您的位置: 首页 > 新闻中心

    中国智能制造重点部署及未来发展

    作者:威海网络公司 日期:2018-08-01 点击:1219

    编者按:智能制造已成为全球价值链重构和国际分工格局调整背景下各国的重要选择。发达国家纷纷加大制造业回流力度,提升制造业在国民经济中的战略地位。亚洲作为制造业重要区域也在积极部署自动化、智能化,其中中国是亚洲智能化转型的重要力量。日前,咨询公司德勤(Deloitte)发布报告《2018中国智能制造》,对中国智能制造发展情况、重点部署进行总结分析,并对未来发展趋势及问题进行探讨。“创新研究”微信公众号对该报告主要观点及数据进行摘编,以飨读者。

    一、中国智能制造进入高速成长期

    中国是亚洲智能化转型的重要力量。政府加强智能制造顶层设计,开展试点示范和标准体系建设;企业加快数字化转型,提升系统解决方案能力。中国智能制造取得明显成效,进入高速成长期。中国智能制造成长期主要体现在三个方面,如图1所示:

    2018中国智能制造重点部署及未来发展

    图1 中国智能制造成长期主要特征

    1. 数字化能力素质提升

    根据国际普遍认可的工业4.0发展路径,企业智能化程度可分为六个阶段,如图2所示:

    2018中国智能制造重点部署及未来发展

    图2 工业4.0发展路径

    据德勤调查显示,81%的受访企业已完成计算机化阶段,其中41%处于连接阶段,28%处于可视阶段,9%处于透明阶段,而预测和自适应阶段的企业各自占2%。

    2. 智能制造利润贡献显著提升

    据德勤调查显示,2013年智能制造为企业带来的利润并不明显,55%的受访企业其智能制造产品和服务净利润贡献率处于0-10%的区间,而2017年,仅11%的受访企业处于这个区间,而41%的企业其智能制造利润贡献率在11-30%之间。利润贡献率超过50%的企业,由2013年受访企业占比14%提升到2017年的33%(见图3)。

    2018中国智能制造重点部署及未来发展

    图3 智能制造产品和服务利润贡献率显著提升

    3. 应用市场潜力

    中国已连续六年为工业机器人第一消费大国。国际机器人联盟(International Federation of Robotics, IFR)数据显示,中国工业机器人市场规模在2017年为42亿美元,全球占比27%,2020年将扩大到59亿美元。

    德勤对中国市场优势进行分析发现,主要有个两方面:一是数据量,由于中国的人口数量和设备数量庞大,中国企业在获取数据方面具有天然优势;二是中国制造业企业硬件设备和厂房相对欧美企业普遍较新,比较容易实现设备连接和厂房改造。

    2018中国智能制造重点部署及未来发展

    图4 全球主要市场工业机器人销量

    二、智能制造部署重点

    德勤调查发现,中国工业企业智能制造五大部署重点依次为:数字化工厂(63%)、设备及用户价值深挖(62%)、工业物联网(48%)、重构商业模式(36%)以及人工智能(见图5)。

    2018中国智能制造重点部署及未来发展

    图5 受访企业智能制造部署重点领域

    1. 数字化工厂

    智能制造是以制造环节的智能化为核心,以端到端数据流为基础,以数字作为核心驱动力,因此数字化工厂被企业列为智能制造部署的首要任务。

    目前企业数字化工厂部署以打通生产到执行的数据流为主要任务,而产品数据流和供应链数据流提升空间大。打通数据流主要包括三类数据的连通,如图6所示:

    2018中国智能制造重点部署及未来发展

    图6 三类数据连通

    (1)生产流程数据:打通生产流程数据除了从生产计划到执行的数据流(如ERP到MES),还包括MES与控制设备和监视设备之间的数据流,现场设备与控制设备之间的数据流,以及MES与现场设备之间的数据流等。

    (2)产品数据流:打通产品数据流主要体现在产品全生命周期数字一体化和产品全生命周期可追溯。产品全生命周期数字一体化以缩短研发周期为核心,主要应用于模型定义(MBD)技术进行产品研发、建设产品全生命周期管理系统(PLM)等。

    (3)供应链数据流:打通供应链数据流主要体现在供应链上下游协同优化,实现网络协同制造。主要应用是建设跨企业制造资源协同平台,实现企业间研发、管理和服务系统的集成和对接,为介入企业提供研发设计、运营管理、数据分析、知识管理、信息安全等服务,开展制造服务和资源的动态分析和柔性配置。

    2. 设备和用户价值深度挖掘

    德勤智能制造调研结果显示,设备和用户价值深度挖掘是企业智能制造部署第二重点领域。62%的受访企业正积极部署设备和用户价值深度挖掘,其中41%的企业侧重设备价值挖掘,21%的企业侧重用户价值挖掘。

