美国智能制造领导力联盟——美国国家智能制造创新机构的领导者
本文由空天防务观察（ID：AerospaceWatch）授权转载，作者：航空工业发展研究中心青年学者、国防制造创新问题研究专家刘亚威
2016年6月20日，奥巴马宣布美国国家制造创新网络计划中 “智能制造创新机构”的获胜团队，已经酝酿了一年半的竞标终于尘埃落定。该机构由能源部牵头组建，将由获胜团队——美国智能制造领导力联盟（SMLC）负责管理，笔者曾在该机构开启竞标之时就预测SMLC将会胜出。由于国内外利益组织对工业互联网和工业4.0的技术性炒作，SMLC一直是比较神秘的存在，本文将给大家呈现美国官方对智能制造（Smart Manufacturing）的见解，展示他们所做的低调但意义重大的事情。
美国智能制造领导力联盟（SMLC）于2006年成立，它一直负责的“智能制造”计划是“智能美国”计划的一部分，在美国国家制造创新网络的数字设计与制造创新机构成立之前，SMLC是美国唯一的由政府、工业界、学术界、研究机构、协会组建的智能制造研发促进机构。SMLC提出的相关智能制造概念、路线图和行动计划反映了美国官方对智能制造的见解以及业界发展的典型路线。
一、智能制造领导力联盟
近年来，为了重塑美国制造业的全球竞争优势，美国启动了制造业振兴战略，加快发展技术密集型先进制造业，实现再工业化。作为先进制造业的重要组成部分，智能制造得到了美国政府、企业各层面的高度重视。美国能源部、商务部国家标准与技术研究院（NIST）和国家科学基金（NSF）是智能制造的重要支持力量，近年来资助并设立了众多研究项目推动其发展，这其中就包括2006年成立的美国“智能制造领导力联盟”。
“智能制造领导力联盟”（SMLC）是一个致力于构建一个开放共享的智能制造平台，突破“智能制造系统”开发与部署难题的非盈利组织。SMLC成员包括通用动力、通用电气、通用汽车、美国铝业公司、美国能源部、美国国家标准与技术研究院、国家科学基金、美国制造技术协会、机械工程协会等。SMLC负责的“智能制造”计划与“轻巧成形技术”等计划都是“智能美国”计划的一部分。
SMLC的目标是构建一个基于云的、开放式架构的软件平台，集成了现有的和未来的工厂级数据、仿真和系统，并策划业务的实时行动。在这个智能制造平台上，智能制造系统实时地将制造智能数据集成到整个工厂和供应链，包括设计、工程、计划和生产。集成智能制造系统需要实现面向多层数据管理与建模的生产运营中所有层级的实时动态界面连接。
2008年，在国家科学基金（NSF）的资助下，SMLC的工作组会议发布了“智能流程制造”（SPM）路线图，针对SPM的愿景提出了5条路线。2010年，面向21世纪的智能制造，SMLC的工作组会议提出了“智能制造企业（联盟）”愿景，以及行动计划。路线图和行动计划描绘了美国未来实施智能制造的蓝图。
二、SMLC的智能制造概念
2014年12月，美国政府启动了国家制造创新网络中智能制造创新机构的竞标，该机构将由能源部牵头组建。能源部对智能制造的定义是：智能制造是先进传感、仪器、监测、控制和工艺/过程优化的技术和实践的组合，它们将信息和通信技术与制造环境融合在一起，实现工厂和企业中能量、生产率和成本的实时管理。这一定义即是来源于SMLC一直以来对智能制造的见解。
SMLC进一步指出，从工程的观点来看，智能制造是先进信息（Intelligence）系统的增强应用，能够实现新产品的快速制造、产品需求的动态响应、工业生产和供应链网络的实时优化。智能制造将制造的所有方面连接起来，从原材料进入直到成品交付。它建立了一个跨产品、运行和商务系统谱系的富含知识的环境，这个谱系延伸至工厂、分销中心、企业和整个供应链。
