与 先进制造等跨领域技术 的深度 融合 和实践 创新 。 由 全 新定义出发， 智能制造在实践中的运用和渗透将帮助企业实现在产品、生产、管理和服 5 务四 大 方面的智能化升级。 图 智能制造的内涵 产品智能 化 ： 即是 将传感器、处理器、存储器、通信模块、传输系统 嵌入 产品，使得产品具 备动态存储、感知和通信能力， 成为物联网连接的终端， 从而实现产品 “ 可追溯、可识别、 可定位 ”功能 。根据 Transforma Insights 研究显示 ， 到 2030 年 这些 物联网 终端 数量将增 长到 241 亿个，复合年增长率为 11。 制造 智能化 ： 包括 制造载体 智能化和 制造 过程 智能化两个层面 ： 制造载体 智能化 ， 包括 单机 智能化，以及单机设备的互联而形成的 智能制造单元、智能产线、 智能车间、智能工厂 等 ； 制造过程智能化 ， 则是 通过 数智 技术 和 先进 制造技术的融合 应用，使得 制造 过程 中所 涉及的 各个流程、 生产要素 以及 上下游企业 ， 以用户价值为中心，实现 网络化协同 和 柔性化生产 。 管理智能化 ： 随着 技术 融合 不断深入 ， 制造企业 获取 数据的 实时 性、完整性、准确性不断提 高， 结合智能化分析技术 可以帮助企业提升 资源 管理 、能源 管理 、供应链 管理 、订单 管理 、 设备 管理 等 方面的 决策 效率 ， 变被动管理为主动管理和预防性管理， 使得 管理更准确、更高 效、更 智能 。 服务智能化 ： 在 产品智能化 的基础上 ， 企业与 终端 用户交互 更 为 直接， 为用户提供更好的 服 6 务 体验 将成为 智能制造的 重要组成 和价值增量 ， 越来越多的制造企业将 从生产型制造向服务 型制造转型 ，制造与服务的边界逐渐消弭 。 （二）智能制造发展驱动因素 制造业升级是所有制造业大国面临的共同课题， 主要目标都是在于通过 数智技术创新 和应用 来提升国家制造业竞争实力，克服逐渐 上涨 的人力成本，将制造业留在本国的同时 ， 保持自 身制造业优势 ，但 由于各国制造业基础和优势不同， 在 发展智能制造的 核心诉求 和战略重心 上各有差异 （各国智能制造相关政策参考 附表 1） 。 美国自二战后 面临制造业空心化问题 比较 严重 ， 通过发展智能制造引领制造业复兴是美国的 主要诉求 ，而美国 制造业信息化全球领先，尤其在 工业 软件和互联网方面 独占鳌头，因此其 战略重点主要 关注 生产 设计、服务等价值链环节，强调智能设备与软件的集成和大数据分析 。 德国 工业自动化领域全球领先，精密制造能力强，高端装备可靠性水平高 ，国家战略 着眼通 过 CPS（ Cyber-Physical Systems，信息物理系统） 推进智 能制造 ， 希望通过 数字化 创新与 工业制造的融合发展来巩固、捍卫国家工业技术主权 。 日本 制造业 注重提高产品质量和技术创新 ， 牢牢占据产业链高端 位置。由于日本 社会面临老 龄化和少子化问题 比较严重 ， 发展智能制造主要 以解决问题为导向 ，战略侧重 引导 产业智能 化 成果融入到社会生活的方方面面，以此来支撑日本社会 的结构化 转型 ，打造“ 超智慧社会 ” 。 中国近年来从顶层规划到行动计划不断发布 各种 利好政策来推动智能制造发展，背后的驱动 力 主要源自供给侧问题和需求侧变化 两大 因素。 从供给侧看，中国制造虽体量大，但在长期竞争中 却 面临 “ 大而不强 ” 的现实局面 ，具体体 7 现在 以下 四个方面 ： 一是中国制造综合成本的相对优势正逐渐变小。 除用工成本外，能源使用成本、土地成本、 融资成本都在不断上涨。