近年来，中国智能制造产业规模持续增长，呈现出良好的发展态势。

  2023 年中国智能制造相关产业规模达到 2.8万亿元，同比增长 14.9%。2024年，智能制造产值规模超过 3.2 万亿元。据赛迪顾问发布的报告称，未来三年该产业将持续保持每年15%以上的高速增长态势，预计到 2026 年，智能制造相关产业规模有望逼近4.5万亿元。

  作为一名智能制造的从业人员，我们能够切身感受到近年来行业的迅速发展，同时作为躬身入局者，我们对这个行业的发展路径、面临的阻碍以及未来的破局方向，也有一点自己的思考。

智能制造的快速发展

  智能制造产业快速发展，我们认为主要有以下几点原因：

国家政策大力支持

  2015年3月，中国工业和信息化部印发了《2015 年智能制造试点示范专项行动实施方案》，正式将智能制造上升至中国国家层面进行推进。同年7月，工信部公布46个2015年智能制造试点示范项目名单，覆盖了38个行业，分布在21个省市自治区，涉及流程制造、离散制造、智能装备和产品、智能制造新业态新模式、智能化管理、智能服务等6个类别。

  2021年12月28日，工业和信息化部等八部门联合印发了《“十四五”智能制造发展规划》。指出到 2025 年，规模以上制造业企业大部分实现数字化网络化，重点行业骨干企业初步应用智能化；到 2035 年，规模以上制造业企业全面普及数字化网络化，重点行业骨干企业基本实现智能化。

  2024年9月20日，工业和信息化部办公厅关于印发工业重点行业领域设备更新和技术改造指南的通知，到2027年，完成约200万套工业软件和80万台套工业操作系统更新换代任务。

  这些国家政策与规划的发布，极大支持了智能制造的快速发展。

技术创新不断推动

  在软件领域，工业 APP 与人工智能、云计算等新技术融合，极大推动了智能制造发展。工业 APP 将工业技术知识封装，从产品设计到运维全流程赋能。人工智能融入工业软件，赋予其强大分析与决策能力，像基于机器学习的质量检测软件，能精准识别缺陷；云计算助力工业软件云化部署，企业可按需获取资源，还便于多地点协同工作。此外，大数据处理技术使工业软件能挖掘海量生产数据价值，为企业决策提供支撑；数字孪生技术则通过创建物理系统虚拟模型，实时反映其状态，辅助生产优化与故障诊断。

  从硬件方面来看，物联网传感器、先进工业机器人以及高性能计算芯片等创新技术作用显著。物联网传感器可实时采集设备、生产环境等各类数据，为智能制造提供数据基础。先进工业机器人具备更高精度与灵活性，能完成复杂装配、搬运等任务，大幅提升生产效率与质量。高性能计算芯片为数据处理与复杂算法运行提供强大算力，支撑机器视觉、智能控制等应用。例如英特尔十二代酷睿处理器及锐炫 A770 独立显卡，助力视觉缺陷检测系统实现高效图像采集与 AI 分析。

  软硬件的结合是智能制造发展的关键。软件通过数据分析生成决策指令，硬件负责执行这些指令，二者相辅相成。如在智能工厂中，软件依据生产计划与实时数据生成设备控制指令，硬件设备按照指令精准运作，完成生产任务。这种紧密结合构建起高效、智能的生产系统，推动智能制造不断迈向新高度，持续提升制造业的竞争力与创新力 。

制造企业重金投入

  在当今竞争激烈的市场环境下，企业为了提升自身的竞争力，纷纷在智能制造领域进行大规模投入。

  首先，在设备更新方面，企业不惜斥巨资购置先进的自动化生产设备和工业机器人。这些设备能够实现高精度、高效率的生产，大大提高了产品质量和生产效率。例如，汽车制造企业引入了大量的焊接机器人和自动化装配线，不仅减少了人工成本，还提升了生产的稳定性和一致性。同时，企业还投入大量资金建设智能工厂，对工厂的布局进行优化，实现生产流程的智能化和信息化管理，以提高整体生产效率和灵活性。

