难点重重，智能制造怎样在汽车行业落地？

领先汽车企业智能制造负责人王先博先后服务于奔驰、上海通用、IBM等著名企业，拥有丰富的智慧制造、供应链规划及信息技术管理咨询的工作经验。据他介绍，智能制造工业互联网4T融合，第一个是CT，即连接的技术，对于工厂应用的很多不同的智能化设备，怎么采集物联网的数据是需要攻破的难题；第二个是OT（运营技术），很多公司都有设计自动化的布局；第三个是IT，即传统公司的IT部，需要软件层的数据管理和打通；最后一个是DT，有一个观点叫做双模IT，怎么把这个数据管理应用好。

领先汽车企业智能制造负责人王先博

（本文根据4月19日罗戈网&物流沙龙举办的“GMSC 2019全球制造业供应链峰会”现场录音整理）

CPS赋能模型，促进物理空间与信息空间深度融合

从信息化工厂到数字化工厂再到智能化工厂，我认为目前汽车行业的大部分工厂还处于可见性、透明性过渡的过程，属于数字化工厂阶段。

讲到智能化制造，我在这里要介绍一下CPS，CPS是一个信息物理系统和模型过程与分析的决策支持系统，就是把我们实际应用的工厂通过数字化进行实时展现，不仅要展现而且还要做一个控制的思路。

这里是CPS的几个阶段，一个是从数字化到认知工厂的过渡，现在很多还停留在数字化阶段，第三个阶段叫生态群的融合。接下来我介绍一个例子，让大家可以更直观地看到CPS最终的状态。

John Deere是全球著名的农用机械制造商，他实现了从系统到系统群的演变，第一个阶段是可以通过CPS系统，在收割机上通过传感器计算出每一块田地的实际玉米、大豆等产量。第二个阶段是可以通过该地块所播种子数量、施肥种类及重量、土壤温度、湿度、酸碱度、气象信息等数据，分析出该地块增产的最佳组合；再通过物联网平台指挥各种农业机械量化执行有关播种、施肥、浇灌的指令。到了后期就更厉害了，如果该物联网平台再结合玉米、大豆等大宗商品期货交易市场的未来价格走势，John Deere提供的系统还能为该农场分析出本季、在本块田播种什么种子将能在市场上获得最佳利润收益。可以看出这是上升到了生态系统这样的分析，通过这个例子可以直观地了解CPS系统到单个的应用以及到系统集群可以实现什么样的应用。

IT巨头各显身手

现在的IT巨头都针对工业互联网和智能制造推出了很多自己的产品。我们先看一下IBM，之前我在IBM做管理咨询，对他的体系我比较熟悉。

IBM做汽车行业智慧工厂是分五层的：设备层、物联层、执行层、运营层、决策层。其三个平台是指物联网平台、大数据的管理平台、认知计算的管理平台，三步走的第一步是先做CT（通讯技术），因为汽车行业的IT发展已经相对成熟，所以此时要先做CT，很多公司都知道汽车行业有一个软件层，把这个打通之后做一个升级，相当于我们的一个工厂服务组件进行了打通。第二步是做DT（大数据应用），就是把我们所有的应用和硬件层的数据进行清理之后管理。第三步我们要做优化创新的应用，这种场景可能非常多，怎样有效地把后面的平台打通，才是后面诸多应用场景的基础。

这个是当时IBM提出来的三层大的技术架构，这里不细讲，因为各个车企都在企业上云，政府也在主导，他们当时首先做的是构造IaaS，政府也是把所有的机房和机构逐步建成了自己的私有云，目前正在PaaS云化的过程当中，这里还是比较纠结，面对从传统的IT到数字化的转型，汽车行业还是碰到了很多的问题。

第二个平台就是很多IT行业都知道的这个平台，这个平台是想做一个工业的安卓，相当于把所有的管理到应用的组件和环境的管理以及客户的应用管理全部集成在一个平台，如果很多企业应用他这个平台的话，很多智能应用的场景和进程会有一个比较大的进步。不过在国内的话，我觉得它可能还需要更多的实际案例来进行支撑。

这个是之前他们的一些技术积累，这个是由两家企业联合打造的产品，有分析组件、物联网连接的组件以及各种开发的组件，包括studia专门收购了一个公司，把所有的应用和分析通过VR这种技术展现给新的用户。技术框架上基本就是这几个维度，从连接层到后面的数据管理层再到安全的一些管理和展现，比如怎么APP化、移动化以及通过智能设备有效地展现各种智能的场景。

这里我讲一个拍立得的案例，这个也是国内通讯比较专业的一家公司，后来在国内主推工业物联网的公有云的平台，它把后面的大数据管理、智能分析都组建了一个相关的平台，目前在国内也有战略合作，后续大家可能会对这个平台越来越熟悉。

我前面说了这么多平台，每一家都有自己的优势，因为他们从事的专业不同，不管是底层往上拔的这种模式还是其他的方式，各个制造业和企业都可以根据自己的需求选择适合自己产品的云服务。

汽车行业智能制造场景

在这里，我介绍一下汽车行业智能制造场景。第一个就是我们所说的智能供应链管理，很多的车企都在做，从可视这个节点到经销商的产销计划和排产计划，以及到生产和入库交付这些节点全部可视化，然后去对标这9个过程当中所消耗的每一段时间是否合理。接下来是各个阶段通过现在的数据做有效的数据优化，这个是很多大数据运用的集成应用，车企里面有一个硬伤就是他们每个月会提供销售的预测，这个可以直接影响工厂的排产。所以怎么通过数据的分析，形成一些产品去支撑和帮助全国众多4S店进行销售预测，这是很重要的一环，现在各大公司都想做这件事情，但是真正落地的比较少。

还有一个是预防和维护，这个大家比较常见，因为各种设备碰到问题后会造成很大的损失。这里我认为有三个阶段，第一个阶段是首先把设备的数据收集上来；第二个阶段是通过收集的数据分析这个设备是不是有可能出现故障，我们做了一个场景就是电机的一个轴的数据，可以提前预知超过阀值的数据造成的些问题；第三个阶段是预见一些更换的频率。

智能穿戴的项目我们也进行过研究，比如虚拟装备，我们通过AR和VR眼镜进行新员工装车的培训，包括在现场装配的指导，我们的人员到现场怎么维修和各种指导的场景也是其中一个重要的环节。

视觉识别在汽车行业也是一个大的智能制造应用场景，现在是定位比较多，但我认为其在后期的质量检查中应用会很多，包括一些用户的零部件的质量检查都会用到视觉识别。

我再讲讲关于供应链和物流的场景，在很多配送的环节怎样通过一些算法，来检查配送的路径和智能的调动，怎样指使我们的车辆和员工提高他们的工作效率。这里我说一下入场的智能调动，现在大部分都是集货的方式，我们研究哪几家串在一起比较合适，大概是什么顺序，现在都是靠人工和经验，来进行动态的路线智能规划，降低整个计划的工作量，并使整个运输的满载率和运输的效率最优，这都是老大难的问题，很多大的车企都在做，采用不同的方法。

整车物流和备件物流因为仓库和区域选点的规划以及配送的路径，后续我认为都要用到网络的算法和大数据，对于这一类业务的支撑可能会比较大，一些车企也在这个课题上花费了很多的精力。

我的分享就到这里，谢谢大家。

作者 |  王先博

整理 |  郭嘉