    围绕设备进行价值挖掘可以说是制造型企业的天性。而在用户价值深度挖掘方面,虽然起步较晚,但制造型企业也在探索和尝试。其中,以C2M(customer-to-manufactory,客户到制造)最受瞩目。

    3. 工业物联网

    智能制造要求制造系统具备感知、分析、决策和执行的能力,而这些能力的核心均涉及物联网相关技术,如面向感知的物联网技术(传感器、RFID、新片)、面向分析的工业大数据分析和面向决策及服务的应用平台。

    德勤调研结果显示,目前中国制造企业物联网应用以感知为重点,分析和服务交融将是未来物联网建设重点。受访企业普遍建立系统以传感器采集动态数据,但数据分析和平台应用相对滞后(见图7)。

    2018中国智能制造重点部署及未来发展

    图7 不同行业受访企业典型物联网相关技术应用情况

    感知仅是物联网应用的初级阶段,以数据洞察指导行动,从而提高效率,或者与服务交融创造新价值,才是物联网的核心。云平台通过提供强大的数据传输、存储和处理能力,帮助制造企业采集和处理大量数据。但企业担心云平台的信息安全、知识产权等问题,同时很多企业尚未明确工业云在企业层面的商业应用和相关能力欠缺,导致中国制造企业云部署积极性不高。

    德勤调研发现,53%的受访制造企业尚未部署工业云,47%的企业正在进行工业云部署,其中27%的部署私有云,14%部署公有云,6%部署混合云。

    4. 重构未来商业模式

    智能制造不仅能够帮助制造型企业实现降本增效,也赋予企业重新思考价值定位和重构商业模式的契机。

    德勤调研发现企业对未来商业模式的规划大致呈四类:30%的受访企业未来商业模式将以平台为核心,26%的企业走规模化定制模式,24%以“产品+服务”为核心向解决方案商转型,12%以知识产权为核心(见图8)。

    2018中国智能制造重点部署及未来发展

    图8 受访企业未来商业模式定位

    不同商业模式的价值定位和价值创造方式不同,所面临的挑战也不尽相同(见表1)。

    2018中国智能制造重点部署及未来发展

    表1 不同商业模式特点及挑战

    5. 人工智能

    人工智能对制造业的影响主要来自两方面:一是在制造和管理流程中运用人工智能提高产品质量和生产效率;二是对现有产品与服务的彻底颠覆。

    德勤调研发现,51%的受访企业在制造和管理流程中运用人工智能,46%的受访企业在产品和服务领域已经或计划部署人工智能。对于尚未部署人工智能的制造企业来说,缺乏投资人工智能的商业论证、尚不具备建立和支持人工智能的系统能力、尚不明确部署人工智能的前提为主要挑战(见图9)。

    2018中国智能制造重点部署及未来发展

    图9 受访企业尚未部署人工智能的主要原因

    人工智能正在迅速渗透各行各业。汽车及汽车零部件制造、高端装备制造、电子及电器制造三个行业在制造流程中采用机器人的比例过半。在产品和服务领域已经或计划部署人工智能的行业分布比较均匀(见图10)。

    2018中国智能制造重点部署及未来发展

    图10 不同行业受访企业人工智能应用及部署情况

    三、跨越能力鸿沟

    重构商业模式是一项复杂艰巨的任务,德勤请企业就实现构想中的商业模式所面临的能力鸿沟进行打分。综合来看,商业模式优化、创新管理以及云部署为企业能力建设三大关键任务(见图11)。

    2018中国智能制造重点部署及未来发展

    图11 受访企业能力鸿沟

    1. 商业模式优化

    企业需要运用行之有效的方法和工具,从四个工作流程环节入手优化商业模式。一是企业转型整编:挖掘可以整体改动或局部改进的待优化环节;二是重新配置信息技术系统:需要探索、设计与实施基础设施及信息技术系统的改进;三是重新调配人员:侧重于设计和实施人员调度,以及包括制定新的关键绩效指标及汇报关系;四是重组法律、财务及税务架构。

    2. 创新管理

    创新管理目标包括优化创新产品管理、优化生命周期成本、优化资本使用效率和优化风险管理。值得注意的是,单纯的产品创新管理并不能令企业长久保持竞争优势。组合多种创新类型可以帮助公司拥有更好的财务回报。虽然公司的绩效不能全部归功于创新,但创新有助于提升一家公司的机制,包括投资者对它的未来预期。

    3. 云部署

    仅把数据和应用转移到云上是远远不够的。企业需要长远规划,分布执行。企业还需要充分考虑人力资源和数字化程度如何与云部署结合。

    本文摘编自德勤《中国制造 行稳致远——2018中国智能制造报告》

    本文由威海网络公司半岛科技转载整理2018.08.01

    分享到:

    上一条:软件开发报价的计算方法

    下一条:大数据可视化的具体应用场景