❶ 3D列印+物聯網+大數據+雲計算+互聯網=什麼
3D列印、物聯網、大數據、雲計算和互聯網是現代信息技術領域的重要發展方向，它們可以相互結合產生各種新的應用和業務模式。
例如，結合3D列印技術和物聯網技術，可以實現智能製造領域的定製化生產。將感測器等設備與3D列印機連接起來，實時監測產品質量和生產效率，通過收集和分析大量的數據，進行優化調整，達到高效生產和降低成本的目的。
總之配銷，結合不同的技術手段和應用場景，可以創造出更多有意義的業務答悔和產品，推動數字化轉清賣正型和創新發展
❷ 工業大數據漫談15：工業大數據與工業4.0的關系
現在的世界，已經進入了一個概念滿天飛的年代。和工業大數據相關的概念非常多，包括工業4.0、物聯網、雲計算、人工智慧、智能製造等等，接下來，我會 追根溯源 ，把這些概念都理清楚，這樣，我們才能更好地理解工業大數據。今天先聊一聊工業4.0是怎麼回事。
工業4.0的概念來源比較清晰，不像大數據概念的來源，說不清，道不明。工業4.0是德國聯邦教研部與聯邦經濟技術部在2013年 漢諾威工業博覽會 上提出的概念。它實際上是德國人為了推廣他們的工業技術而提出的一個營銷概念。這個概念應該說提的非常成功，彷彿一夜之間，全世界都在講自己的產品符合工業4.0的理念。
當時德國人提的工業4.0概念中，主要是描繪了製造業的未來願景（注意，是製造業，而不是工業，德國人在這里其實偷換了概念，工業的范疇遠比製造業大得多），提出了繼蒸汽機、規模化生產、電子信息技術等三次工業革命後，人類即將迎來的以生產高度數字化、網路化、機器自組織為標志的第四次工業革命。
在德國人描述的四次工業革命中，第一次是以蒸汽機為動力的機械生產設備導致的第一次工業革命，該次工業革命與18世紀末基本結束。第二次是基於勞動力分工（即流水線），以電為動力的大規模生產為核心的第二次工業革命，該次革命始於20世紀初， 第三次工業革命 始於20世紀70年代，其標志是電子信息技術的大規模使用使得工業自動化程度大為提高，現在，德國人認為我們進入了第四次工業革命，在本次工業革命中，軟體不再僅僅是為了控制儀器或者執行具體的工作而編寫的，也不再僅僅被嵌入到產品和生產系統中。產品和服務藉助於互聯網和其他網路服務，通過軟體、電子及環境的結合，生產處全新的產品和服務。越來越多的產品功能無需操作人員介入，而是可以自主進行生產。
從這個概念可以看出，工業4.0實際上是德國等先進製造業發達國家在進行一次大的製造業升級，以期保持其在國際競爭中的地位。因此，工業4.0概念提出之後，各國紛紛跟進，美國提出了工業物聯網，中國提出了工業2025，其實都是想在這一次工業革命中保持或者進一步佔領國際市場，獲得競爭優勢。
工業4.0中涉及到的技術概念有很多，大致可以通過下面這張圖來進行描述。
從底層看，工業4.0包括互聯網時代的三大底層基礎設施，工業物聯網（這是美國人的概念）、雲計算、工業大數據，在具體應用上，包括兩大硬體技術3D列印和工業機器人，兩大軟體技術工業網路和工作自動化，同時還囊括了未來的兩大技術虛擬現實和人工智慧。這些技術構成了工業4.0的技術圖譜。
由此可以看出，工業大數據是工業4.0的一部分，它是為工業4.0提供軟體技術支撐的，也是工業4.0的核心部分。由於工業4.0的最終目的是提高企業的生產力、生產效率及生產的靈活性，但又受制於生產的復雜性和復雜生產帶來的超高難度的管理，因此，現代化的生產要求從產品、工具、運輸、設備的每一個環節都配備感測器，並更夠通過標准協議彼此通訊，在這種情況下，企業生產就必須依賴全新的軟體系統，它可以覆蓋整個產品生命周期，它可以協調海量的數據流程，它可以自主控制設備進行復雜化的、自定義的生產作業，而這和核心的一切，就是工業大數據。
