数字化要从装备底层做起，在外围打转总是事倍功半——不能解决核心工艺技术这个一直长期存在的问题。

1. 数字化转型背景—几种常见场景

产生这个的背景的确在于“转型”的需要，对于中国过去数十年的制造业而言，主要是一个生产产品的问题，比如买来成型类设备，生产出零部件然后进行组装，第二种是引进成套产线如LCD生产线，进行生产，这里存在几个转型需求：

① 对于成套产线来说，引进时主要为了某种产品，但是，随着时代的变化，这些产品已经过时了，例如，当年的英雄笔、中华铅笔、电视机、空调这类，因为，当工艺变化了，原来的产线已经不胜任了，而我们只是买来了生产特定产品，因此，这使得我们在变化的市场中无法适应变化而遭遇淘汰的风险。

图1-一条引进进的触摸屏生产线

② 对于非成套的工厂，如果我们把离散制造分为“成型工艺”设备生产零部件，然后后道进行组装，那么，这样的产线的问题就在于，需要将原来手工、大量耗费人工的产线改为连续的自动组装线。这个转型的目的在于通过数字化运营管理提升效率。 

图2-用于电子制造的分度盘

③ 对于原有的粗放型管理，现在随着竞争的加剧，锱铢必较，因此，需要通过数字化对其进行透明化、可视化，以获得改善的方向，向运营管理要效率的问题。

在这几个转型中，第一种情况就是要把原来成套引进产线改为能够自适应新生产的柔性模式，并对其进行改造，第二种情况则是对后道进行机器人、输送技术的连线（生产物流）来提升效率，第三种则意味着通过数字化来改变整体公司的管理水平。

2. 现在的数字化聚焦似乎都在外围打转

但是，新形势下我们遇到的问题，可能不是数字化转型能解决的，因为，我们需要思考以下几个问题：

① 卡脖子一般都卡在了哪里？仔细分析问题，我们觉得是芯片被卡脖子了，但是，再仔细解析问题是制造芯片的设备和材料被卡脖子了，因为如果这些掌握在我们手里，那就没有办法卡芯片这个最终产品的脖子，因此，所谓的卡脖子—都是在制造设备这方面的问题，而不是具体最终那个产品的问题。

就像半导体行业，如果你有设备-那么就可以生产-这个时候，我们说通过数字化来提升效率，确保良品率是有意义的，但是，现在设备就不在我们这里，如果不卖给我们设备和材料，那就无法生产，而如果掌握设备，才能在这个基础上去进行数字化集成。

图4-半导体工艺制程及关键设备

② 工艺问题能不能绕开？-如果解决问题都在外围，边缘解决问题，那么，就不是真正的解决问题，而只是延缓了，或者看上去解决了问题，而实际问题被继续拖延，就像病人诊断错误，然后给出了错误的治疗方案。装备的工艺才是关键，这些问题不解决，还是只能大量进口设备、采购材料，最终产品的高额利润仍然是不在你的手里，生产是可以生产的，但是，赚钱都不是你的—这并没有改变数十年来的格局啊！因此，工艺技术掌握在自己手里还是必要的。这个路不能避开。

③ 为什么掌握设备工艺才能真正完成转型？

（1）.因为数据在设备上，而如果人家不给你开放，你也拿不到数据，如何数字化转型？很多搞数字化的都谈到这个话题。一个讨论的维度是这些设备是进口的，他们并未开放所需的数据，而缺乏必要的数据，那么你的采集、分析和应用就残缺不全。第二个维度是由IT厂商主导数字化，可能缺乏由原有的设备控制系统提供商来进行的便利，毕竟数据可以在内存里直接访问这件事情可能对于IT厂商还是缺乏条件的。

（2）.优化的结果也要设备执行，可是设备却没有执行能力怎么办？现在数字化在制造现场遇到的很多问题就是下行数据下发的问题--这同样是一个普遍的问题。在印刷厂，数字化系统如ERP/MES都不能被有效的下发，那就无法完成自主执行—这个问题怎么解决？那数字化转型的意义又在哪里？在很多领域都是IT和OT事实上两张皮，并不能真正做到“自主决策并自主执行”--在表面上看，似乎实现了数字化，但在本质意义上却并未真正融合。

3. 归根结底要解决设备的数字化转型

综合上面所述，结论就是要真正实现数字化转型，必须在工艺设备上下功夫，就像大飞机，肯定不能否认把各个零部件组装起来这个“工程”本身的难度—因为，集成的过程本身就是一种工程创新。但是，发动机、航电、液压系统这些关键零部件还是别人的。但是，零部件如发动机，它本身也是一个集成过程啊！因此，设备本身的工程集成也是技术含量不低的工作。

