关于智能制造的几个基本观点

关于智能制造的几个基本观点

●智能制造的基本逻辑

(来自互联网、物联网等）的数据，提炼成信息，以便驱动（体系化、模型化）知识，在创造价值的决策中体现智能。

以上观点，是用DIKW体系的观点看待数字化。我认为：所谓的两化深度融合，就是知识的模型化。模型化的结果是：计算机能够明白信息的内涵，能够有效地处理信息、从而代替人处理一些日常事务。让计算机“明白”的瓶颈是信息和知识的不完整，从而无法全面优化。

●逻辑的解释

智能制造所说的智能，是种不同以往的方式，是强调信息化、数字化背景的智能。强调数据来自互联网、物联网，就是在明确智能制造与过去条件的不同。互联网、物联网，是提升信息的收集能力。因为我们知道：没有新条件的支撑，新技术很难具备希望。

信息多了，信息的关注能力必然成为瓶颈。如果有有效的配套措施和决策机制，提高人的有效关注能力，就是创造价值。让计算机自动关注信息、浓缩提炼信息，解决人关注能力的瓶颈。计算逻辑关注信息，其实就是用模型接受信息。我们研究互联网，目的是提高被客户关注的能力。

集成用户信息的价值，用于对质量的深层次把握。对用户需求的精准把握，目的是提高产业链的竞争力。仔细把握用户需求，可以提供创新的种子：伟大的创新，往往是从小处入手，逐渐拓展的。企业内上下工序之间看成供应链关系。所以，集成用户的信息，自然包括上下工序信息和要求。

对生产信息的集成，有以下几个作用：1、解决个性化定制中的琐碎的能耗和生产组织的麻烦事；2、把握生产过程对质量的影响，便于及时调整：这需要与用户需求信息对接。3、监控流程的合理性，以便发现不合理的做法并持续改进。前两个作用是在线，后面的作用是离线。

技术成功意味着正面价值大于负面价值：信息系统的负面是传递不可靠的信息，为人展示低信息密度的数据。

获取信息是要花代价的。必要时要进行商业模式、组织创新、技术投资和机制改革。

核心是模型化的知识体系。知识共享创造价值、帮助企业转型为靠知识赚钱。

智能制造是让计算机懂得信息：“让计算机懂得”就是用模型接收信息。

信息是为知识（模型）服务的：重视启动模型的信息。

随着智能系统的完善，人逐渐退出日常事务、退居后台，作为知识产生者、系统托底人、流程监管人。

大数据是为人服务的：退居幕后的人，用大数据生产知识、托底、监管流程。

大数据应该是对历史痕迹的记录，以便于人的使用：这应该是大数据建设的指导思想。

即便是在大数据的背景下，信息收集也是需要成本的。不必要的信息是不要收集的。但所谓的必要性并非狭义的直接需求，而是数据要在一个便于追溯流程的逻辑链条中。逻辑的链条，本质上是对象或流程的模型。

必须强调：知识主要来自人的头脑，而不是计算机的自学习。“知识主要在人的头脑中”

的提法基于这样的认识：工业过程要求可靠的知识，无论知识来源于何种媒介，必须经过人的确认；所谓从数据中学习，本质上可以看做对人已有知识的精细化、辨析和修正。

但是，“浓缩和提炼信息”的知识本身也是知识。这些知识往往是人在数据分析的过程中获得，而不是靠生产制造的经验获得。要区分这种知识和领域知识。

人的知识转化成计算机的知识，面临专业上的困难。解决这种困难，不能单靠软件（让开发变得容易）、应该靠团队、组织，还要靠标准和流程。

知识和信息是用来决策的，否则就不需要贡献这个知识和信息。

正确的决策，有赖于信息和知识的完整可靠性。不完整的信息可能会带来负价值。

价值驱动下，知识的积累才是良性的。价值体现是智能制造具备生命力的保证。

头脑中的知识缺少的是有效的组织：这是需要用计算机解决的问题。

决策的知识是需要体系和标准来承载的，否则知识之间就会打架。

信息集成是信息的提炼而非堆砌，因为有用才被集成的。

简单的事情可以机器决策，复杂的事情计算机不一定有条件做好决策。做到透明化、显性化就够了：透明化、显性化的本质，是让幕后的人做好系统的托底人、流程的监管人。

流程监管：基于大数据的透明化与显性化，提升关注能力

关注能力的提高，与透明性、显性化是一个概念。

“查账”本质是显性化。智能管理就要让计算机自动查账、把查账的逻辑告诉计算机。

研发流程监管（CAT、GLOSP、加热、新牌号的合理性)

1、工艺设计是否合理？

2、产品开发是否必要？

3、实验设计是否必要？

4、知识生产：新组织的组建。

销售与服务

1、质量设计是否合理？

2、设计问题责任何在？

生产（质量的合理性）

1、生产100%的合格产品

2、人的操作是否有问题：大数据

供应链管理（SCOR）

1、市场波动已经不可避免；我们没有能力赚期货的钱，保住辛苦钱就不错了。

2、库存的重要性越来越大。

3、原料、辅料、备件、设备都要从生命周期去看：这是价值驱动的。

4、信息收集是管理的需要、价值驱动。

5、信息的价值越大，对信息可靠性的要求越高。

6、这个技术的重要性，与国企的管理水平有关。

●未来的角色

1.知识的产生者。大概有三类：第一类是贡献专业知识的；第二类是贡献数据分析知识的；

第三类是将知识转化成模型的。

2.流程的托底者：技师、专家、领导。解决智能系统解决不了的事情。

3.流程的监管人：主要是监察部门和各级管理者。

●知识的类型

1、专业性的知识：比如成分与性能的关系。

2、体系性的知识：比如能源系统组成

3、显性化问题的知识：提炼信息

4、与知识结构化相关的标准、体系的知识

5、

思路产生的背景：

1、钢铁行业处于3.5的阶段，目前要解决3.5——4.0的问题

2、这个阶段的关键问题之一，是解决个性化定制的副作用：质量和成本不稳定问题。

3、解决这个问题的出路是是数字化。这个阶段的数字化，不等于前期的数字化。数字化的内涵应该从DIKW体系的角度去看，是数字化内涵的延伸。我们发现，最缺的是知识。

4、钢铁行业的数字化，不同于机械制造：面临复杂性过大的问题

5、复杂性过大的结果，就是必须重视经验。

6、所谓的重视经验，就是把人的日常工作（外设计、生产异常处理、工艺设计、用户服务等）交给计算机去做：就像调度是把人的思路交给计算机一样：这是克服组合爆炸的出路。

7、人的“不规范”的思维，其实是一种“抄近路”的思维。正式这种思维方式，才避免了组合爆炸的结果。