到今天，工業大數據的概念已將慢慢的超越了工業4.0，工業大數據既是工業4.0的核心，也在獨立的發展，既有重合的部分，也有超越的部分。
不管概念如何發展，以人工智慧、大數據為標志的第四次工業革命已經在我們的身邊展開了，通過這一次的工業革命，我們可以進行超級復雜流程的管理、大規模生產過程的優化和決策的快速執行，實現復雜生產和個性商業活動的高度整合，使人類的生產效率再上升一個數量級，使生產力得到進一步的釋放。
❸ 智能製造是什麼
隨著工業4.0的興起，由人工智慧技術、機器人技術和數字化生產製造技術等結合的智能製造技術，正引領新一輪的製造業變革。智能製造技術逐漸涉及產品設計、生產過程、生產管理和售後服務等各個生產環節，隨著智能化和產業化的製造技術的廣泛應用，促進了智能製造業的發展。那麼什麼是智能製造，本文帶領大家來了解一下。
2013年，德國在漢諾威工業博覽會上推出「工業4.0國家戰略」，這被認為是人類第四次工業革命的開端，也開啟了各個國家在新一輪產業革命中競爭的序幕。世界各主要經濟體紛紛從自身的現狀與優勢出發，制定了應對新一輪製造業革命的國家戰略。美國在2012年3月提出了「國家製造業創新網路（NNMI）計劃」，在製造業的4個重點領域列出了9個創新中樞項目；日本在2015年6月公布了《2015年版製造業白皮書》，將3D列印、人工智慧和智能ICT作為轉型升級的軸心；韓國提出了《製造業創新3.0戰略行動方案》，在3D列印、大數據、物聯網、ICT服務等8項核心智能製造技術中發力；法國提出了《工業新法國2.0》，將智慧物流、新能源開發、智慧城市、未來交通等9個重點領域作為改革的重心。中國也在2015年3月正式出台了《中國製造2025》，作為新一輪工業革命的指導綱要，將工業化與信息化「兩化」深度融合發展作為主線，力爭在10個重點領域實現突破性發展。
在過去三年中，關於工業4.0的定義和對世界各國戰略的解讀已有很多，也有許多專家學者和政府機構提出了一系列的實施路徑和方案，我們看到政府相繼提出了機器換人、智慧工廠、大數據、互聯網＋和工匠精神等一系列改革舉措。然而，有不少人都表達過這樣一種感受：我們越深入分析各個國家的政策，越是去嘗試不同的轉型路徑，反而愈發地感覺迷茫和浮躁。我認為之所以會有這樣的感受，是因為大家把智能製造當成了一個技術問題來看待，因此在分析其他國家行動的時候也只是停留在表面的方法和技術上，卻忽略了這些行動背後的思維和邏輯。於是當德國有「工業4.0」，我們就有了「中國製造2025」；美國提出「工業互聯網」，我們也提出了「互聯網＋」；日本精益製造做得好，我們就要大力提倡工匠精神。事實上，智能製造並不僅僅是一個技術體系或文化，更重要的是背後對智慧的理解、解決問題的邏輯和重新定義製造的思維。
製造系統的核心要素可以用5個M來表述，即材料、裝備、工藝、測量和維護，過去的三次工業革命都是圍繞這5個要素進行的技術升級。然而，無論是設備的精度和自動化水平提升，或是使用統計科學進行質量管理，或是狀態監測帶來的設備可用率改善，又或是精益製造體系帶來的工藝和生產效率的進步等，這些活動依然是圍繞著人的經驗開展的，人依然是駕馭這5個要素的核心。生產系統在技術上無論如何進步，運行邏輯始終是：發生問題—>人根據經驗分析問題—>人根據經驗調整5個要素—>人積累經驗。