波士顿咨询曾比较 25 家出口经济体的制造业成本指数 显示 ，中国 制造业 综合 成本 已与 美国基本相当 。 图：全球前 25 家 出口经济体的制造业成本指数 二是我国产能过剩问题较为严重 。 根据专家测算，我国产能利用效率低于 79%83%的正常 值范围， 反映出我国供需两侧适配度有待提升，整体生产效率较低 的 现状 。 96 121 100 111102 124123 111 123 109115 99 91 97 87 125130 109 123 91 83 101 116111107 0 20 40 60 80 100 120 140 中国 德国 美国 日本 南韩 法国 意大利 荷兰 比利时 英国 加拿大 俄罗斯 墨西哥 台湾 印度 瑞士 澳大利亚 西班牙 巴西 泰国 印尼 波兰 瑞典 奥地利 捷克 制造综合成本指数， 2014（美国 =100） 包括劳动力、电力、天然气、其他成本，来源：波士顿咨询 50% 55% 60% 65% 70% 75% 80% 85% 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 来源： 中国制造业产能过剩的测度与分析 ，刘明，张雅婷测算 79%83%为正常范围 8 图 制造企业产能利用效率 （来源：中国人民银行） 三是我国 制造业主要处 于 低利润率的 加工制造 环节， 技术含量和附加值不高 ，亟待向产业链 高端升级 ； 同时 ， 由于 产业链上游的基础材料、 关键元器件 、 先进 基础工艺和产业技术基础 较为缺失 ， 产业缺乏自上而下自主化体系 ， 在国际局势 错综复杂、 不确定因素增加的 大 环境 下， 产业链供应链稳定 正 面临挑战 。 四是 我国 制造业发展对能源 资源 依赖度较高 ， 过往粗放型生产 对环境的破坏性较大。 据世界 银行 2017 年数据 统计， 我国单位 GDP 能耗 约为 世界平均水平的 1.53 倍， 其中 工业制造占 全国碳排放总量的 70%以上，面临主动控制碳排放和 2030 碳达峰的新形势， 制造业未来 发展将受 能源环境 要素的约束越来越紧。 从需求侧看，消费市场呈现 不可逆 的两大趋势： 一是用户越来越重视 消费 体验 和产品 服务、 强调个性化需求，驱动制造企业 生产方式向定制化方向转变 ； 二是 用户求新求快的需求变化 要求制造企业缩短产品创新和制造周期， 敏捷 响应市场 瞬息 变化趋势 。 整体上看，在供给侧上所积累的各种问题，以及需求侧的变化趋势，都是 驱动 我国大力发展 智能制造的主要 动力 ，这和其他国家智能制造战略的核心诉求 形成 本质 区别 。 9 （三）智能制造核心价值 图：智能制造五大核心价值 从驱动因素出发，总结 中国 发展智能制造的五大核心价值： 一是 降低制造企业的综合成本 。 例如，通过 机器代人或人机协同 方式 提高劳动生产效率，减 少人工成本； 利用视觉算法 等手段提升 检测一致性和稳定性， 降低产品不良品率，减少因质 量问题造成的 经济 损失； 物联网、 大数据、 区块链等技术应用 加速产融结合， 精准刻画企业 经营行为、评估企业资产状况 ， 为供应链企业提供 更低价格 的信贷资金 ；依据市场 数据 反馈 合理安排要素投入， 减少物料浪费， 或 施行 智能 库存管理来降低仓储成本等。 二是 提质增效 。 例如， 数据驱动代替经验判断 ， 全面 优化生产流程，改善制造工艺，提高生 产效率 ； 科学高效排产 ，提高设备利用率 ； 集成数智技术 提高 生产执行 精度， 确保 产品质量。 三是 减少 能源资源消 耗 。 例如， 通过 物联网 连接设备 可以 实时 在线 监测和控制 能源 和资源 使 用情况 ，提高能源 资源 利用效率 ；利用 智能 化 节能减排设备 或解决方案 替换落后产能 和生产 工艺 ，实现绿色生产 。 