图片64

目前智慧型制造系统的痛点：

ERP、PDM和MES三驾马车的企业信息化建设，ERP管理的是企业的资源，如人员、设备折旧等，PDM管理的是产品设计过程，如产品图纸、工艺等，MES管理的是生产过程，如生产计划、生产作业等。从客户开始ERP，到定单，再到主计划，最后到PDM，再到产品需求，再到过程编写，再到如何生产，MES从计划到具体处理，最后到最终完成任务。

从整体上看，ERP、MES和PDM都属于管理系统，MES(全称为制造执行系统，主要面向的对象是MES)。

策略性层次：策略性层次如公司总经理、型号总师等，主要掌握生产的趋势性数据，如生产问题发生率、任务完成率、工作时数等，属于分析性统计，简称高阶统计；

管理方面：计划人员、调度人员等管理人员主要掌握生产的实时数据，如生产进度、现场问题等，属于实时数据，对数据的实时要求较高；

例如，在问题启动后，管理部门希望在第一时间了解这些信息，因此MES的现场问题模块现在增加了一项要求：当现场工人/组长启动问题后，问题信息首先会以软安灯(系统报警)、硬安灯(报警)或短信的形式通知有关负责人。

执行层：执行层如组长、现场工人等，主要了解生产过程中相对静止的信息，如产品操作手册、加工工艺或临时工艺通知等。

尽管综合执行层处于数据采集的最核心地位，但它们的工作没有任何效益，如KPI(工时/件数)，甚至会影响产量。

尽管MES的大部分功能都是面向管理的，主要解决的是计划、调度、厂长等核心痛点，但MES不能用，也不能用，主要靠执行层来实现。

管理当局想要更多、更全面的信息，以协助工厂的决策，但管理当局所有的信息都来自执行层，所有管理当局都急切地想要执行层将工厂的所有数据输入系统，然后根据数据模型或管理模型像漏斗那样筛选出他们所需要的数据，如上图所示。

执行层的数据来源主要有机器采集、人工输入、上游系统传递、硬件集成等，但从离散制造企业的特点分析，执行层的数据基本上是人工输入。因此，当MES上线后，执行层首先面临的是工作方式的变化，需要学习MES系统的操作；其次是由于管理对数据的需求，导致工人将根本置之不理(生产任务是执行层的根本)，而不去输入MES系统中的数据。

1.系统的培训浪费了时间，导致没有及时完成本职工作；

2.工作量并未减少，而是由于输入数据的效率降低；

上述原因最终导致了执行层对MES系统的非常排斥，影响了MES系统的应用效果，这也是提出MES系统是“一把尺子”工程的根本原因，仅仅用行政压力来实施MES是不够的，根本问题还没有解决。

结果出现了一场智能生产的浩劫：管理部门需要更全面的数据，管理层需要更有效率、更简单、舒适的工作工具。简洁明了地获取数据，将数据串连起来，打破信息孤岛，实现业务融合，是目前智能制造的首要任务。

智能型制造业的痛点解决方案：

以现场工人的倒逼方式实施是最佳的方案，但“自扫门前雪”的形式导致信息化系统需要领头羊，就等于领头羊带着一个方向，解决内部矛盾。

因此信息化建设除非是企业的单点应用(如本来就需要手抄纸质数据，通过软件自动解读，我们称之为工具性软件)的执行层可以提出超越管理系统的要求，如MES、ERP或PDM，而在这种情况下，执行层提出的困难就等于让农民少吃点东西来支持国防建设，实属难事。

实际上在我国许多工厂的车间中，各种生产设备之间，生产设备与控制器之间，已经基本实现了同步化。在牛B一点的公司里，整个工厂都是通过制造执行系统(MES)来运作的，而业务部门则全部通过ERP来运作。

但是ERP和MES实际上并不是一回事！因此，当ERP向MES发出生产计划指令后，MES就会出现生产过程中的计划偏差(如设备故障、原料不合格等),MES则根据车间的实际情况进行调整。但ERP并不知道！因此，它将继续按照原来的计划执行订单，而在此期间，财务系统和工厂的实际情况将发生很大的偏差。

