制造業面臨的挑戰

制造業正處于一場轉型浪潮之中，消費者對個性化產品需求的增長，加之疫情后供應鏈危機催生的產業回流趨勢等，成為推動這一變革的主要驅動力。而這些，僅僅是眾多挑戰中的冰山一角。與此同時，全球各國政府也紛紛出臺相關法規，以減少制造業的碳排放，從而實現溫室氣體凈零排放目標。應對這些挑戰將為工業制造企業開辟全新的發展賽道，企業可借此契機引入前沿技術，在降低碳排放的同時，提高制造業的生產效率、可擴展性和靈活性。

在如今既有的制造工廠內，制造設備與自動化設備歷經多年反復部署與擴展，互操作性問題日益凸顯。設備間不僅難以順暢協同運作，相互間的連接也極為有限，導致工廠內部普遍缺乏能貫通所有自動化設備的統一網絡。

隨著新產品庫存單位(SKU)數量持續攀升，生產線的設置與驗證時間不得不相應增加。在醫療器械制造領域，驗證流程不僅耗時漫長，成本也十分高昂。此外，產品SKU的增多還會拉低設備綜合效率(OEE)，原因在于額外投入的設置和驗證會造成生產時間的浪費，進而導致生產效率下滑。制造業面臨的挑戰不止于此，熟練工人短缺問題同樣嚴峻。據預測，截至2030年，制造業熟練工人缺口將高達約210萬人。1 當下，多數制造活動集中于既有工廠；在此背景下，企業試圖在現有廠房空間內提升產能時，勞動力不足的問題便成為產能提升的關鍵制約因素。未來數字化工廠正是為攻克上述重重

圖1.工業制造面臨的挑戰。

工業制造業的轉型

從技術角度來看，制造業已取得重大進步。例如，通過在制造資產和設備上增加傳感器部署并進行融合，可生成豐富的數據集，用于優化機器并提高設備綜合效率(OEE)。軟件定義自動化的部署提升了制造業的生產效率、靈活性和可擴展性，大幅縮短了設置與驗證時間。此外，人工智能(AI)正逐步向邊緣側發展，更加靠近傳感器或執行器等生成數據的終端。邊緣人工智能將借助數據驅動的決策方式，把制造數據轉化為切實可行的見解，助力自主制造實現制造業生產效率與競爭力的躍升（見圖2）。

圖2.制造業的轉型

資源感知型制造

下一代制造業需要更全面地審視資源消耗的各個方面。制造業所需的四大關鍵資源分別是資金、電力、材料和人力。在資源感知型制造的背景下，未來數字化工廠亟待提升對這些資源的利用效率。在資金效率方面，所有制造領域的資本支出都應注重實現投資回報率(ROI)，周期可能為一年、三年或五年不等。未來數字化工廠的關鍵目標之一，便是以最少的資本支出實現利潤最大化，進而獲得最高的投資回報率。其次是電力效率，下一代制造業必須以更低的能耗實現更高的產出，達成減少全球碳排放的目標。降低電力消耗的關鍵舉措包括：部署高效電機驅動器，將氣動驅動替換為機電驅動，運用自適應閉環控制技術提升制造效率，等等。

資源感知型制造的第三個方面是材料效率。在提升制造業可持續性方面，減少材料浪費與降低能源消耗同等重要，發揮著不可或缺的作用。通過最大限度地減少原材料的使用，再結合加強生產質量控制，能夠顯著減少整個制造流程中的材料浪費，最終朝著零廢棄生產的目標邁進。最后一個方面是人力效率，亦是重中之重。當前，制造業在招聘熟練工人方面存在諸多挑戰。制造業必須盡可能地減少人為介入，可采取的方式包括：推廣自主制造模式，應用先進機器人技術，部署具備實時感知能力、能快速響應操作環境與制造需求變化的自動化解決方案（見圖3）。