10 四是 提升用户体验。 例如， 数智技术应用 打通产业链上下游，实现需求端与 设计端、制造端 的直接 对接 ，对复杂的市场动态进行 数据 分析 和预测 ， 准确把握 市场机会 ， 快速进行产品创 新 ， 实现敏捷制造和 精益 生产， 响应市场变化和用户个性化需求；通过在价值链各个环节增 加与用户交互节点，鼓励用户全程参与产品生产过程， 为用户的最佳体验不断 迭代 产品，提 升产品附加价值 ； 基于产品智能化，通过与环境 、 用户交互，产品可 自动回传运行 和环境 数 据 ， 通过数据监控和分析 ， 为用户提供远程的 预防性 运维服务 。 五是 重塑生产方式。 数智技术 和 先进 制造技术的融合 应用将会带来 生产 模式 的创新和变革 ， 推动 传统制造企业 从大规模生产向定制化生产转变，企业从单纯的制造商向服务端 衍生 ，而 价值 创造 过程 也 将 从 传统 单向链 式 过程 转向网络化协同 共创模式 。 11 第二章 数智技术引领制造“智”升级 （一）走进 “ 数智技术 ” 信息技术是包括 信息 从 采集、传输、存储、分析 、反馈这五大环节所有技术要素的总称，五 个环节组成信息产业的闭环， 每个环节的技术进步都会推动整个行业应用生态 螺旋式先上 发 展。 图 数字化转型技术要素 数智技术即是 推动 智能时代信息产业发展的技术集合 ，包括更低成本的 信息采集 设备 ， 高带 宽低延时的 5G 传输技术 、 万物互联的 IoT 技术、 大容量存储和高性能计算的云服务 ，以及 对海量信息 高效分析的人工智能技术等， 它们 与制造技术融合应用推动制造业数字化转型 进 程 ，引领制造业 完成 “智”升级 的战略目标 。 换句话说， 整合 数智技术 完成 信息从采集、传输、存储、分析到反馈的闭环 流程 是 实现 智能 制造的前置条件之一 。 走完 智能制造 信息闭环主要经历三 大阶段 数字化、网络化和智能化： 一是利用信息采集 技术，包括 MEMS 传感器、 智能 摄像头、智能终端等感知设备实现物理世界数字化过程； 12 二是结合 5G、物联网等通信传输技术完成不同节点间 低成本的 高效 连接和交互，加速数据 的流通和共享；三是基于云边计算和人工智能技术， 进行 低成本存储 、 处理 海量数据资源 ， 并通过 智能化分析 形成 一系列 决策指令 ，以 指导价值链各环节的企业活动。 其中，每一阶段 的完成程度决定 下一阶段 技术的应用价值，换句话说，数字化 和 网络化是企业实现智能化的 必要前提。 另一前置条件是数智技术与制造技术的双向融合 。 “ 制造 的本质 是发现问题、了解问题，在此过程中获取信息，并将其抽象化为知识，再利用 知识去认识、解决和避免问题的过程。 了解和解决问题的方式决定了所获取知识的形式，而 将知识抽象加以运用的过程则决定了知识传承的形式。 1” 由上可知， 智能制造是 在 数据驱 动 下 完成“获取信息、抽象知识、 形成 认知 到 解决问题”的过程 。 可见， 数据是获取知识 的 基本要素 ，洞察关键数据的 内在 关系 是形成 决策的前提 ，这就要求企业在数智技术应用 中 要融合 对 制造技术的认知，深刻了解 生产工艺特点、掌握制造流程变化， 才能 进行高质、高 效的数据 采集和 积累 ，在此基础上才能真正走完上述信息闭环 。 （二）数智技术：价值与挑战 由数据驱动代替经验驱动已成为产业数字化转型的共识。 如果将数据视为智能时代的“ 新 石 油”，那么数智技术 即 是钻取和 提炼 “ 石油 ” 价值的“炼油 工厂”， 使用 数智技术广泛 获取数 据 ， 进行 深度 学习 ，将 海量 原始数据加工为知识， 并 转化为决策或行动 来 指导 企业 运行 。 