智能制造发展形势多重解析(二）

　　智能制造系统的特点

　　

　　智能制造系统和传统的制造系统相比具有以下几个特点。

　　

　　高效自治。自治能力是智能制造系统的一种重要的标志性特征，包括自学习、自组织、自维护等能力。智能制造系统具有搜集与理解环境信息及自身的信息并进行分析判断和规划自身行为的自学习能力；智能制造系统中的各种组成单元能够根据工作任务的需要自行集结成一种超柔性最佳结构并按照最优的方式运行的自组织能力；以原有的专家知识为基础在实践中不断进行学习完善系统的知识库，对系统故障进行自我诊断、排除及修复的自维护能力。例如，在德国工业4.0实施方案中，信息物理系统（CPPSs）帮助智慧工厂进行自我管理，并实现生产的定制化和个性化。CCPSs不仅可以实现生产的自我管理，还可以实现维护的自我管理。

　　

　　人机一体。智能制造系统不单纯是“人工智能”系统而是人机一体化智能系统，是一种混合智能。人机一体化一方面突出人在制造系统中的核心地位同时在智能机器的配合下更好地发挥了人的潜能，使人机之间表现出一种平等共事、相互“理解”、相互协作的关系，使两者在不同的层次上各显其能，相辅相成。虚拟制造技术成为实现高水平人机一体化的关键技术之一。人机结合的新一代智能界面使得可用虚拟手段智能地表现现实，它是智能制造的一个显著特征。

　　

　　网络集成。智能制造系统在强调各个子系统智能化的同时更注重整个制造系统的网络化集成。这是智能制造系统与传统的面向制造过程中特定应用的“智能化孤岛”的根本区别。这种网络集成包括两个层面。智能制造的第一个特点体现在企业智能生产系统的纵向整合以及网络化。网络化的生产系统利用信息物理系统（CPPSs）实现工厂对订单需求、库存水平变化以及突发故障的迅速反应。生产资源和产品由网络连接，原料和部件可以在任何时候被送往任何需要它的地点。生产流程中的每个环节都被记录，每个差错也会被系统自动记录，这有利于帮助工厂更快速有效地处理订单的变化、质量的波动、设备停机等事故。工厂的浪费将大大减少。二是价值链横向整合。与生产系统网络化相似，全球或本地的价值链网络通过CPPSs相连接，囊括物流、仓储、生产、市场营销及销售，甚至下游服务。任何产品的历史数据和轨迹都有据可查，仿佛产品拥有了“记忆”功能。这便形成一个透明的价值链——从采购到生产再到销售，或从供应商到企业再到客户。客户定制不仅可以在生产阶段实现，还可以在开发、订单、计划、组装和配送环节实现⑥。

　　

　　智能制造面临四大技术挑战

　　

　　异构异质系统的融合。智能制造系统利用信息物理系统（CPPSs）纵向实现智能生产系统整合和网络化，横向实现价值链的整合与网络化。现在面临的问题是，传统的工业自动化系统中不同的技术发展相对割裂。尽管一些既定的标准已经在各种技术学科、专业协会和工作组中使用，但是缺乏对这些标准的协调。目前，不同工业网络之间，设备之间存在严重的异构异质问题需要解决。异构性是指不同类型的网络技术（如Internet，WSN等）高质量互联互通的问题。异质性是指不同公司生产的、不同功能的硬件不兼容的设备在没有彼此差异的情况下进行互联互通的问题⑦。这要求从传感器、数据卡开始，从数据采集点，到整个网络、云平台、数据中心、全连接，需要统一的架构，以及标准化的接口。这需要一套新的国际技术标准，实现大范围嵌入式设备之间的互联以及向虚拟世界互联。通过网络间的融合与协同，对异构网络分离的、局部的优势能力与资源进行有序整合，最终实现无处不在、无所不能的一种智能网络。在异构的网络中，每一个通信节点都具备自路由的功能，形成一个自组织、自管理、自修复、自我平衡的智能网络。各个设备因为异构异质的融合可以相互之间进行良好的通信交流，在不同的网络共存的情况下，还可以整合与优化资源配置，利用性能更好的网络进行通信，实现更高效的资源利用。