SMLC特别将能量管理作为智能制造的重要一环，因此它们提出的智能制造概念是以智能工厂为核心，还要加上智能电网等组成一个更广泛意义上的智能制造系统。而且值得注意的是，与中国业界多以技术为导向提出智能制造的概念不同，SMLC采用以结果为导向来提智能制造，搞智能制造的目的是为了增加投资还是为了减少成本，往往是中外推行智能制造背景的一个显著区别。
SMLC对健康与可持续的制造进行了一番层次化的说明，并且区分了物联网和大数据的主要作用层次。可以说，实现智能的过程就是将数据转化为信息、将信息转化为知识、将知识转化为智慧、将个体智慧上升为集体智慧的一个过程，这必将是伴随智能制造的实现而达到的一个终极目标。因而，SMLC甚至欧美国家设立的若干个计划和项目，研究的众多使能技术与关键技术，都是在为实现“数据-信息-知识-智慧”（DIKW）这一循环模型而努力。
SMLC认为，智能企业/企业联盟关注联网的工厂和动态的供应链，它通过构建共享的、保护知识产权的智能制造硬件基础设施和软件基础结构，将制造引向服务，实现物联网和数据、服务联网。在SMLC描绘的广义智能制造系统中，机器-人-材料（物料）实时动态互联互通互感互知，智能制造就体现在多层、跨尺度的动态连接、时间控制、数据循环与自主活动中。
三、SMLC的工作要点
SMLC是为数不多的给出了“智能制造”定义的，而且提出了若干关键技术，包括：联网的传感器，数据互用性，多尺度动态建模与仿真，智能自动化，可扩展的多层级赛博安全。SMLC组织制订的“智能流程制造”路线图和“智能制造企业（联盟）”行动计划就围绕这些关键技术，确定了集成的发展路线。
五个连续路径实现智能制造
智能制造的企业场景中，统一的模型集成到全部运行中，对象和过程都体现了分布式智能，企业范围内形成自感知、自优化的系统，以及可共用信息和能力的系统，建立任何操作和运行的影响都可预测的工业。实现智能制造要分五步走：一，将数据转化为知识，关注建模标准、数字化环境与信息基础设施；二，将知识转化为模型，关注智能化的工艺建模、仿真、分析与优化；三，将模型转化为关键工厂资产，关注工厂级的智能工艺实施与智能制造管理；四，关键工厂资产的全球化，关注企业（联盟）级的智能制造；五，建立关键绩效指标，关注面向智能制造的教育与技能。
四个行动计划打造智能制造企业
智能制造企业（联盟）应该从工厂运行到供应链都是智能的，能够全寿命周期地虚拟跟踪资本资产、工艺和资源，具备柔性、敏捷和创新的制造环境，绩效和效率都是最优化的，业务和制造都是高效协同运行的。针对这一2020年目标，确立了四个行动计划：一，搭建面向智能制造的工业界建模与仿真平台；二，构建经济可承受的工业数据收集与管理系统；三，在商务系统、制造工厂和供应商之间实现企业（联盟）范围集成；四，加强智能制造中的教育与培训。
四、“智能流程制造”路线图
“智能流程制造”（SPM）描述的是一种技术和能力，其中的各类计算模型是数据、知识、技能、决策和发现的集成点，它是将数据和知识构筑成有用的形式并应用的方法。为使企业获得全球竞争能力，SPM中嵌入的知识和技能需要成为企业下一代的关键运行资产。
（1）愿景
从技术的角度，SPM的愿景是：制造流程将是由知识驱动的、基于模型的；信息流将是无缝的，没有多余的数据进入；可共用信息的系统将利用数据支撑建模工具和决策支持系统；运行将是闭环的并处于分布式控制下，自动感知所有关键参数，确保所有参数维持在控制范围内；工人将与企业信息和知识过程无缝连接。
现在 | 未来 | 结果 |
运行中的一次性模型 | 模型集成到运行中 | 遍布的、协调的、始终一致的和可管理的模型 |
分散的智能 | 分布式智能 | 数据、信息、知识、模型和技能都可用于做出正确决策 |
缺乏智能的系统 | 自感知系统 | 自主的系统，理解其在企业中的角色并且采取行动优化其表现 |