没有连贯性的原因：首先，ERP和MES的开发公司通常是两个部门，财务部门和生产部门相互协作，不仅彼此不了解对方的专业术语，而且彼此之间也不能相互沟通。此外，企业中的各个部门和生产部门通常是分开运作的，各自领导拥有自己喜爱的供应商。当然，问题工厂车间通常会定期将MES的调整结果形成表格，提交给业务部门，然后由业务部门手动调整ERP。

关于ERP和MES的问题只是工厂系统中的一个小问题，实际上工厂中还有很多其它的系统，如设计、制造、采购等等，这些系统都是信息孤岛，彼此不知道对方在做什么，到了什么程度。就等问题出现了，再逐个修改吧。当然，这也并非第一次出现，因为在工业时代，产品生命周期很长，有的产品一款能卖二三十年，这样一、两年的研发上线时间也显得不那么长，剩下的问题，就靠人工沟通，虽然有错，倒也相安无事。

但如今，产能过剩问题和网络时代的发展带来了新的变化。

全球产能过剩，导致企业竞争日益激烈，以前一件产品卖三十年都不行，现在一件产品跑得不快，有的甚至更快。因特网时代的到来，震撼了工业时代的根基，使得信息不对称。在工业时代，由于生产厂商不能很好地理解每个客户的需求，因此常常采取一刀切的方式，把多个性能组合在一起，成为一款产品。

例如你想要一双适合你脚的鞋，鞋厂却不知道你的脚有多大，所以只能量足许多人的脚后，将最集中的尺码分成40码、41码、42码等等，但如果你的脚太肥或太瘦，我很抱歉，就不这样做了。因特网改变了这种情况，人与人，人与厂商，都可以低成本地实现连接，从而让每个人的个性需求得以放大，人们越来越喜欢个性化的东西。但对个性化物品的需求并不大，这需要工业企业能够实现小批量、快速生产。

生产能力过剩和因特网迫使传统工业必须做一件事情，而工业社会最不喜欢做的事情，就是快速、小批量、定制化生产。

因此，此时最应该完成的工作是将ERP、MES等信息系统完全打通，让工厂原有的所有信息孤岛实现互联互通。这一时期，从完全自动化和部分信息化到完全自动化和完全信息化，也就是工业3.0大成功阶段。这一阶段并不需要把某一个单点功能做得尽善尽美，也不需要进行深入的研究，但数据融合是必须的。由于单点数据采集问题的解决属于AI的范畴。

AI实现智能制造的途径：

数据采集：

在智能化生产的过程中，管理系统注定要以数据采集为基础，而数据采集的基础条件就是不增加人工操作的工作量，从而获得更多的数据。AI的兴起已经给我们提供了很多借鉴，如PDF的解析、人脸识别、噪声提取等，因此在AI中，对智能制造帮助最大的就是极速获取数据，单点应用，减轻人工输入的工作量。

因此，产业AI之路注定会走到这一步：最大限度地获取非隐私数据，使用极多单点工具，让工人只做自己的工作，不再为满足需求而做一些无用功。

AI在数据收集过程中所能做的就是尽可能地提供各种单点工具。

数据处理：

因为AI系统中海量的数据量，导致的结果就是需要强大的数据转换、数据存储能力，大数据处理就需要应运而生；下图就是大数据处理的流程。

工业界对AI的探索将产生大量的数据，包括有效的数据和冗余的数据，这些数据来自于各种软件、各种工业系统、各种控制系统以及各种硬件，而大型数据的转换、集成和存储将是最大的挑战。

数据应用：

以前，一般的报表都是对少量数据进行可视化，通常显示二维或三维信息(例如，与车间内问题发生的频率是二维的)，但到了AI阶段，由于存在大量的多面数据，将需要更多的算法来处理数据并挖掘更深层次的多维信息(例如，车间内问题发生的天气状况，貌似风马牛不相及的事，可能在数据处理后显示惊人的发现)。有人说未来是软件的世界去了，其实未来更应该是算法的世界去了，因为AI帮助采集更多的数据，大数据处理有助于存储数据，但算法才是发现数据规律的铁锹，才是最重要的。