谈谈智能制造的核心价值

一、前言

智能制造是非常热门的话题，自2015年热起，已经经历了物料网、大数据、云计算、AR/VR、人工智能、产业互联网、工业互联网以及最近的工业APP，热点转移频繁。

其实，智能制造其核心是制造而不是智能，智能是需要为制造赋能的。那么智能到底能为制造赋什么能呢？

回答了这个问题，也就溯源了智能制造的本质。

二、制造的本质

制造，制造，就是“制”和“造”，工厂是其载体。其本质是生产产品。而生产产品的就是从供应商购入物料，经过制造转变为产成品的过程。依据这个的本质定义，制造（工厂）的本质是物料的流动（从供应商流入，经过转换，流出至客户的过程）。

依据这个解释，并可以推理出制造物料流动的特性：

1、守恒性

从供应商流入，流出至客户的物料流动，在一段时间内守恒：即，期初+流入=库存+流出。

这个非常好理解，物质不灭定律。

2、相应性限制

物料在工厂的流动，需要受到两个限制：

其一，受到工艺路线的限制。众所周知，产品的具有BOM（物料清单）结构的限制，而BOM结构是有层级的。BOM的各个层级之需要工艺路线串接。依据BOM结构和工艺路线，离散型工厂的物流形态，一般可以区分为V、A、T、I四种。

其二，受到工厂物流路径的限制。任何工厂都受到物理条件（空间）的限制，均经过收料暂存、存货区、备货区、车间暂存、在线（机台）、入库暂存、入库、备货等区域。

3、流动性制约

既然制造（工厂）的本质是物料流动，而流动性必然受到制约因素的制约。流动性的制约因素，可以区分为外部与内部两个大类。

流动性的外部制约，可以区分为市场和供应两个类型。市场是受制于客户群、客户的需求量。手机销量从高速增长，到消费疲软是市场限制。供应商受制于供应商的种类、产能和技术水平等。半导体行业中的光刻机，是典型的供应制约因素。

流动性的内部制约，可以区分为政策和物理两个类型。流动性的内部政策制约其种类非常多，如衡量（比如阿米巴、KPI考核）、组织、人员编制、方法、流程等等。流动性的政策制约，往往是两个极端：做多和做少。大公司、国有企业等等企业往往做多，比如一大堆的学习、一大堆的考核，配置了一大堆的间接人员。而广大中小民营企业往往是做少，把人作为成本而非资源，把必要的管理配置，变成了费用控制。中小民营企业往往是欠管理，该管的事情都没有管起来。流动性的内部物理制约，大家非常好理解，就是设备、设施不足。设备不足大家均可理解，当前操作工不足也是非常大的比例。设置不足也可以理解：厂房不足、水电气、存放空间不足等等。

流动性制约了系统的产出，需要最大改善的之处。

4、变动性影响

世界是客观变化的，尤其是当今。《重构，数字化的转型逻辑》中以十分大的篇幅讲述了不确定度对当今社会的影响。

建立一个简单的模型，来分析制造（工厂）的变动性，更易理解：

第一，外部

外部客户：客户对产品需求在变多、变杂、需求的速度在变短。任何产品均变成了时尚品。

外部供应商：因为产品生产周期短、订单量变小、变散，致使供应商的组织、形态在变化。尤其是劳动力短缺、高智商人才的就业多元化，致使供应商的生产组织能力、水平下降，供应商的质量水平、交期保障等一致性变差。

第二，内部

内部政策，因为外部变化，使得内部的政策稳定性变差，尤其是员工的流失率过高，致使内部控制力下降。

内部产能，管理水平（设备能力在提升）、员工、产品复杂度等的变化，使得产能的变动性也在增加（不稳定的质量，均需要产能弥补）。

而且，更加恐怖的是，变动性有腐蚀作用，对生产过程的伤害非常大。供应链的牛鞭效应在制造（工厂）内部也一样适用。

三、智能制造

智能制造至少在国内是最近几年兴起的新词汇，是一个演变的过程。制造制造有三个含义：

其一，集成

信息化强调的是“集成”，通过将研发、设计、工艺、制造、销售、采购等业务环节的数据集成在一个平台上，实现数据的互联互通，打破信息孤岛，实现从销售，产品、制造、供应链或服务过程的协同。

其二，建模

数字化强调的是“建模（虚拟和仿真）”，运用CAD/CAM/CAE 、CAPP、PDM/PLM等软件，实现产品和制造过程的建模和仿真。单元级、系统级、系统的系统级的CPS、数字双胞胎都是产品、制造（工厂）的实体模拟。自然，要实现产品和制造（工厂）的全过程建模和仿真，需要足够的时间和预算支撑。

其三，决策

信息化侧重于数据的收集、记录、存储，数字化侧重于对数据的处理、分析，而智能化重点在于对数据的应用：提高能见度、辅助决策。实现“分散数据整合化（通过数据收集实现）”、“整合数据可视化（通过数字化建模实现）”、“可视数据实用化（通过基于数据的决策实现）”的逻辑。

四、制造（工厂）运作的本质

生产运作管理发展历史久远，《科学管理原理》一书发行已经超过100年，MRP、Lean、TOC是生产运作管理最基本的三个方法论。尤其是精益生产更是深入人心。但是，溯源究本，可能《工厂物理学》所揭示的本质才是最根本的：

作为《工厂物理学》第一定律的里特定律，清晰地揭示了一个事实，要达到客户满意（准交和短交）、老板满意（高产出、高效率），别无他法，只有控制在制品的投放即可。

如何控制呢？只要分析生产任务的状态，就可以得出明显的结论：

1、识别生产任务的状态

2、识别产出的绩效状态（交付、产出）

3、投放该投放的生产任务

（吐槽：按照这个原理，似乎阿米巴、积分制不太好用了）

五、【智能】对【制造】的赋能

从讨论制造的本质可知，制造的本质是物料的流动，所以管理制造过程物料的流动性是关键中的关键。

因为产品生命周期短、客户需求多样化，造成了订单品种多、订单批量小、订单变动多、订单周期短，致使制造（工厂）运作管理的复杂度大幅度增加（几何曲线），如何通过控制生产任务的投放取得好绩效（客户满意度高、投资回报率高）成为了难题。而智能制造恰恰为此实现提供了可能性。

依据以上阐述，对于制造过程而言，控制生产任务的投放是核心环节，则可以推知，其信息系统模块中，APS是关键环节，甚至说一个数字化工厂，一个智能制造系统中，没有APS，发挥不了真正的核心价值。

APS高级计划和排程，一般实现三个功能：

其一，是长周期的物料和产能展望。

制造过程本质是一个长周期内的循环过程，需要针对未来的市场发展做长周期的展望。长的展望周期是52周的，一般的企业也有12周（C+3）的滚动需求分析，以预先配置资源，响应客户需求。

其二，是异常的仿真模拟和分析

需求过程、制造过程都是一个高度变化的，尤其是不确定度非常高的今天，需求端的订单、供应端的送货、制造（工厂）端的产能变动是常态。这些变化对销售订单的影响、对制造（工厂）产出绩效的影响都需要实时、动态的模拟分析，以做出科学的决策。

其三，全局、高精度、实时、优化的计划和排程

制造（工厂）一般是典型的多组织（多个车间、串并联结构）的协同过程，手工计划和协同时，因为算力限制，一般对车间级的独立计划和排程，通过日调度会、周S&OP会议协同，不能做到实时、全局的计划和排程，更无法提及优化，实现客户满意度和资源产出效率的优化（客户满意度与资源效率为冲突）。