独占的系统 | 可共用信息的系统 | 系统在标准协议下通信，实现信息、能力和最优组件共享 |
不可预测的工业 | 可预测的工业 | 在运行包线内实施影响可预测的操作 |
路线图共包括5条最终会聚为智能加工制造的路线，分别是“从数据到知识”，关注采集与解释数据；“从知识到运行模型”，确定工厂运行需要什么模型和仿真；“从运行模型到企业应用的关键工厂资产”，将这些模型和仿真集成为综合的工厂运行，朝弹性的、积极主动的工厂运行迈出重要步伐；“从企业应用到从全球应用的关键工厂资产”，关注全局思考与决策；“从人员、知识和模型到组合的关键绩效指标（KPI）”，关注员工培训和转变。
（2）路线一：从数据到知识
在SPM环境中，能够更高效地从正确的源收集正确的数据。未来，传感器网络将收集更多的数据并互相通信。首先，分析数据并编译为对生产有用的信息；之后，基于以往的经验、规则、标准和预测对这些信息进行处理，以修改工艺和产品模型，并生成和提供做出正确决策与行动所需的知识。信息转换环境必须考虑风险与不确定性。
（3）路线二：从知识到运行模型
运行模型是知识（物件、资产或工艺以及它们的相互作用）的应用表达，描述了达到SPM目标所需的集成度和标准化的水平。未来，能够获取并应用知识创建模型，精确表达工艺中的组件和材料，以及它们的功能、相互作用和转换过程。知识的应用将使企业形成提供实时、动态管理与控制的运行模型的构建能力。
（4）路线三：从运行模型到企业应用的关键工厂资产
SPM的下一个里程碑是从多尺度运行模型到基于知识的工厂集成应用，模型中包含了运行的知识和经验。未来，将会出现关键的集成模型系统，它需要作为关键工厂资产来管理。路线三有两个重要的方面：利用总体的运行模型，通过加强人员、模型和设施的协调，来高水平和高质量地计划、创建、运行和管理工厂业绩；将详细的运行模型集成系统视为与设施、数据、材料技术和专家、熟练工人同等重要的关键工厂资产，来计划、控制和管理SPM企业的每个部分。
（5）路线四：从企业应用到全球应用的关键工厂资产
领先制造企业视全世界为市场和运行地点，工厂资产的概念必须通过智能协作过程扩展至全球应用且打破企业界线。未来，要在过程控制、仿真分析和生产管理中不断探索先进技术手段并进行集成，超越传统的企业范围实现共同利益并加速广泛合作，还必须妥善处理语言、文化、规章等不同之处。全球性业务合作的成功要求各企业在运营系统之间的通信、在保护知识产权和竞争优势的同时共享信息、以及在建立柔性和快速响应系统方面达成一致，以最优化彼此的经营活动。这其中的挑战远超绝大多数供应链管理系统的能力。
（6）路线五：从人员、知识和模型到组合的关键绩效指标
SPM环境有效地协同人员技能、知识和集成的模型系统。未来，所有的技能、能力和知识都将融入一个集成环境中，在其中可以得到制造成品率和其它生产目标，可以确保环境、健康与安全（EH&S），而且关键绩效指标（KPI）持续衡量企业成功与否。制造企业将全面和熟练地使用所有可用知识和经验，利用可以学习的智能模型通过基于计算机的系统增加知识，在设计和制造全寿命周期的每个步骤中实现多目标最优化。
五、“智能制造企业（联盟）”行动计划
在智能制造领导力联盟2011年6月发布的《实施21世纪的智能制造》报告中详细列出了“智能制造企业（联盟）行动计划”的愿景、2020年目标和成果、绩效衡量准则，以及行动计划。行动计划包括四类：面向智能制造的工业界建模与仿真平台；经济可承受的工业数据收集与管理系统；企业范围集成：商务系统、制造工厂和供应商；智能制造中的教育与培训。
（1）愿景与目标