数智技术 是 推动产业数字化转型不可或缺的关键技术 ，其 应用 价值主要体现在三个方面： 决策 更 及时 ： 实时获取 场景 /业务 数据 的自动 反馈，结合智能化 分析 进行 动态预测， 代替人 1 引用 大数据到智能制造，李杰、倪军、王安著 13 工经验 判断 ，提升决策 的 准确性 和及时性 ，例如基于设备状态实时分析的故障预测和健康管 理 ，或 基于在线用户数据的需求预测，加速产品创新和迭代周期 等 。 运营 更精细 ： 随着产业数字化 进程加速 ， 所获取的数据 颗粒度越来越细、数据维度也更加丰 富， 由数据驱动的企业运营、管理会更加精细 ，例如基于用户画像的精准营销 ，或对能源使 用的实时监测和控制等 。 应用 更智能 ： 智能 化 设备 /应用 辅助或取代 人工岗位 ，并在 应用 过程中 进行算法的 自我 迭代 和 优化 ，不断提高决策水平 ，例如基于 机器 视觉的产品缺陷监测 等 。 尽管数智技术 对产业数字化转型的意义匪浅，但在实际落地过程中仍然存在一定挑战： 数字化程度低，信息闭环难闭合 ： 数据资产的积累 是 产业 数字化转型 的重要前提， 如何 持续 获取数据，并将分布在不同系统、组织内的数据打通融合 是 企业数字化转型 的 首要命题 。目 前，多数企业 （尤其是中小企业） 受限于资金和人才匮乏， 对 数智技术投入不足， 导致 企业 数字化水平低， 缺乏完善的 信息网络基础设施 ； 此外，由于缺少统一标准、接口和编码 体系 ， 使得企业内外“数据孤岛”丛立， 无法 实现 互通、共享， 导致 企业 使用 数据规模、种类有限 ， 信息闭环难闭合， 海量数据 的 资产价值 无法 得到 充分 发挥 。 跨界融合难度大，复合型人才缺乏 ： 数字化转型 实际上 是利用数智技术对企业流程再造的过 程，需要既 具备良好的数智技术素养 ，又能够了解产业技术和发展规律的复合型人才 。据清 华大学互联网发展和治理研究中心 2020 年对全球 ICT 人才调研统计， 当前 我国 数智技术 人 才 主要 集中于 科技 行业， 缺乏产业经验和 实践 背景 ，而 产业 IT 人员总体 对 数智技术 的 认知 不深 ，难以支撑 产业数字化转型 需要 。 根据人力资源与社会保障部数据分析， 2025 年智能 制造领域人才需求为 900 万人，人才缺口预计达到 450 万人。 14 不同 产业差异大，规模效应 难一朝形成 ： 由于不同产业或产业中不同领域、不同企业之间存 在技术、流程等差异 巨大 ， 数智技术 在产业中 的深入 渗透 须结合 具体场景 进行定制化开发 ， 尚不存在一套放之四海而皆准的解决方案， 这使得数智技术 在产业互联网中的 应用很难像 在 消费互联网时代一样 ， 短期 建立规模效应 、获取巨大收益 ，而是需要 与产业合作共进 ，在垂 直领域中不断积累 解决问题的 通用 能力。 网络安全 问题 不容忽视 ： 随着数智技术的应用推广， 网络安全问题 将成为 数字化 转型 过程中 面临的 重要挑战 。 一方面， 传统 网络安全 系统 跟不上数智技术应用 和创新 步伐； 另一方面 ， 数字化转型 带来 信息节点和信息总 量 爆发式增长 ， 使得网络 攻击 的潜在 损失 “ 指数级 ”放大 ， 对网络安全技术 提出 更高 要求 。 （三）数智技术 驱动下 的智能制造 3.1 智能制造的核心特征 对于 制造 业而言，数字化转型是利用 数智技术 进行全方位、 全周期 、全链条的改造过程。 以 智能制造为主攻方向， 通过深化 数智技术 在 产品 、 生产 、管理和 服务 等诸多环节的应用， 与 制造技术双向融合 加快 企业以及产业层面的数字化、网络化、智能化 步伐 ，不断释放 数智技 术的应用价值 ，是 现代 制造业 实现 高质、高效、绿色发展 的重要途径 。 