  其次，企业在智能制造领域的投入还体现在软件系统的开发和应用上。为了实现生产过程的精准控制和优化，企业购买或自主研发了各种工业软件，如制造执行系统（MES）、企业资源计划（ERP）系统等。这些软件系统能够实现对生产计划、物料管理、质量控制等环节的实时监控和管理，帮助企业及时发现问题并进行调整。此外，企业还积极投入资金进行人工智能、大数据等技术的研发和应用，通过对生产数据的分析和挖掘，实现生产过程的预测性维护、质量优化和成本控制。例如，一些电子制造企业利用大数据分析技术对产品的生产数据进行分析，提前预测产品的质量问题，从而采取相应的措施进行改进，降低了产品的次品率。

  企业的重金投入也促进了智能制造的全面应用与发展。

智能制造的困境分析及总结

  在政策驱动、技术创新、企业投入及应用场景不断拓展的推动下，智能制造正以前所未有的速度蓬勃发展。但在发展的过程中也遇到了不少困境与问题。

  在产品研制层面，在企业研发工艺制造的全流程中，业务协同是实现高效运作的关键。然而，在设计工艺协同、工艺制造协同等环节，存在诸多问题。缺乏设计与工艺协同工作的标准化流程和机制，双方各自为战，没有形成有效的协同设计模式。设计阶段往往忽视工艺要求，而工艺阶段只能被动适应设计结果，无法在早期参与设计优化。工艺规划阶段制定的工艺方案，在向制造执行环节传递时，由于对生产现场实际情况考虑不足，导致方案难以执行。工艺参数设置不合理、工艺流程设计复杂，超出生产设备和人员的实际能力范围。研发、工艺、制造等环节使用的系统不同，数据格式和标准各异，导致数据难以共享和整合。

  在工厂的规划建设运维层面，作为智能制造发展重要载体的智能工厂，企业往往过于追求先进技术和概念，而未充分结合自身产品特点、工艺成熟度、生产流程和市场需求，导致规划方案无法有效落地或达不到预期效果。同时智能工厂建设是一个复杂的系统工程，涉及多个环节和部门。若缺乏整体规划，各子系统与设备之间可能无法有效集成和协同工作，影响生产效率和管理效能。大量先进自动化设备与精密仪器的配备，这些设备结构复杂、技术含量高。一旦出现故障，维护难度大，维修周期长，可能导致生产线停工并造成损失。

  在内部生产管控层面，制造型企业面临计划调度、执行监控、资源管理、质量管理、软件系统与硬件设备协同等多方面的问题与困境。生产计划在制定过程中，对企业自身生产能力、设备状态、原材料供应等因素的综合评估不足，计划可行性差，执行过程中频繁调整，影响生产稳定性。生产现场作业流程不规范、标准不统一，导致产品质量不稳定。不同员工操作方式存在差异，一些关键工序缺乏明确的操作指导，使得产品合格率难以保证。软件系统（如生产计划管理软件）制定的计划指令，难以精准、及时地传输至硬件设备。在生产执行与监控过程中，硬件设备采集的数据无法有效传输至软件系统进行分析处理。导致软件系统无法实时获取硬件设备的真实运行情况，难以做出准确的生产决策。

  在外部供应链协同层面，企业与供应商之间普遍存在信息不对称的情况。企业往往难以将自身准确的生产计划、库存状态、需求预测等信息及时传递给供应商，导致供应商无法合理安排生产与备货。在产品质量管控方面，企业与供应商之间的协同存在明显短板。企业缺乏对供应商生产过程的有效监督，无法及时发现和纠正质量问题。企业在收货检验时才发现质量问题，不仅增加了退换货成本，还可能延误生产进度。同时，双方在质量问题追溯和改进方面的协同不够。当产品出现质量问题时，企业与供应商之间相互推诿责任，无法快速定位问题根源及进行改善。

  在数实融合层面，数字孪生要求业务流程具备高度的敏捷性和数据驱动性，以便及时将物理实体的变化反馈到虚拟模型中，并依据模型分析结果调整生产活动。但实际情况是，企业的设计工艺、工厂规划、生产计划制定、物料采购、质量检测等流程仍依赖人工经验和固定规则，难以快速响应数字孪生模型提供的动态决策建议，导致新技术与现有业务流程无法有效融合，无法充分发挥数字孪生对业务流程优化的作用。企业在业务决策过程中，对数字孪生产生的数据利用不充分，尚未建立起完善的数据驱动决策体系。大量的生产数据、设备数据、质量数据等在经过数字孪生模型分析后，未能与企业的战略规划、市场分析、资源配置等业务决策场景有效结合。