而智能製造系統區別於傳統製造系統最重要的要素在於第6個M，即建模。並且正是通過這第6個M來驅動其他5個要素，從而解決和避免製造系統的問題。因此，智能製造系統運行的邏輯是：發生問題—>模型（或在人的幫助下）分析問題—>模型調整5個要素—>解決問題—>模型積累經驗，並分析問題的根源—>模型調整5個要素—>避免問題。因此，一個製造系統是否能夠被稱為智能，主要判斷其是否具備以下兩個特徵：
（1）是否能夠學習人的經驗，從而替代人來分析問題和形成決策。
（2）能否從新的問題中積累經驗，從而避免問題的再次發生。
我們不難看出，無論是機器換人、物聯網、或是互聯網+，解決的只是5M要素的調整方式和途徑，只是在執行端更加高效和自動化，並沒有解決智能化的核心問題。
所以說，智能製造所要解決的核心問題是，如何對製造系統中的5M要素的活動進行建模，並通過模型（第6個M）驅動5M要素。智能製造所要解決的核心問題是知識的產生與傳承過程。
大數據並不是目的，而是一個現象，或是看待問題的一種途徑和解決問題的一種手段。通過分析數據，從而預測需求、預測製造、解決和避免不可見問題和風險，和利用數據去整合產業鏈和價值鏈，這才是大數據的核心目的。
大數據與製造之間的關系可用用下圖表示，這裡面有3個重要的元素：
（1）問題：製造系統中顯性或隱性的問題，比如質量缺陷、精度缺失、設備故障、加工失效、性能下降、成本較高、效率低下等。
（2）數據：從製造系統的5M要素中獲得的，能夠反映問題發生的過程和原因的數據。也就是說數據的獲取應該是以問題為導向，目的是去了解、解決和避免問題。
（3）知識：製造系統的核心，也就是我們平時所說的know-how，包括製程、工藝、設計、流程和診斷等。知識來源於解決製造系統問題的過程，而大數據分析可以理解為迅速獲取和積累知識的一種手段。
因此，大數據與智能製造之間的關系可以總結為：製造系統中問題的發生和解決的過程中會產生大量的數據，通過對大數據的分析和挖掘可以了解問題產生的過程、造成的影響和解決的方式；當這些信息被抽象化建模後轉化成知識，再利用知識去認識、解決和避免問題。當這個過程能夠自發自動地循環進行時，即我們所說的智能製造。從這個關系中不難看出，問題和知識是目的，而數據則是一直手段。在上圖的要素中，當把「數據」換成「人」之後就是「工匠精神」，換成「自動化生產線和裝備」之後就是德國的「工業4.0，換成」互聯網「之後就變成了」互聯網+「。
今天我們來談利用大數據實現智能製造，是因為大數據的研究已經成為了一個日益受到關注的行為，而在製造系統和商業環境變得日益復雜的今天，利用大數據去推動智能製造，解決問題和積累知識或許是更加高效和便捷的方式。利用大數據推動智能製造主要有以下3個方向：
（1）把問題變成數據，利用數據對問題的產生和解決進行建模，把經驗變成可持續的價值。
（2）把數據變成知識，從「可見解決問題」延伸到「不可見問題」，不僅要明白「how」，還要去理解「why」。
（3）把知識再變成數據，這里的數據指的是生產中的指令、工業參數和可執行的決策，從根本上去解決和避免問題。
在第一個方向上最成功的應用案例應該是美國在20世紀90年代開展的「2mm計劃」，利用統計科學對汽車的設計和生產過程中的質量問題進行建模和管理，隨後推廣到了飛機製造等其他先進製造領域，對美國製造精度的提升起了重要的推動作用。
在第二個方向上的典型應用是製造系統中的數據預測性分析，包括虛擬量測、健康管理、衰退預測等。核心是通過先進的分析演算法對數據中的隱性知識進行挖掘和建模，並在製造過程中預測和避免問題。