数智技术驱动下的智能制造主要表现为两大核心特征：一是虚实融合，二是网络化协同。 特征一：虚实融合，即物理空间在信息空间的 完全 映射，信息在两个空间中交互和融合，由 统一“软件”平台协调和安排资源、能源、时间的最优分配，并在反馈中不断升级。 15 回溯工业革命发展历程，在机械化生产时期 ，信息技术 尚未 出现，所有生产要素都集中在物 理空间 中 发生 ； 到了 电气化生产时期 ， 机器大规模生产拓展了 实体 要素发生的物理空间，从 小作坊变成了大工厂 。 伴随信息技术 发展以及 在制造领域的 深入 应用， 相对于 物理空间中的实体 要素 外， 信息 /数 据 作为新生产要素 ，在 企业活动 中扮演越来越重要的角色 。 在 自动化生产时期 ， 传感器、控制器（ PLC）和执行器形成紧耦合的控制信息环 ， 系统性地 部署在各个机械零部件之上，从而 形成依附于设备的“封闭式”信息空间 ， 通过对信息要素 的采集、计算，进而 操控 物理空间中相连 机器 部件的 自动化 运作 。 进入智能制造时期，数智技术 应用 将 不同 物理空间的 实体要素 在 同一 信息空间进行 “ 全要素 ” 映射和 重建，形成具有感知、分析、决策、执行能力的数字孪生体，从而实现物理 空间 和信 息 空间在更广范围、更深层次的交互 融合，创造出一个虚实合一的制造系统 ， 并通过统一“软 件”平台进行要素 资源 的动态 配置。 这里需要强调的是， 由于 人工智能技术的应用， 机器算法 将替代 人的 决策过程， 形成对 资源、 16 能源、时间等生产要素的动态配置 ，并在 数据 反馈中不断 优化算法精度 ， 提升决策水平， 即 智能制造系统相对传统制造具备 自感知、自学习、自决策、自执行和自适应 能力。 特征二： 网络化协同，即 通过建立统一“对话”标准，打通分散于不同 层级 、 环节、 组织的 “数据孤岛”，让数据在 不同 系统 间 自由流动 ， 从而 实现 企业制造各层级 （纵向） ，及产业链 上各环节 （横向） 的互联互通 和 协同化生产 。 具体来说， 一是 通过 打通企业层、执行层、设备层的纵向数据链 ， 实现研发数据、制造数据 向生产现场 、制造设备 的 实时 传递 和处理 ， 企业内部 不同 系统 层级 间 无缝连接，推动 企业的 精细化运营和柔性化生产 ； 二是 横向打通 企业内部以及 产业链上下游不同企业 间的 业务 数据 共享 ， 使得包括研发 设计、 物料采购、生产 制造、 营销 销售、物流 仓储 、 产品 服务 等 环节中 每个企业组织，都可以根据 全产业链的共享 信息 进行资源调配、方案优化 ， 灵活 组织生产去 迎合市场 变化， 缩短 产品制造和创新 周期。 通过纵向和横向数据打通， 最终 实现 设备、车间、工厂、流程、物料、人员 乃至产业链价值 链 各个节点 的全面互联 ， 使得 价值 传递 过程 从传统 制造 单向链式转向 并发式协同 ，通过实时 17 数据感知、传送、分析和处理， 围绕用户需求和 产品全生命周期 ，进行 资源 动态 配置 和 网络 化协同 ，从而最大限度地实现个性化定制 。 3.2 智能制造的系统架构 基于 两大核心特征，我们再去理解 企业 智能制造 的系统架构 。 