  如上所述，各个企业重金投入，购置了大量设备，打造了诸多系统。但各自闪耀的软件及硬件系统如同一座座独立岛屿，虽然各自精彩纷呈，却因为缺乏彼此的贯通，令数据流如同被禁锢的溪流，形成了一个个封闭的数据湖泊，无法汇聚成海，彼此流通。这种“业务断链、数据断流” 信息孤岛的困境，大大削弱了智能制造本应具备的快速响应和协调联动的能力。

总结：业务协同、数据贯通、软硬一体、数实融合面临巨大的挑战。

未来建设思路解析

  针对业务协同、数据贯通、软硬一体、数实融合面临的巨大挑战，导致不同业务环节之间的数字量传递存在断点，需大量人工介入。数字信息相互之间关联度低，质量不高，难于解析与有效控制。价值流中数字化信息没有形成完整闭环链路，难以驱动产品质量等的持续提升。数字信息有效利用不足，导致数字信息价值挖掘与体现不够的问题及困境。

  我们提出来五种思路来进行应对。

思路一：构建产品研制数字化价值流，通过Xbom贯穿设计、工艺、制造各环节，设计环节充分考虑工艺可行性，工艺环节紧密结合制造实际，采购环节与设计、工艺、制造的协同等等，实现业务及数据层面的协同与优化。

思路二：构建工厂生命周期数字化价值流，结合自身成熟度及行业标准，同时对标行业先进，进行工厂从规划设计到运营保障的全生命周期管控，提升生产效率和资源综合利用率，缩短产品研制周期，降低运营成本和产品不良品率，从而提升企业的数字化、智能化制造水平，实现制造模式的升级转型。

思路三：构建生产管控数字化价值流，通过企业、工厂、车间、班组、产线、设备多级计划的协同，提升企业响应能力与生产效率；通过生产指令下发与设备数据采集，实现软硬之间的高效配合；通过生产现场智能工位，实现人机料法环测多生产要素全覆盖，多制造类型全支撑。

思路四：构建供应链协同数字化价值流，通过供应商协同管理平台，在供应商与企业之间搭建高效沟通渠道，实现精细化/结构化、质量及关键节点过程全面管控，同时以综合数据分析与优化辅助供应链效能改进。

思路五：构建数字孪生，实现迭代优化，通过对物理工厂高度仿真的虚拟工厂。工厂的所有组成都在虚拟世界被定义、仿真以及优化，为真实的物理工厂建立起一个高度仿真的数字映射，实现精益化、智能化、透明化；通过互联互通、深度感知的物理工厂，以过程控制和智能分析技术为核心进行数字化生产执行、控制，并采集物理工厂数据实时反馈到虚拟工厂供决策分析。

思路一：构建产品研制数字化价值流

  BOM，Bill of Material，即物料清单，狭义上是指产品所需零部件明细表及其结构，广义上应该包含与之关联的所有数据信息集合，通过产品分解结构有效组织相关联数据信息。而xBOM是围绕产品全生命周期数据管理过程，基于不同业务视角对产品结构以及数据进行构建和组织，从而形成面向不同业务单元（例如：设计、制造、服务等）的BOM视图，满足不同业务用户对产品数据和信息的管理、查看及使用需要。

  不同的BOM存在于不同的系统之中，不同系统的建设常以单一功能系统为单元（如：单独建设PDM、三维工艺），缺乏以全局视角、联合团队（研发、工艺、生产制造、采购）、一体化集成方式来推动项目。

  PDM与工艺平台的建设目前通常采用正向设计模式，少以生产制造与采购端的问题为导向，IT系统的功能建设与业务耦合度还不够深，设计、工艺、制造业务断点较为明显，各职能部门/业务单元对数字链贯通中存在问题的识别不够，相关问题难以追根溯源处置，常采用“推动式”方式，缺乏“拉动式”，导致“功能通”“工程不通”的局面。

  针对这些问题需要围绕xBOM数字链贯通为核心补足缺失的BOM能力，实现单点业务领域的BOM全覆盖，修复完善xBOM数字链贯通过程中的业务断点，拉通xBOM端到端的正反向数字链，构建多业务单元交织的数字网络，实现技术状态全面管控、全局更改与追踪追溯。