圖3.資源感知型制造。

未來數字化工廠

ADI公司對未來數字化工廠的愿景，聚焦于連接、控制和解讀這三大核心支柱。連接戰略旨在通過提升制造業生產效率、可擴展性和靈活性，同時降低碳排放，來達成未來工廠的發展藍圖。確保所有制造資產和機器連接到統一網絡，實現制造數據的透明訪問，并利用這些數據推動整個制造場所的工藝持續改進。制造環境須借助有線和無線混合網絡，實現從邊緣到云端的實時無縫連接。對于有線控制連接，千兆位工業以太網正被部署用于工廠網絡以提供更高的帶寬，同時搭配時間敏感型網絡(TSN)來確保實時流量控制的確定性。對于諸如自主移動機器人(AMR)等移動應用，靈活的專用5G網絡起到補充作用，并且專用5G網絡還可連接難以輕松接入有線工業以太網的遠程傳感器和執行器。

第二項關鍵戰略聚焦于控制領域。分散式自主控制依托全新的模塊化自動化解決方案，帶來更高的靈活性，既能縮短設置和驗證時間，又能支持日益增長的新產品庫存單位(SKU)。從傳統生產線的集中式可編程邏輯控制器(PLC)轉向分散式PLC控制，先進的邊緣計算將被直接集成到機器之中?；谶吘壍淖灾骺刂谱屔a線更具可重構性，顯著提升制造靈活性。每一臺機器都成為一個完整獨立的模塊化制造單元，可在極少人為介入的情況下，輕松完成配置與重新部署。通過部署更多靈活、模塊化的制造解決方案，并由分散式自主控制予以支持，我們能夠更好地實現未來數字化工廠的目標。

最后一項戰略聚焦于解讀。解讀戰略旨在將生產數據轉化為可付諸實踐的洞察信息，從而助力實現未來工廠的各項目標。據估算，制造業每年產生的數據量約達1812 PB（拍字節）。2 解讀戰略將運用人工智能技術來處理這些海量制造數據，以提升生產效率。解讀戰略的關鍵在于在數據產生的邊緣側部署人工智能。邊緣人工智能將通過主動決策，結合傳感器融合（包含工業視覺、溫度、壓力/力、測斜儀、位置、振動、濕度等測量方式），實現制造業的自主優化。邊緣人工智能將通過自動執行常規任務，減少對熟練勞動力的依賴，并以盡可能高的良品率實現更具個性化和復雜性的制造。關鍵應用包括引導驅動（移動機器人）、缺陷或異常檢測（機器健康狀況）、持續的工藝改進、模式識別（質量控制），最終還將融入自動化控制循環，成為其中重要一環。

圖4.實現未來數字化工廠的幾點關鍵要求。

結論

制造業正在經歷一場變革，朝著更智能、更互聯、以軟件定義為主的方向發展。實時無縫的邊緣到云端連接，將實現對新型制造數據集的透明化訪問。分散式控制借助邊緣計算，將控制功能從可編程邏輯控制器(PLC)遷移至機器本身。傳感器融合技術的應用提升了機器的設備綜合效率(OEE)，并產生豐富的數據集，為人工智能模型的訓練與部署提供支撐。邊緣人工智能將使自動化機器完全實現自主化。這些新技術的融合勢必將徹底改變未來的數字化工廠，在顯著降低能源消耗和材料浪費的同時，提高制造業的生產效率、靈活性和可擴展性。對于制造商而言，成功的關鍵在于如何與生態系統內的其他公司展開合作，因為豐富多樣的經驗和能力對于加速實現未來數字化工廠的愿景至關重要。如需進一步了解ADI針對未來數字化工廠的可持續自動化解決方案，請訪問

analog.com/industrialautomation。

參考文獻

1 Victor Reyes、Heather Ashton和Chad Moutray，“Creating Pathways for Tomorrow’s Workforce Today:Beyond Reskilling in Manufacturing”，Deloitte Insights，美國制造業研究所，2021年5月。

2 “Deloitte Survey on AI Adoption in Manufacturing”，Deloitte，2020年。