底层的虚实融合，即是通过信息基础设施的建设，将包括制造载体和制造过程在内的物理空 间 所有 生产 要素、 供应链环节、 工艺流程 、管理活动 等 进行 数字化 ， 并 通过网络连接和传输 汇聚到 统一 数据平台 之 上，再结合智能化分析技术 深度挖掘数据价值 ， 对内 赋能 诸如能源、 资源、供应链、订单等 企业内部 管理平台，提高 企业管理和 运营 效率 ； 对外 可以 通过工业应 用开发平台 面向 第三方开发者 开放 ，结合应用端需求进行工业应用 定制化 开发 ， 也可以将企 业能力 /资源 经过 沉淀后， 以 工业服务微 组件库 形式 开放 给 诸如 金融机构、物流、电商等 产 业链上下游企业使用， 通过协同合作方式提高 整体产业的 资源配置效率， 响应 终端用户 需求 变化 。 18 第三章 智能制造重构产业未来 （一）智能制造发展 现状 在 数智技术发展和产业政策红利的双重 推动 ，中国智能制造 进入快速发展阶段 。 投融资市场稳步增长。 自 2015 年 中国智能制造 2025政策发布后，智能制造相关 投资 开始增多， 2020 年我国智能制造行业投融资金额为 252.61 亿美元，总体融资额较 2019 年 有大幅上涨； 2020 年虽然 融资 件数 相 对减少 ， 但单笔融资金额有所增加 ， 反映 资本开始向 头部优秀企业集中。 图 2011-2020 年我国智能制造行业融资情况 根据政府报告统计，“十三五” 以来，通过试点示范应用、系统解决方案供应商培育、标准 体系建设等多措并举，我国制造业数字化网络化智能化水平显著提升。 供给能力不断提升 ，智能制造装备国内市场满足率超过 50%，主营业务收入超 10 亿元的 系统解 决方案供应商达 43 家 。 支撑体系逐步完善 ，构建了国际先行 的标准体系，发布国家 标准 285 项，主导制定国际标准 28 项； 培育具有一定影响力的工业互联网平台 70 余个 。 24 24 42 56 112 180 147 213 102 253 149 141 138 240 491 677 656 655 455 317 0 50 100 150 200 250 300 0 100 200 300 400 500 600 700 800 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 融资金额（右，亿美元） 融资事件（个） 来源： Cruchbase，由商汤智能产业研究院整理 19 推广应用成 效明显 ，试点示范项目生产效率平均提高 45%、产品研制周 期平均缩短 35%、 产品不良品率平均降低 35%，涌现出离散 型智能制造、流程型智能制造、网络协同制造、 大规模个性化定制、远程运维服务等新模式新业态。 2据前瞻研究院统计， 2020 年 我国智能 制造 业 产值规模 达到 2.5 万亿元。 图 2015-2020 年中国智能制造业产值规模（亿元） 中国智能制造发展前景向好，但 与发达国家相比我国 仍存在 较大差距， 主要 体现在以下几 个方面： 一是关键 技术 、核心 零 部件 /装备、 高端 工业软件 受制于人。 我国近 90%的芯片、 70%的 工业机器人、 80%的高档数控机床和 80%以上的 核心 工业软件依赖进口 3， 造成国内制造 企业智能化改造成本居高不下，制约我国智能制造的整体进展。 以工业软件为例， 我国 飞 机、船舶、冶金、化工、生物医药、电子信息制造等重点领域长期依赖 国外 工业软件 ，其 中 EDA 基本被美国 Cadence、 Mentor 和 Synopsys 垄断 ， CAE/CAD 主要 被美国 ANSYS、德国 SIMENS、法国 DS Simul 等把控 。 2 数据 引用自“十四五”智能制造发展规划 3 数据引用 2019 年中国制造业企业智能化路径研究报告 ， 艾瑞 咨询 9963 12233 15000 17480 21082 25000 0 5000 10000 15000 20000 25000 30000 2015 2016 2017 2018 2019 2020 来源：前瞻产业研究院，由商汤智能产业研究院整理 20 二是系统集成能力相对不足。 