  E-BOM从物理特性（外形、尺寸、安装等）的角度来描述产品的构成关系，所有参与产品装配的零组件，不论是结构件还是系统件，都将在工程视图中体现，其反映产品组成的物料清单（包含硬件、软件或其集合体），是设计数据完整、准确、有效的向下游流转的业务载体，是各专业设计成果的承载，并用于与制造、保障等环节传递与协调的基础。

  PBOM针对产品详细工艺设计过程进行规划及组织，主要是用于表达具体产品工艺规划及工艺设计过程，包括补充工艺设计所需试验件以及组合件，完善工艺规程、工艺定额以及工艺要求等信息，从而实现为后续产品的生产实际过程提供完整、准确、一致、有效的数据源头。PBOM做为“承上启下”单一数据源，更值得关注。

  在PBOM构建的时候需要整合不同业务环节对PBOM数据的业务应用需要，特别是制造端面向PBOM需要提供的数据内容，对PBOM进行完善及调整，保证PBOM数据准确性、完整性。

  制造BOM实现对型号产品在制造过程中进行规划及组织，通过网络模型组织用于计划规划、生产准备和组织的各类信息，包括工艺分工、工艺路线、（工时、材料）定额、设备、原材料/辅料等信息，从而支撑型号的生产/试验等过程。MBOM可分层级进行构建，以满足不同角色的需求。

  实做BOM实现对型号产品在制过程中的数据全面收集，监控、反馈。型号制造完成时，各组成零部件的实物状态（包括序列号、加工记录、不一致偏差等），也包含产品软件和硬件装机版本等相关信息。

  通过xBOM管理体系修复原有数字链断点，拉通产品全生命周期端到端的数字链，满足不同业务用户在不同阶段对产品数据和信息的管理、查看及使用需要。

思路二：构建工厂生命周期数字化价值流

  在进行工厂规划之前，要进行充分的自我评估，可以参考国家、行业相关标准，对车间现状进行评估，识别差距，确立目标和实施改进。例如：

●  GB/T 39116-2020《智能制造能力成熟度模型》、

●  GB/T 39117-2020《智能制造能力成熟度评估方法》，

  在进行充分评估后，得出自身成熟度水平，是规划级、规范级、集成级、优化级还是引领级。同时需要牢记不要在落后的工艺基础上搞自动化，不要在落后的管理上基础搞信息化，及不要在不具备数字化网络化基础时搞智能化。

  在明确自身成熟度后开展规划设计，可以参考IEC/ISO 62264标准定义的制造企业功能层次模型、GB/T37393-2019提出数字化车间体系结构等国家、行业相关标准模型，结合自身业务现状和需求，制定车间总体架构、组成模块与功能以及建设范围。

  同时，可以参考灯塔工厂三个建设方向的成功案例，例如：

●  第一个方向“单体灯塔”。比较关注工厂或者车间本身先进技术的应用，以及运营模式的管理，主要涉及数字装配与加工、数字设备维护、数字化绩效管理、数字质量管理、数字化可持续发展。

●  第二个方向“端到端灯塔”。不仅关注工厂本身，也会关注从工厂延展出来的上游和下游，主要涉及供应网络连接性、端到端产品开发、端到端规划、端到端交付、客户连接性。

●  第三个方向“可持续灯塔”。在满足先进技术应用以及规模化效益的基础上，会更多地关注工厂在可持续性方面的一些技术用例和好的实践。

  结合不同制造类型分析，价值流程图分析，SLP理论等进行工厂的总体规划与建设。例如：品种大量生产适合流水线的方式，中品种中量生产适合柔性制造单元生产方式，而多品种小批量生产适合单件流生产方式等。

思路三：构建生产管控数字化价值流

  ISA95企业架构分为5层，上两层为IT的管理系统，下三层为OT的数采及设备，在纵向的生产管控过程中，往往面临IT信息系统与OT设备之间无法互联互通，多级计划无法协同调动与配合，生产现场多制造类型多生产要素无法同时支撑的问题。