第三個方向上的典型應用是反向工程，即從問題的結果出發，利用知識反向推出問題發生的原因和過程；或是從產品最終的結果出，反向推出產品的設計和製造過程，以及這樣去設計和製造的原因。這不僅需要知識，還需要了解知識之間的相關性和邏輯關系。
仔細觀察第四次工業革命的進行過程，我們不難發現，與之前幾次工業革命具有典型的技術不同，這次工業革命中每個國家所選擇的路徑和側重點有非常明顯的不同，這一方面取決於各個國家的製造業基礎和國情，另一方面，更重要的是各個國家在製造文化和哲學方面的差異。在過去近200年的工業積累中，美國、日本、德國等工業強國都形成了非常鮮明的製造哲學，其根源是對知識的理解、積累和傳承方式的差異。同時，各個國家在整個製造業的上、下游中也形成了非常明顯的競爭力差異，在產業鏈的不同位置都有各自的相對優勢。
第一，對知識的理解、積累和傳承方式的差異決定了製造哲學和文化
在智能製造中的問題、數據和知識三者的關繫上，從不斷解決和理解新問題的過程中獲取經驗，再把經驗抽象化的這個過程即為製造中獲取知識的過程。解決問題的手段和方法決定了所獲得知識的形式，而將知識抽象化加以運用的過程和形式則決定了知識傳承的形式。這個過程可以通過人來完成、數據來完成、設備來完成，或是系統來完成，這也是決定一個國家製造哲學的最根本原因。
日本：通過組織文化和人的訓練不斷改善，在知識的承載和傳承上非常依賴人
日本獨特的克忍、服從和集體觀念文化也深深地影響了日本的製造文化，其最主要的特徵就是通過組織的不斷優化、文化建設和人的訓練來解決生產系統中的問題。這一點相信國內許多製造企業都感同身受，因為大家在接受精益培訓的時候被反復強調的3個方面就是「公司文化」「三級組織」和「人才訓練」。最典型的體現就是日本在20世紀70年代提出的以「全生產系統維護（TPM）」為核心的生產管理體系。其核心思想可以用「三全」來概括：全效率、全系統和全員參與。實現方式主要包括在3個方面的改善：提高工作技能、改進團隊精神和改善工作環境。以致在20世紀90年代以後日本選擇「精益製造」作為其轉型方向，而非6-sigma質量管理體系。日本企業在人才的培養方面也是不遺餘力的，尤其是雇員終身制文化，將雇員與企業的命運緊密聯系在一起，使得人的經驗和知識能夠在企業內部積累、運用和傳承。
日本企業解決問題的方式通常是：發生問題→人員迅速到現場、確認現物、探究現實（三現），並解決問題→分析問題產生的原因，通過改善來避免問題。最終的知識落在了人的身上，人的技能提升之後，解決和避免問題的能力也就上升了（見下圖）。除了企業內部以外，日本還有獨特的「企業金字塔梯隊」文化，即以一個巨型企業（通常是產業鏈最下游，直接面對最終客戶），如豐田、三菱等為核心，形成一個完整產業鏈上的企業集群，企業之間保持長期的合作，並且互相幫助對方進行改善和提升。這樣能夠保證知識在一個更大的體系中不斷地積累、流通和傳承。
因此對於日本企業而言，員工是最重要的價值，對人的信任遠遠勝於對設備、數據和系統的信任，所有的自動化或是信息化建設也都是圍繞著幫助人去工作為目的，所以日本企業從來不會談機器換人或是無人工廠。如果中國想要學習工匠精神，那麼最應該借鑒的是日本孕育工匠的組織文化和制度。但是這樣的文化在近幾年遇到了一個十分巨大的挑戰，就是日本的老齡化和製造業年輕一代大量短缺的問題，使得沒有人能夠去傳承這些知識。日本也意識到了自己在數據和信息系統方面的缺失，開始在這些方面發力。這一點在日本的工業價值鏈（Instrial Value Chain Initiative，IVI）產業聯盟的構架和目標上能夠清晰地看到。