　　

　　解决这个问题，单靠哪家企业都不现实，需要积极推进智能制造的各国政府，跨国界的产业技术创新组织、跨国公司以及广泛的中小企业共同参与，将现有标准，如在自动化领域（工业通信、工程、建模、IT安全、设备集成、数字化工厂等）纳入一个新的全球参考体系是实现智能制造的基础。这项工作具有高度的复杂性，是智能制造发展面临的一大挑战。

　　

　　复杂大系统管理。在现代管理中，我们一般可通过模型模拟来解决一些非常广泛的真实的或假想的管理问题，例如产品，制造资源或整个制造系统，如人类与智能系统的互动，又如不同企业和组织之间业务流程等管理方面的问题。

　　

　　在智能制造时代，基于模型模拟使用标准的方式来配置和优化制造工艺对于企业是一个重大挑战。主要原因在于智能制造系统变得越来越复杂，由于功能增加、产品用户特定需求增加、交付要求频繁变化、不同技术学科和组织日益融合，以及不同的公司之间合作形式变化迅速，很难开发一套稳定且具有极强适应性的管理模型。另外，开发新的管理系统模型的成本与收益问题也是一大难题。智能制造系统在建立初期阶段就需要建立明确的管理模型，这一阶段需要较高的资金支出。在高产量行业（如汽车行业）或有严格安全标准的行业（如航空电子行业），公司更有可能接受较高的初期投入。如果它们只生产小批量或个性化产品，则不太可能这样做。

　　

　　高质量高容量网络基础设施。智能制造需要更高容量和更高质量的数据交换网络技术和基础设施，以保证智能制造所需的延迟时间、可靠性、服务质量和通用带宽。工业企业的信息化水平越来越高，信息数据量也越来越多，各种设备仪器产生的海量数据对信息处理的要求也提高了。高运行可靠性，数据链路可用性，保证延迟时间和稳定的连接成为智能制造的关键，因为他们直接影响应用程序的性能⑧。

　　

　　高质量高容量网络技术开发和基础设施建设是智能制造面临的又一个挑战。这种挑战主要表现在以下几个方面：一是工业领域宽带的基础架构过去并不是面向大数据的，大量机器与机器、设备与设备等数据的收集、传输、交互等，对工业领域宽带基础架构提出了更大的挑战。二是要实现端到端的全生命周期基于数据来驱动，需要更大范围、更大维度的信息交流，异构异质网络的信息交流是一大挑战。三是网络的复杂性和成本控制的挑战。智能制造网络不仅需要高速、带宽、简单、可扩展、安全，还需要便宜，不明显增加现有制造产品和服务的成本。这个网络需要绑定可靠的SLA（服务水平协议）；通信容量的可用性和性能高；持数据链路调试/跟踪，尤其是提供相关的技术援助；提供广泛可用/有保证的通信容量（固定/可靠的带宽）；广泛使用的嵌入式SIM卡；所有移动网络运营商之间的短信传递状态通知；标准化的应用程序编程接口（APIs）的配置，涵盖所有供应商（SIM卡激活/停用）；移动服务合约的成本控制；负担得起的数据全球漫游通讯费用等。

　　

　　系统安全。智能制造系统涉及高度网络化系统结构，将大量的有关人、IT系统、自动化元件和机器信息纳入其中。更多的参与者涉入到整个价值链。广泛的网络和潜在的第三方访问至少意味着一系列全新的安全问题呈现在智能制造系统中。因此，在智能制造中，必须考虑到信息安全措施（加密程序或认证程序）对生产安全的影响（时间关键功能、资源可用性）。

　　

　　智能制造安全性的挑战主要表现在两个方面。首先，现有的工厂将升级网络安保技术和措施，以满足新的安全要求的挑战。但是，通常企业的机械装备寿命较长，原有的很多设备并不具备可靠的网络连接功能，升级改造非常困难。同时，企业内部生产系统与外部的和在某些情况下很难联网的陈旧基础设施等因素影响，安全性的保障也很困难。其次，要为新的工厂和机器制定解决方案的挑战。企业界目前缺乏完全标准化的操作平台，以实施足够的安保解决方案。满足信息物理系统（CPPSs）安全的技术和标准化平台开发本身也充满挑战。