我国智能制造系统解决方案供给能力不足， 业务形式多是从 国外购买机器人整机，再根据不同需求，制订解决方案 ， 缺少像西门子、 GE 一样的具有较 强竞争力的系统集成商。 三 是 中小 制造 企业 信息化 基础薄弱，难以融入智能化浪潮。 中小企业构成我国工业 制造 主 体， 由于 信息化基础薄弱、 自有资金不足、 相关 人才 匮乏 等多方面因素， 数字化转型 面临 极大 的试错成本 和不可控风险 ，行业内 大中小企业间 存在较大的“数字鸿沟” 。如果以德国 工业 4.0 为参照系， 当前 我国制造业 整体还处于 工业 2.0 阶段 ，部分企业在向 3.0 阶段 迈 进。 （二）智能制造发展趋势 2.1 趋势一： 以 数据 为 驱动 的生产 柔性 化 柔性生产的本质 是对资源 要素 进行 快速 重构以 响应新的制造需求 ，而 智能制造 系统 将资源 要素及其 过程 状态转化为 数字化 信息 ，并 通过 算法 优化 的方式 对这些 资源 要素进行 高效 配 置 ， 从而 实现以数据为 驱动 的柔性化生产。 例如， 在产品 研发 环节，企业 实时 获取 终端 用户 交互 数据，通过分析预测实现“以需定 产” ；在产品制造环节，通过 物联网 、 传感器 收集全生产 过程 的实时数据，并整合来自 上下 游 和 用户 的 数据 信息 ， 传输到工业互联网 数据 平台，人工智能 再 依托数据进行智能 分析 ， 最终制定出最佳生产方案 ，并 将指令 传递至 制造一线 实现 柔性 化 生产。 智能制造带动 柔性化生产 趋势在消费品制造领域 表现的 尤为明显 ， 因为消费制造领域离用 户最近，对于 汽车、 3C 产品 、服装 、食品 等 具备“少批量、多品种、定制化”特征 的制造 企业 ， 进行智能化升级的主要目标 之一 即是实现柔性 化 生产， 从而 可以 快速、准确地满足 21 终端用户个性化 需求 ，而 由消费品制造领域引领的智能化浪潮继而往上游 各环节 逐级 传 导 ，进而带动整个产业链基于数据驱动的柔性化生产 趋势 。 2.2 趋势二： 以平台为 支撑 的工业互联化 越来越多的 产业龙头 以及互联网巨头企业都在 加大工业互联网投入 ， 除了加快自身数字化 转型 外，这些企业通过平台建设将各自关于 智能制造的 实践经验 和 能力 禀赋 开放 赋能 给 同 领域的 中小企业， 以及产业链上下游相关主体，形成 对整个 产业 智能化升级 的 重要 支撑。 根据工信部统计数据显示， 目前我国工业互联网已 广泛应用于 钢铁、工程机械、航空航 天、家电、电力、港口、能源 等多个行业， 具有一定行业影响力的工业互联网平台超过 70 家 ，例如 徐工信息的 Xrea 平台、海尔的 COSMOPlat 平台、用友软件的精智平台、中国 电信的天翼云工业互联网平台、阿里云的 supET 平台等 。 这些平台汇聚共享了设计、生产、物流等 通用 资源，有效整合了产品 研发 、生产制造、 运 营 管理 和 服务等数据资源， 面向 垂直 领域 内的 中小企业提供“低成本、快部署、易运维和 强安全”的轻量化应用， 大幅 降低使用门槛 和 智能化 改造成本， 加快中小企业数字化 转型 进程， 从而 实现平台上企业间的 连接协同 和数据共享， 推动整体 产业 智能化升级 进程 。 2.3 趋势三： 以用户为中心的智造服务化 制造业和服务业的融合是 智能制造 发展的主要趋势 之一 。 