理想的智能制造企业（联盟）应该包含制造的方方面面（从工厂运行到供应链），并且能够全寿命周期地虚拟跟踪资本资产、工艺和资源，最终得到的将是柔性、敏捷和创新的制造环境，绩效和效率都是最优化的，业务和制造都是高效协同运行的。
智能制造企业（联盟）2020年应达到的目标包括7条：
降低在核心制造工艺中应用先进数据分析、建模与仿真的成本；
降低前置竞争性基础设施的成本，包括数据和信息网络、可共用的软硬件以及共享的商业数据；
建立一个共享的工业界源平台，就像应用程序商店那样开放浏览，提供可定制的软件服务，以促进创新；
面向企业的制造智能化应用，广泛接入下一代感知技术和数字基础设施（如一次性传感器，数据融合，提升测量精度和智能化程度的、多源组合数据的有线和无线网络）；
为智能制造概念建立国家试验台或方便的用户设施，使其对所有规模的企业都可用；
面向物料与产品的实时规划和及时跟踪/可追溯性，开发虚拟工厂和供应链工具（如实时仿真和可视化，虚拟试验台，动态风险分析，动态供应商参与）。
在企业中应用仪表盘绩效工具（如关键绩效指标，关键数据的动态监测和可视化）管理动态生产、关键资源（能量、水、空气）的使用和存储、可持续性和环境、健康与安全（EH&S）。
达到这些目标后，将会形成6个综合成果，它们描述了未来智能制造的状态：技术创新和经济健康，敏捷，资源高效利用，安全与信心（可靠），可持续性，下一代工人。为衡量这些目标和成果，还提出了相关进展的衡量准则，包括6个大项：产品化周期缩短；与智能制造模型和工具相关的成本降低；在企业范围内执行智能制造概念；在高度优化和安全的工厂中，由需求驱动且高效地利用资源；建立描述产品可持续性的通用语言；现有工业基础的维持与增长。
（2）行动计划一：面向智能制造的工业界建模与仿真平台
智能制造的大规模使用需要模型和计算平台向众多用户开放，提供轻松访问的同时保护知识产权。计算工具也需要拥有先进功能以支持在工厂环境中进行更复杂的分析和决策，并且在制造企业中与商务系统集成。这些功能包括所有关键绩效指标以及企业范围数据的集成，包括原材料、设备、设施、产品和后勤。人员因素也必须在决策工具和自动系统中加入，把人类行为和行动与机器知识进行集成。
（3）行动计划二：经济可承受的工业数据收集与管理系统
支持企业范围的智能制造系统需要大量数据，这些数据需要使用高效、标准化的方法收集、存储、分析和传送，高效且经济地管理和使用数据对智能制造是一个重大挑战。解决当前数据系统的局限需要开发相容的数据方法以及新的收集体系结构，这一体系结构使用综合传感器网络并使数据传输简化。数据系统需要是不同平台与用户共用的且在其间是可交换的。
（4）行动计划三：企业范围集成：商务系统、制造工厂和供应商
制造企业（联盟）比制造工艺和产品更大，包括横跨制造工厂、企业和工业界的众多业务和管理职能。供应链中制造运行与业务职能的集成是未来智能制造企业（联盟）的一个中心优势。成功地集成业务规划和制造决策将极大增加各种资源使用中的生产率和效率。无损知识产权的跨供应链集成将为改进供应商绩效开辟新方法，并且能让供应商占领新的或邻近的市场。
（5）行动计划四：智能制造中的教育与培训
为了持续发展智能制造的技术以及其它方面，并且使工厂有效采用并广泛使用智能制造，需要打造一支熟练的劳动力大军。这其中的关键在于大学和学院课程中加入智能制造概念，在高等教育中包含这些概念将确保工程师和科学家骨干在所需学科中得到培养。对于培训操作员使用新工具，确保将人员因素持续纳入计算和自动化工厂系统来说，工厂或工业培训项目也是需要的。能够在工厂运行中看到决策的影响，并且从中学习的操作员会成为高效的资产。
从行动计划四就可见，与美国国家制造创新网络一样，SMLC仍然是把教育和培训作为核心行动计划和重要发展目标成果，而不是什么保障措施，对于人在智能制造中的作用，这是中美之间最大的认识差异。