4. 装备的数字化包含哪些方面的工作？

装备这个行业长期被大家忽视，郭老师之前在一次在线会议及他的文章中都提到非常重要的观点，高科技最终是要完成高品质的产品，因此，我和郭老师回复，是这样的，并非什么芯片就是高科技—如果这个芯片只是90nm制程，在目前也算不上高科技。或者高铁、船舶就是高端制造业—高端不高端不是由行业决定的，而是由在这个行业里它的横向比较来评价的，就像你不能认为伺服电机就是高端的，而是动态响应能力、稳定性有一个衡量指标才能被称为高端的，因为异步电机、步进电机也有做的非常高端的。

图5-大型饮料灌装系统

如果我们这些基本的常识性问题都尚未厘清，那么，我们对制造业的认知就是偏差很大的。所谓失之毫厘谬以千里。

装备的数字化其实包含了几个方面：

① 装备的数字化设计

这里就必须提到工业软件的问题，CAD/CAE这些软件都很贵吗？这就是个认知问题，记得好几年前，我和L老师谈到建模仿真的重要性，以及我们在很多项目中通过这种建模仿真如何降低研发成本。L老师问了我一个拷问灵魂的问题“你说建模仿真这么好，为什么国内很多都不大用呢？”—我倒也在那一瞬间想明白了，建模仿真软件主要解决在测试验证环节的成本节省问题，因为物理的测试验证代价非常高，像风动测试、材料的测试等。那一瞬间想明白了，因为我们的装备是复制那些已经被欧美厂商验证过的机械与控制系统。因此，就会出现无需测试验证的问题-这个时候，CAD/CAE/仿真软件的价值就发挥不出来，而仅仅是用于绘图，那么，你一定会觉得这个软件很昂贵—但是，如果你真正是自主研发的创新装备，这些软件会大量节省你的成本，甚至可能那个软件的成本无非是几次材料测试的成本。

图6-建模仿真的优点

数字化设计软件，它主要是通过知识复用—其实，是把已有的行业知识给封装了，降低了大家开发的成本。因此，它的核心作用是为了降低成本，所以，在逻辑上，它不会是一个高昂的成本，因为，如果你自己取做这个软件，成本大概比你买要高很多倍。因为你分享的是前人大量的经验、知识--如果你知道知识的价值，你才会理解软件的价值。

图7-基于模型的工程（MBSE）

在很多行业，机器本身的参数都是通过经验来获得的，后来发现国外为什么要花费代价去做这些建模工作，因为，这是一个长期可用的问题。由于国内的生产规模往往比较大，通过规模效应来降低成本，这使得即使一次测试可以长期生产，那么在测试过程中的浪费就会忽略不计。就像有一次和弹簧机的用户谈到为什么不建模仿真做机器，他说这个需求在国内并不大，因为国内有很多产业集群，他们就只生产某些固定的产品-低压开关里的弹簧，或者仅生产圆珠笔里的弹簧，机器并不需要各种产品变化，一次调校就会生产很久，甚至一年都是这个产品。

但是，欧美他们做这个因为市场小，客户需求千变万化，因此，他们必须进行适配性工艺建模，以让机器能够生产非常差异化的产品的能力—因此，从需求和实际行动两个视角来看，数字化设计软件—这个最近几年都在热议的工业软件话题，其背后逻辑就是我们的制造业需要转型，通过提供更为个性化的产品来赢得市场。通过创新—需要意识到，创新是代价很高的，来获得市场，而这个创新，如何降低成本，需要通过数字化的方式来实现—关于这个问题，其实，都没有必要讲了，因为有太多的人讲，但背后的逻辑要梳理清楚。

② 装备具有的数字化集成能力

数字化转型的意义在于，利用数字化能力，数字化能力最大的优势是“灵活性”，即，企业的战略永远在于解决企业如何在VUCA的环境下胜出，通过数字化来实现信息的高效，决策的高效来快速应对变化，那么，这个制造工厂也要有能力去执行企业的战略—如何去在变化中生产客户需要的高品质产品？

2.1物理建模-提升机器的生产应变能力

建模就是把各种可能性进行建模，形成一个内部的算法，在输入各种变量（材料特性、规格等）然后自动为其计算出在逻辑任务、运动控制任务方面的调节，以胜任新的生产变化。

 图8-工业软件的本质是知识复用

通过软件的配置，形成新的生产任务，但是，制造业的这个软件与机器之间的强耦合关系，使得这个需要大量的测试验证，那么仿真就要解决各种情形下的系统匹配性，是否达到所需的生产能力。建模也包括两种主要的方式，机理和数据。