　　

　　智能制造面临两大法律挑战

　　

　　数据的权属问题。智能制造是数据驱动的制造。在智能制造时代，每一个工厂都应有一套智能系统，它首先能够通过传感器，对机器运作数据进行采集，并加以分析，从而实时了解工厂的运作情况；其次，能够通过执行器对机器运作进行控制；此外，还能对消费者行为数据进行分析，对产品从设计到销售的全生命周期，进行最优化的管理。因此，智能制造很大程度上依赖于数据的处理和加工，以数据链为基础，更自动化的生产设备，更灵活的流程管理，让工厂能够基于市场预测，快速地装配调度，智能地生产，从而以最快的速度匹配消费者需求，并在全社会范围内优化资源配置。

　　

　　海量数据在智能制造时代具有前所未有的商业价值。自动化时代的工业数据主要是在厂商的自动化生产和配送系统内部进行流转，因此制造商毋容置疑的享有其所有权。但是在智能制造时代，制造系统的数据、顾客的需求数据等海量数据将在一个更加广阔的工业互联网中流转，而且网络的参与者也更加的多元化，能够利用这些数据谋利的主体也更加的多元化。目前法律只对有形资产和专利保护有明确的界定，如果不从法律上解决数据的权属问题，并建立起适合智能制造发展需求的法律框架，使企业投资和开发数据、共享数据能够获得满意的回报，企业投资智能制造的积极性就会大打折扣，智能制造的发展可能会被大大的延迟。

　　

　　法律监管问题。智能制造系统在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等。随着人工智能技术的不断发展，这种智能制造系统可能拥有越来越高的“自治”能力，并逐渐演化成“自治系统”。与此同时，自治系统带来的损害和伤害责任的法律问题也随之增长。在智能制造时代，很多相关的法律责任都需要重新界定。

　　

　　自动驾驶汽车是一个典型的“自治系统”，它面临的事故责任和法律监管问题是智能制造时代的典型案例。按照目前大多数相关的车辆法规，自动驾驶汽车这种“自治系统”是不能上路行驶的。1949年版的《日内瓦道路交通公约》要求驾驶员“应当时刻能够控制其车辆”，因此，欧洲原有的道路交通法规不允许自动驾驶汽车上路。目前，美国只有4个州允许无人驾驶汽车上路。它们在欧洲也不被法律认可，尽管联合国《维也纳道路交通公约》近期的一项修订意味着，包括欧洲和美洲在内的72个国家允许汽车在特定期间自主驾驶。但是道路交通法律仍然要求司机有能力控制车辆。而其他国家在推行自动驾驶汽车方面也面临着相同的挑战。这种挑战其实是自治系统使用的合法性问题，也是关系到未来越来越多的具有“自治”能力的智能制造系统是否能够大规模使用和推广的关键。

　　

　　这一挑战的另外一个方面，是自治系统的法律责任界定问题。例如，现在的道路交通法规一般都规定，驾驶者对所驾驶的车辆造成的事故负有直接责任。但如果是自动驾驶的汽车，交通事故发生的责任界定将变得复杂。因为事故的原因可能是自动驾驶系统的问题，也可能是驾驶者违规操作的问题。这使得责任的牵扯方将不再只包括驾驶者，还可能包括自动驾驶车的制造方、驾驶系统软件提供商等。法律并不是仅仅规定自动驾驶汽车能否上路那么简单，而是一整套条例和法令，决定了你遭遇具体情境时会发生什么。对于自动驾驶系统来说，这些规则中的大部分尚未出现。假如法律规定驾驶者应该承担更多的责任，就有可能极大地影响智能汽车的销售。如果法律规定限制自动驾驶汽车的制造商，也会影响厂商开发自动驾驶汽车和推动器上市的积极性。