  在推进IT/OT融合的过程中，需要加强彼此之间的理解，同时统一技术语言，从IT的角度构建设备层数据模型，实现设备层数据自底向上的服务提供，从OT关注安全与性能的角度，自顶向下实现数据的采集。军工单位也可以通过建设智联融网来满足IT/OT融合的需求。企业应制定涵盖数据格式、接口协议、通信标准等方面的统一规范，确保 IT 和 OT 系统数据能相互识别和交互。同时，参考行业标准和国际标准，使企业标准与外部环境兼容，便于与供应商、合作伙伴的数据共享与协同。搭建统一的 IT-OT 融合技术平台，作为数据处理和业务协同的核心枢纽。该平台集成数据采集、存储、分析、可视化等功能，支持多源异构数据接入和处理，实现 IT 系统与 OT 系统的互联互通。利用物联网、云计算、边缘计算等技术，提升数据处理效率和实时性。

  以生产计划排程、供应链优化、运输优化、仓储优化、计划模拟为基础，首先从企业多个系统及数据源采集数据，包括企业资源计划（ERP）系统中的订单信息、物料库存数据，制造执行系统（MES）中的设备运行状态、生产进度数据，以及产品研发设计环节的工艺路线、BOM（物料清单）等数据，形成系统运行的基础数据池。同时根据实际情况设定约束。包括设备产能约束，、物料供应约束、库存水平、人力约束，以及工艺约束等。这些约束条件构建了生产计划与排程的边界，确保生成的方案具有实际可行性。在获取数据、完成需求分析和设定约束条件后，利用高级优化算法，如遗传算法、模拟退火算法等，对生产计划和排程进行优化。系统会在满足各种约束条件的前提下，综合考虑生产成本、交货期、设备利用率等多个目标，生成最优的生产计划和排程方案。并随着实际情况的变化，动态更新排程方案。

  通过提供面向业务领域的专用建模工具，及面向IT的通用建模工具，及具有核心技术的组件，通过BPM平台，构建满足不同行业与制造类型的制造运营管理系统，围绕计划、工艺、物流、质量、设备、生产及精益优化，打造“智能工位”，通过智能推送实现现场一个终端完成所有操作。工作人员可查询到自己名下的所有工单，自动展示当前工单当前工序对应的工艺文件、工作指导、3D模型等；物料上料如果不足，自动报警，工序/工步完工时，自动触发报工与物料消耗；质检人员实时录入质检值；工单、人员、时间、物料批次/序号信息完工报工后，实现制造履历的输出。

思路四：构建供应链协同数字化价值流

  对于产品形态多，系统庞大、零部件数量多，各类产品的加工、生产过程十分繁琐、艰巨，需要数十家单位协同研制型的企业。由于缺乏信息化支撑手段，内外部协同工作管控依赖传统人工管理，相互沟通主要依靠电话、邮件，导致信息反馈较为困难，对于外协单位的进度无法及时掌握与指导，无法及时获悉外协产品的当前状态，造成最后交付时才发现需要延期的拖起隐患。此外，外协单位也会因为计划、投放、完工状态没有区分导致订单管理混乱；外协单位的工艺编制不规范，无法保证继承性与良品率；外协过程中的设计问题、生产问题与质量检验无法及时反馈沟通，导致无法提前消除变更隐患，无形增加了周期与成本。

  在企业内部管控的基础上，横向扩展至供应商管理。构建面向供应商的协同管理统一平台，线上管控，取消线下人工管理，实现与供应商的实时合作，迅速反应。通过供应商协同管理平台的建设，实现所内对外协订单的计划、评审、质量检验、物资管理、生产等过程的关键及重要节点的有效管控，了解各业务过程进度，从而有效降低人工及成产成本。

  通过供应商协同管理平台的建设，面向订单管理、计划管理、质量管理、合同管理、物资采购管理、供应商管理等全要素进行结构化、精细化的全面管控，从而大力提升产品及供应商服务质量。

  构建所内与供应商协作交流的载体，以订单任务为驱动，实现与供应商在订单数据、计划问题、质量问题、生产问题、采购管理、合同管理、供应商认证等数据交互方面实现高效的沟通渠道，从而缩短外协任务周期。

  关键节点及质量管控，实现所内对外协订单的计划、评审、质量检验、物资管理、生产等过程的关键及重要节点的有效管控，了解各业务过程进度，从而有效降低人工及成产成本。

  精细化/结构化全面管控，面向订单管理、计划管理、质量管理、合同管理、物资采购管理、供应商管理等全要素进行结构化、精细化的全面管控，从而大力提升产品及供应商服务质量。