該聯盟提出的19條工作項目中有7條與大數據直接相關，分別是：①遠程工廠的操作監控和管理；②設備生命周期管理；③生產線實時數據的動態管理；④設備集成的實時維護；⑤實時數據分析和預測維護；⑥雲共享和維護數據的策劃實施檢查改進（plan-do-check action cycle）；⑦通過製造執行系統（MES）將自動化生產線、運輸和人工檢測進行集成；⑧自主的製造執行系統在公司外工作；⑨能處理意外情況的製造執行系統；⑩達到從實時數據獲取製造知識；⑪以智能數據作為質量保證（故障的早期發現和阻止）；⑫中小型企業製造系統使用機器人；⑬製造技術與管理的無縫集成；⑭設計和製造的物料清單與可追溯管理的集成；⑮人與機器合作的工作方式的工廠的標准化；⑯連接中小企業；⑰信息物理生產和物理一體化；⑱遠程站點的B2B收貨服務；⑲面向用戶的大規模定製。
具體的實施構架如下圖所示，其中包括4個主要模塊：①數據採集與執行（設備端介面）；②標准化的數據平台；③先進的數據分析演算法；④專家系統為核心的決策支持工具。
可以說日本的轉型戰略是應對其人口結構問題和社會矛盾的無奈之舉，核心是要解決替代人的知識獲取和傳承方式。日本在轉型過程中同樣面臨著許多挑戰，首先是數據積累的缺失，使得知識和經驗從人轉移到信息化體系和製造系統的過程中缺少了依據和判斷標准。其次是日本工業企業保守的文化造成軟體和IT技術人才的缺失，正如日本經產省公布的《2015年製造白皮書》中所表達的憂慮：「相對於在德國和美國正在加快的製造業變革，現在還沒有（日本）企業表現出重視軟體的姿態。」
德國：通過設備和生產系統的不斷升級，將知識固化在設備上
德國的先進設備和自動化的生產線是舉世聞名的，可以說在裝備製造業的實力上有著傲視群雄的資格。同時德國人嚴謹的風格，以及其獨特的「學徒制」（co-op）高等教育模式，使得德國製造業的風格非常務實，理論研究與工業應用的結合也最緊密。然而德國也很早就面臨勞動力短缺的問題，在2015年各國競爭力指數的報告中，勞動力是德國唯一弱於創新驅動型國家平均水平的一項。因此，德國不得不通過研發更先進的裝備和高度集成自動的生產線來彌補這個不足。
德國的製造業解決問題的邏輯是：發生問題→人（或裝備）解決問題→將解決問題的知識和流程固化到裝備和生產線中→對相似問題自動解決或避免（見下圖）。舉個比較直觀的例子來比較日本和德國解決問題方式的不同：如果產線上經常發生物料分揀出錯的現象，那麼日本的解決方式很有可能是改善物料辨識度（顏色等）、員工訓練，以及設置復查制度。而德國則很可能會設計一個射頻識別（RFID）掃碼自動分揀系統，或是利用圖像識別＋機械手臂自動進行分揀。又比如，德國很早就將誤差補償、刀具壽命預測、多軸同步性演算法、主軸震顫補償等解決方式以功能包的形式固化到了機床中，因此即便是對製造工藝和操作並不熟練的工人也能夠生產出可靠的產品。也正是這個原因成就了德國世界第一的裝備製造業大國地位。除了在生產現場追求問題的自動解決之外，在企業的管理和經營方面也能夠看到其盡力減少人為影響因素的努力。比如最好的企業資源管理（ERP）、生產執行系統（MES）、自動排程系統（APS）等軟體供應商都來自德國，大量的信息錄入和計劃的生成及追溯通過軟體自動完成，盡量減少人為因素帶來的不確定性。然而德國同樣對數據的採集缺少積累，因為在德國的製造系統中對故障和缺陷採用零容忍的態度，出現了問題就通過裝備端的改進一勞永逸地解決，在德國人的意識中不允許出現問題，也就自然不會由問題產生數據，最直接的表現就是找遍德國的高校和企業幾乎沒有人在做設備預診與健康管理（PHM）和虛擬測量等質量預測性分析。另外由於德國生產線的高度自動化和集成化，使得其整體設備效率（OEE）非常穩定，利用數據進行優化的空間也較小。
