品牌:ISI222
ISI222:ISI222
ISI222:ISI222
ISI222:ISI222
起订:1个
供应:53个
发货:3天内
发送询价
ISI222 拦在数字化转型之路上的“四座大山”
“工厂当前面临的*大挑战并不是无法实现柔性生产，而是如何在**跟原来规模化生产成本差不多的前提下去生产定制化的产品。”在演讲一开始，于辰涛便一针见血地指出了问题所在。
过去，工厂升级改造的过程经常会谈到机器换人等话题，但那只是初级的自动化阶段；现在企业的目标则是要实现制造过程的数字化以及由此带来的信息流的自动化，这需要从“人-机-料-法-环-测”几个环节**地进行改造。然而，转型升级的过程中却横亘着四座不得不翻越的“大山”：
**大挑战是工厂里的人工过程过多，导致工单流转的方式难于满足数字化。虽然现在很多工厂已经部署了MES系统用于管理生产工单的执行，然而订单、物料、生产、交付各环节中人机交互复杂，多数以手工表单电子化进行操作，导致交付周期长、出错率高。电子报单需要手工来填写吗？如果利用物联网的手段，从物料的入库，到生产制造过程中不同工位之间数据的流转，再到产品的交付，都应该可以以数字化的手段完成。
第二大挑战在于企业难以实时处理产线设备及终端的数据，实现生产过程的实时响应。工厂信息流自动化的实现需要依赖于设备数据的采集和获取，但这个过程却*非易事。单以传输过程来看，IT*域仅需一种传输控制协议TCP/IP，但是工业*域的控制协议却超过2000种，有些专有工业协议的数据获取甚*需额外付费，或依赖日志数据读取，更别说生产协作还需要对接MES、ERP、PLM、WMS等系统的数据。
ISI222 第三大挑战在于企业的信息化基础差，业务数据既不**，也不**，计划**性低。我们不如以排产过程为例，国内目前有90%的离散制造工厂没有APS（高级计划排产）系统，排产只能靠厂长每天带*工人开生产决策会，这就导致排产的**度不高。但是，即使给这些工厂上了APS，排产也依然不**，因为工厂只管控自己的生产，却没有整合供应商上下游（包括天气、地震、物流等）的数据。试想一下，如果物料的物流出现了异常，势必会耽误生产的进程。
第四大挑战是难于用人工智能技术发现数据的潜在价值，实现决策过程的智能化。很多人说人工智能会颠覆制造业，但事实真的如此吗？一方面，很多重要的工业决策依赖于实时的边缘计算，根本来不及将数据上传到云端经过分析再返回；另一方面，深度学习具有不可解释性，但是工业智能的东西却要求是可解释的，这就要求方案商必须深刻掌握工业机理。
“所以我们认为数字化转型一定要遵从双环驱动，即结合IT域和OT域组建统一的数据平台，然后通过统一的模型来赋能企业的数字化转型。这种统一的模型不单单是AI，而是AI+工业机理模型。”于辰涛进一步总结道。
ISI222 UPH:PS03-2054
UPH:PS03-2055
UPH:PS032303V61U
UPH:PS03-2324V3.02
UPH:PS03-2333V2.00U
UPH:PS03-2334V2.00
UPH:PS03-CSPCV3.01
UPH:PS042002KV301A
UPH:PS042002V301A
UPH:PS05-3001KV5.00
UPH:PS053001KV500A
UPH:PS05-3001V5.00
UPH:PS053001V500A
UPH:PS05-3002KV5.00
UPH:PS053002KV500A
UPH:PS05-3002V5.00
UPH:PS053002V500A
UPH:PS05-3004V5.00
UPH:PS053004V500A
UPH:PS05-3007
UPH:PS05-3010
UPH:PS05-3014
UPH:PS05-3015
UPH:PS05-3023
UPH:PS05-3023K
UPH:PS05-3027