2.2数据建模

物理建模是提供显性知识，但是，机器生产中，影响品质、成本的还包括很多隐性知识，需要通过学习方法来实现规律的挖掘—这样可以进一步挖掘机器的潜能。而事实上，在哲学意义上来说，世界的本质是非线性的，或者我们发现的世界规律仅仅是沧海一粟，这也是AI发展的原因-基于演绎法不怎么创造新的知识，而归纳法可以，这就是数据驱动建模的力量-但是，我们现在的更多问题可能是还没有把更为经济、更为好用的物理建模还没有搞清楚，就要去用AI来解决问题，但是，那样就很容易被物理建模打败--因为它真的更经济。感觉目前的产业竞争，还没有到那种需要拼天赋的阶段。

2.3数字化连接

机器在数字化工厂将作为一个关键的数据源，以及任务终端执行者，因此，它必须与数字化系统具有交互能力，这个包括网络与通信，为了提高效率，需要对信息进行建模—以提升设备被集成到产线中的工程便利性，例如OPC UA的各个行业信息模型，就提供了信息快速采集、配置的能力。

③ 制造工厂的装备集成能力-边缘计算

当装备进入工厂后，装备具有了连接能力，且具有下上而下任务解析执行能力，这个时候，还有一个层面的问题，需要通过数字化来实现，即，调度与协同问题。

在设备连线后的上一个层级，车间或工厂级，需要协同，那么，这就有几个问题必须解决：

（1）.边缘层架构的数字化应用：人们都把任务聚焦在了MES/ERP这些问题，但是，新形势下的工厂，要提高效率，仍有很多任务是跟工艺相关的，例如，识别产品问题的快速质量迭代，边缘架构在于设置一个全局量，这个问题无法在单一设备解决，除非这个产线由单一源头供应商提供，但同样也要构建这个计算架构。

设备有些问题可以本地解决，但有些问题却要和别人协作-在协作层，同样需要数字化能力来对生产调度任务进行快速编排-这个可以通过OPC UA的信息协同和任务编排进行实现，例如可以通过边缘层的任务编排软件来实现，这个软件具有一定的实时性，例如对缺陷分析，并对引发缺陷的多个机器进行分析推理，以明确是哪个机器来进行调整，那么，这里就会出现信息被快速获取，实时计算（不一定是微秒级），

图9-数字化协作的通信规约

 其实，OPC UA核心是解决协作中的数据访问问题，像一个手机工厂，包括了注塑、钣金、电子、包装、机器人、物流、视觉各种连接需求，而传统在垂直行业的信息模型如Automation ML、PackML、EUROMAP、MTConnect、AutoID等都需要用统一框架来进行实现，否则，就又遇到大量的工程编程的接口连接问题。

（2）.人工智能的角色

在全局调度这一层，那么智能化相对来说，比在机器层面更有价值，因为，机器学习对于不确定性、模糊型问题，但数据量大，且不影响实时控制方面的任务还是比较适合的-因为，实时任务，有时候不太允许慢慢的数据积累的过程，因为代价高，且不安全等因素需要考虑。

总体来说，装备的数字化，是一个必须关注的方向。

5. 工业装备的实现架构参考

其实，就现在的局面来说，工业自动化领域来做数字化转型，其优势显著，最重要在于，物理模型、数据源、领域知识是优势，至于选择AI工具--这是工具的问题，对于装备制造商而言，AI是工具，对AI提供商，AI才是产品，因此，问题需要什么样的工具-很早前曾经写过“自动化是解决问题的行业”，我要知道问题，然后选择工具而已。

以贝加莱为例，工业来实现机器的智能应用，其实还是很方便的，只在原有的闭环控制增加观测器，对整个过程的数据进行监测，并通过成本函数去约束其过程收敛到最优。

图10-实现智能化应用的软硬件框架

1.Hypervisor技术的PC，Hypervisor是一种分割CPU多核处理器的技术，例如现在的i7处理器为多核处理器，可以让其中一个核运行Windows/Linux程序，做图像处理、或者运行学习程序、数据库，本身具有256GB的CFast卡来提供历史数据存储，另外几个核做RTOS的任务，包括数据采集，和指令下发到现场执行。

2.对于长周期训练数据，或更大的容量需求，则可以通过OPC UA或MQTT送到边缘计算或云端进行训练，再下发到控制计算机来进行执行，通过文件读取或OPC UA。

3.AI的模型与控制的模型在内部融合，实现计算与控制协同，由于控制系统本身有大量的现场数据采集，以及软件中间产生的数据，这些都可以在内存里被直接读取，数据源最近。而PID调节过程直接进行调节。

6. 总结

数字化要从装备底层做起，在外围打转总是事倍功半--不能解决核心工艺技术这个一直长期存在的问题，但是，数字化它对解决这个问题会有很大帮助，重视数字化，但是，不要为表面的繁华所诱惑，拿项目、树标杆、造势--那你是“2VC”吧？如果你说我就是to VC，当我没说。