工业元宇宙等新概念如何影响着制造行业
从工业互联网、工业大数据,到最近比较火的工业元宇宙,诸多新概念在“智能制造”领域发展壮大。这些新技术正在一步步地演变并且影响着制造业。其实,这是一个随着信息化数字化技术不断的成熟,各种基础设施的成本持续降低,在不同阶段能够去驾驭或者落地的技术体系。我们站在今天回看过去的工业互联网和工业大数据,到元宇宙。可以看到这些技术演变的路径,其实围绕着一个非常关键的要素——“数据”。
在信息化初级发展的阶段,我们没有数据,所以我们发展了工业互联网,或者说机器智能。我们把机器连接起来,通过IOT,我们能够感知,采集到这些工业设备和场景里面的实时发生的数据。有了足够多的数据以后,我们需要对这些数据进行加以分析、利用甚至是做决策。在人工智能快速发展的这么多年,自然工业大数据也是AI的一个非常巨大的场景,我们也看到了工业大数据的很多成功的应用。
再后来,工业互联网越来越成熟,我们可以获取到海量的数据,同时因为5G等基础设施的成熟让我们能够低成本、大规模地传输这些数据。我们期望能够基于这些数据去做实时的分析和决策,我们就需要让计算机去理解这个现实世界正在发生的业务、场景和逻辑。让计算机读懂现实世界以后,再通过计算机自己的能力和优势去分析、去仿真,把AI等各种能力整合到一起,把这些物理世界的数据,让它在数字环境、虚拟环境中重生,并且和物理世界形成联动,对现实世界的发展去做预测甚至是决策。最终通过我们足够成熟的工业互联网,自动化地去执行这些决策,也就是我们常说的“以虚控实”。这个其实就是“元宇宙”技术在工业场景的落地,其实就是“数字孪生”技术,去架起现实世界和虚拟世界之间的桥梁。
智能制造,尤其是智能工厂解决方案的难点在于,它其实是一个多学科、多维度、多技术、非常复杂的系统,涉及信息化技术、运营、管理等等。 这种复杂的场景,过去我们在哪个领域有足够成熟的经验和技术积累呢?
相信大家很容易能想到——“游戏”。 游戏其实就是对现实世界的复刻,现实世界中存在的逻辑、要素、关系,在游戏世界中都要完整齐备,甚至更加严谨。我们可以看到很多大型的游戏,其逼真程度足以让人分不清哪里是现实,哪里是虚拟。
因此元宇宙的落地,数字孪生的技术和工具,很多都是从游戏行业跨界出来的。 比如子虔科技的技术团队中,就有很多同事来自于游戏引擎巨头企业。通过该引擎的开放接口和3D资产内容,可以根据不同场景的需要,实现小到一个零部件,大到一条产线、一座工厂甚至一座城市的孪生及各种深度应用,让“灯塔工厂”等智能制造场景能够有落地的基础。
灯塔工厂的出现和智能制造行业面临的挑战
中国制造业体系完善、产业链条长、产业集群丰富,数字化应用场景广阔,有助于在数字化转型方面实现规模经济和范围经济。同时,该市场庞大、人口众多,拥有“工程师红利”。经过多年的投入和积累,目前我们看到智能制造在中国市场上已经率先跑出了一批标杆企业。
比如从2018年开始在全球范围内持续评选的“灯塔工厂”榜单,目前全球22个行业有超过90家工厂入选,其中位于中国的“灯塔工厂”有31家。这些“灯塔工厂”广泛分布于消费品、汽车、家用电器、钢铁制品、医疗设备、制药、工业设备等多个行业。我们从公开报道中看到这些灯塔工厂在借助数字化技术升级后,各种效率和优势得到显著提升。 例如,中信戴卡铝的车轮工厂借助数字化赋能的柔性制造系统,产线最小生产批量从300件降到1件,一条生产线可同时生产多种不同样式的轮毂,“千轮千样”成为可能。宁德时代的灯塔工厂实现了在生产每组电池耗时1.7秒的速度下仅有十亿分之一的缺陷率,同时将劳动生产率提高了75%。 从这些灯塔工厂的案例和数据来看,充分体现了我们之前谈到的智能制造中关于实现“敏捷协同”的价值。
但是,要想打造出“灯塔工厂”,面临着非常多的挑战。 首先是巨大的投入,这个很容易理解,这些灯塔工厂的建设背后,投入动辄几亿甚至几十亿。 另外是关于数据层面的困难。随着大数据技术这么多年的发展和成熟,我们看到很多企业都建立了各种各样的大数据平台,投入巨大采集数据,然后把各种数据汇聚、存储,成为企业宝贵的数据资产。 但是另一方面,这些资产的价值仍然没有得到充分的挖掘和利用,数据还在沉睡,完全基于实时数据驱动业务仍然是一个困难重重的目标。
这里面技术层面最大的难点,还是在于这些数据本身。因为这些数据是复杂的,有一维二维的数据,有CAD等典型的三维数据,在制造领域加上时间维度,比如生产节拍,就成了四维数据,这些异构的、多维的数据是无法自动对齐、传递信息的。声音和图片不能自动交换信息,文字和视频也无法直接沟通。因为我们过去的IT技术是基于文件传输的,使用各种垂直领域的软件来分门别类地打开文件,因此当异构数据汇聚到一起,需要协同的时候,那就是鸡同鸭讲,不在一个频道。
元宇宙、虚拟现实技术,都高度依赖于高维数据,我们将要面临的数据环境至少是三维起步,甚至四维。 因此,高维数据、异构数据,如何拉通?如何让数据和数据高效地交换信息?比如研发部门的数据,如何与内部的工艺设计,采购,生产制造高效协同?如何与外部的供应链企业协同研发、协同制造?这些都是智能制造中绕不开,必须要去解决的难题。