在智能制造视角下， 嵌入 数智技 术的智能化 产品 ，可以 感知周边环境 变化 ，并通过与 用户、 环境的不断交互， 向企业平台 自动回传 运行 数据 和状态 信息，结合 智能化分析 ， 企业可实时 掌握 产品 使用情况和 用户 需 求变化， 并 及时做出反应， 主动为用户提供 高附加值的 服务 体验 ， 通过 “ 硬件 产品 +软件 22 系统 +增值服务 ” 模式 来满足用户的个性化、多 样化需求 ， 创造 全新的 价值空间 。 产品 远程运维服务即是典型的制造企业智能化服务模式，企业利用 数智 技术 ， 对 正在使用 的 智能产品的设备状态、作业操作、环境情况等 多 维数据进行 实时采集 和回传 ， 基于上述 数据的分析结果为用户提供产品的日常运行维护、预测性维护、故障预警 、 诊断 和修复 、 远程升级等服务。 （ 三 ）智能制造产业生态 4 图 智能制造产业生态 推进智能制造是一个长期的 、渐进的 过程 ，除面临人才、网络安全、技术标准等共性问题外， 我国还 面临智能制造装备可靠性差 ，关键技术受制于人， 核心 零 部件 、工业软件 主要依赖进 口 ， 系统集成能力 不足 ，以及 整体制造业 信息基础设施薄弱 等诸多 挑战 ， 只有 主动适应智能 制造发展趋势 ，积极发挥政府 引导 作用 ， 并 以企业为主体， 促进“ 产学研 用 ” 四 方 联动 加快 培育智能制造 产业 生态， 才能推动智能制造 高质量发展。 4 主要结合“十四五”中国智能制造发展规划重点任务展开 23 3.1 创设 新型创新载体 ， 强化 “智”造 新动能 通过建设一批国家和省级制造业创新中心等载体 ， 开展关键共性技术研发 ，加快构建智能制 造创新体系 ， 为智能制造产业生态 发展“智”造新动能。 制造业创新中心是“由企业、科研院所、高校等各类创新主体自愿组合、自主结合，以企业 为主体，以独立法人形式建立的新型创新载体”。其目的是“完成技术开发到转移扩散和首 次商业化应用的创新链条各环节的活动，打造 跨界协同的创新生态系统 。 ” 5 2016 年以来，工信息部先后出台制造业创新中心建设工程实施指南 (2016-2020 年 )、 关于完善制造业创新体系，推进制造业创新中心建设的指导意见、省级制造业创新中心 升级为国家制造业创新中心条件、国家制造业创新中心考核评估管理办法 (暂行 )、国家 制造业创新中心建设 领域总体布局 (2018 年新增 )等指导性文件，逐步形成了制造业创新 中心顶层设计 的政策体系 ，对 制造业 创新中心建设的规范性 提出了 要求。 截至 2020 年，我国 已 建成 15 家国家制造业创新中心 ， 132 家省级制造业创新中心 ， 主要 聚焦于基础材料、核心器件、关键工艺、重大装备以及软件等 5 大关键技术 领域。 3.2 开展 智能 制造 应用 示范 ， 助力 产业 “ 智 ” 升级 聚焦企业、区域、行业转型升级需要， 围绕工厂、企业、供应链、产业链 开展 多场景、全链 条、多层次应用示范，培育推广智能制造新模式新业态， 构建智能制造产业生态， 助力 产业 “智”升级。 一是 聚焦制造过程关键环节， 在基础条件较好、需求迫切的地区和行业 ， 选取行业龙头企业 5 引用自 制造业创新中心建设工程实施指南 (2016-2020 年 ) 对制造业创新中心定义 24 开展 智能场景、 智能车间 、 智能工厂建设 示范项目 ， 总结形成有效经验和模式 ， 再 围绕设计、 研发、生产、物流、服务等全生命周期， 遴选确定一批标杆企业，在相关行业 移植、推广所 形成的经验和模式 ；同时 引导“链主”企业建设供应链协同平台 ，带动上下游企业同步实施 智能化升级。 二是 滚动 遴选跨领域跨行业 综合性 工业互联网平台 作为工业互联网技术突破、应用赋能的标 杆性代表 ， 同时 支持行业 /区域平台发展 ， 建设面向重点行业 /