德國依靠裝備和工業產品的出口獲得了巨大的經濟回報，因為產品優秀的質量和可靠性，使得德國製造擁有非常好的品牌口碑。然而德國近年來也發現了一個問題，那就是大多數工業產品本身只能夠賣一次，所以賣給一個客戶之後也就少了一個客戶。同時，隨著一些發展中國家的裝備製造和工業能力的崛起，德國的市場也在不斷被擠壓。因此，在2008—2012年的5年時間里德國工業出口幾乎沒有增長。由此，德國開始意識到賣裝備不如賣整套的解決方案，甚至同時如果還能夠賣服務就更好了。於是德國提出的工業4.0計劃，其背後是德國在製造系統中所積累的知識體系集成後所產生的系統產品，同時將德國製造的知識以軟體或是工具包的形式提供給客戶作為增值服務，從而實現在客戶身上的可持續的盈利能力。這一點從德國的工業4.0設計框架中能夠十分明顯地看到，整個框架中的核心要素就是「整合」，包括縱向的整合、橫向的整合和端到端的整合等，這簡直太像德國製造體系的風格了，既是德國所擅長的，也為其提供增值服務提供了途徑。所以第四次工業革命中德國的主要目的是利用知識進一步提升其工業產品出口的競爭力，並產生直接的經濟回報。
美國：從數據和移民中獲得新的知識，並擅長顛覆和重新定義問題
與日本和德國相比，美國在解決問題的方式中最注重數據的作用，無論是客戶的需求分析、客戶關系管理、生產過程中的質量管理、設備的健康管理、供應鏈管理、產品的服役期管理和服務等方面都大量地依靠數據進行，如下圖所示。這也造成了20世紀90年代後美國與日本選擇了兩種不同的製造系統改善方式，美國企業普遍選擇了非常依賴數據的6-sigma體系，而日本選擇了非常依賴人和制度的精益管理體系。中國的製造企業在2000年以後的質量和管理改革大多選擇了精益體系這條道路，一方面因為中國與日本文化的相似性，更多的還是因為中國企業普遍缺乏數據的積累和信息化基礎，這個問題到現在也依然沒有解決。除了從生產系統中獲取數據以外，美國還在21世紀初提出了「產品全生命周期管理（PLM）」的概念，核心是對所有與產品相關的數據在整個生命周期內進行管理，管理的對象即為產品的數據，目的是全生命周期的增值服務和實現到設計端的數據閉環（closed-loop design）。
數據也是美國獲取知識的最重要途徑，不僅僅是對數據積累的重視，更重要的是對數據分析的重視，以及企業決策從數據所反映出來的事實出發的管理文化。從數據中挖掘出的不同因素之間的關聯性、事物之間的因果關系，對一個現象定性和定量的描述和某一個問題發生的過程等，都可以通過分析數據後建立的模型來描述，這也是知識形成和傳承的過程。除了利用知識去解決問題以外，美國也非常擅長利用知識進行顛覆式創新，從而對問題進行重新定義。例如美國的航空發動機製造業，降低發動機的油耗是需要解決的重要問題。大多數企業會從設計、材料、工藝、控制優化等角度去解決這個問題，然而通用電氣公司（GE）發現飛機的油耗與飛行員的駕駛習慣以及發動機的保養情況非常相關，於是就從製造端跳出來轉向運維端去解決這個問題，收到的效果比從製造端的改善還要明顯。這也就是GE在推廣工業互聯網時所提出的「1％的力量（Power of1％）」的依據和信心來源，其實與製造並沒有太大的關系。所以美國在智能製造革命中的關鍵詞依然是「顛覆」，這一點從其新的戰略布局中可以清楚地看到，利用工業互聯網顛覆製造業的價值體系，利用數字化、新材料和新的生產方式（3D列印等）去顛覆製造業的生產方式。