  综合数据分析与优化，通过对供应商全生命周期结构化数据的采集，形成供应商完整数据包，并通过实时多维报表，数据分析与优化决策，提升供应商协同整体效率。

思路五：数字孪生，迭代优化

  智能工厂以产品全生命周期的相关数据为基础，在计算机虚拟环境中，对整个生产过程进行仿真、评估和优化，由虚拟工厂和物理工厂组成。

  虚拟工厂描述虚拟世界数字模型间的交互，以系统仿真技术为核心，构建能真实模拟实际工厂运行的仿真运行环境，支持资源评估、预测和优化，提高制造端创造价值过程的透明度，支持复杂系统的正确决策。

  物理工厂信息模型描述生产系统在现实世界中的行为及交互，面向制造执行过程，以过程控制和智能分析技术为核心，搭建数字化生产管理平台，支持生产过程的可控、可追溯和柔性化，跟踪控制制造过程，保障生产运行平稳，延伸描述“使用中”的产品，提供服务支持。

  通过虚拟工厂输入管理信息对现实世界的决策与执行产生重要影响，而虚拟工厂也通过物理工厂信息模型保持模型与现实世界同步。构建完整的“数实融合”迭代寻优模式，持续改进企业运营，支持制造系统的持续改进与优化。

  数字孪生的智能工厂通过三层框架进行构建，分为异源环境适配层、建模与运行管理层、多端接入与应用呈现层。

异源环境适配：智能工厂内大量部署物联网传感器、智能仪表等设备，实时采集生产设备运行参数、物料状态、环境指标、产品质量检测数据等多源信息。这些数据通过 5G、工业以太网等通信网络，高速、稳定地传输至数据中心，形成工厂运行的原始数据池，为数字孪生模型构建与运行提供基础。

建模与运行管理：基于采集的数据，利用三维建模、仿真等技术构建工厂的数字孪生模型，涵盖生产设备、生产线、车间布局乃至整个工厂的虚拟映射。模型不仅呈现物理实体的外观结构，还能精准模拟其运行逻辑、工艺流程与交互关系。物理工厂与数字孪生模型保持双向交互，一方面物理工厂的实时数据驱动模型更新；另一方面，模型仿真分析得出的优化策略反馈至物理工厂。基于数字孪生模型的分析结果，智能工厂的管理系统可自动生成决策指令，控制生产设备、物流系统、能源管理系统等协同运行。

多端接入与应用呈现：可实现通过多终端接入访问及协同交流，并实现多种场景的应用，例如，当模型仿真发现某条生产线产能不足时，系统自动调整生产计划，重新分配任务至其他设备，实现生产资源的动态优化配置。根据订单需求和生产进度，自动调度 AGV 小车完成物料配送；依据能源消耗数据，智能调节设备运行功率，实现节能降耗 。预测设备故障、生产瓶颈、质量波动等潜在问题。通过对设备历史运行数据和实时参数的分析，提前预判设备故障风险，生成维护预警。

实施建议

  不同行业、不同企业、不同业务领域，智能制造建设存在不同的进度。对此，我们依据智能制造深度补贴，将企业的智能制造发展分为四个阶段。建议企业先评估目前自身处于第几个阶段，可以参照下表解决不同阶段的问题。

阶段一：数字化价值流存在断点。

建议：补齐PDM、MPM、MES等系统能力短板；实现PDM、MPM、MES等系统之间的互联互通。

阶段二：数字化价值流连接基点已基本建立，但相互之间衔接不畅。

建议：实施MBD，实现三维数字化定义；将模型应用于工艺、制造、检验等全过程，实现设计制造一体化；扩展智能工厂规划与建设。

阶段三：数字化价值流衔接顺畅，但虚实鸿沟没有跨越，多条数字化价值流没有贯通。

建议：打通产品设计制造一体化链路；构建价值链纵向与横向协同，厂内各部门、各专业的纵向协同，以及与外部单位的横向协同；实现工厂从规划建设到运维保障的协同。

阶段四：数字化价值流已基本贯通，但对虚拟世界中的数据利用率低，虚实融合不足，智能决策需完善。

建议：引入工业大数据分析能力及AI决策模型；构建基于模型分析驱动的产品及制造过程优化改进的闭环管理能力。