《装备制造业智能化升级与数字化转型路径研究.docx》由会员分享，可在线阅读，更多相关《装备制造业智能化升级与数字化转型路径研究.docx（9页珍藏版）》请在课桌文档上搜索。
1、综述作为机械工业的核心部分，装备制造业是先进生产力的代表和竞争力的关键,其发展程度已成为体现国家综合国力的重要因素。根据中国制造2025的三步走战略目标：到2020年，基本实现工业化，制造业大国地位进一步巩固，制造业信息化水平大幅提升。掌握一批重点领域关键核心技术,优势领域竞争力进一步增强,产品质量有较大提高。制造业数字化、网络化、智能化取得明显进展。基于这一战略目标，装备制造业为实现产业升级，需要产品与运营两手抓。一方面通过研发的资源投入和产品的服务化拓展实现产品本身的迭代升级；另一方面，需要借力数字化、网络化和物联化等技术的发展，实现内部数字化运营能力和产业协同运营能力的阶段性提升。智能化
2、产品升级1研发先行现状：作为集资金、技术和劳动为一体的密集型产业，装备制造业在研发领域普遍具有专业性强、技术含量高的特点。从全球来看，装备制造业相关的创新技术研究活动较为频繁；并且，随着大量新技术、新工艺的渗入应用，装备制造业对研发的要求将不断被强化。借助人口红利带来的低劳动成本，我国装备制造业在生产规模和速度上一度处于全球先进水平。但目前来看，我国的装备制造水平仍旧处于“大而不”强的阶段，低成本的比较优势也正在逐渐消失，发达国家和新兴经济体正纷纷抢占制造业发展先机。究其根本，我国装备制造业在部分关键领域和关键零部件的核心技术上受制于人的现象较为普遍（表一），依靠设备进口和技术引进的发展模式势
3、必会受到国际贸易环境的牵绊。因此，提高关键技术的研发水平和创新能力是我国装备制造业形成国际竞争优势的必要要求。表一；几大篁点装备制造细分行业发展趋势装备制造细分行业发展形势高档数控机床与机盘人装备进出口下降态势明显，关键核心技术有所突破产品质量与性能等方面与国外先进水平有较大差距，关键零部件设计领域尤为突出先进轨道交通装备以中车为主的轨交装备制造企业研发投入稳定，创新体系不断完善，“走出去”步伐进一步加快关键系统和核心零部件的基础研发依旧较为薄弱，在产品安全性、可匏性和使用寿命等方面仍有待提高，产品标准体系冏未形成，总成、转向架和牵引制动技术方面的科技成果仅形成国内标准，但尚未得到国际认可航天
4、航空装备大型民航客机与支线客机研发方面取得突破，航空设备自主创新稳步推进通用航空方面制造规模和产业规模偏小，核，3支术的研发难度估计不足，投入欠缺，导致产业基础蔚弱；航空方面应用潜力未得到释放，经济效益待加强海洋工程装售与高技术船舶产能结构性过剥得到缓解，市场和技术竞争开始升级，中国在总装建造方面的优势有所提升研发投入强度和技术悌备力量不足，导致创新力和引领能力较日韩等先进造船国家相比仍曳待提高节能与新能源汽车绝大多数节能技术在乘用车,商用车和客车方面均已获得不同程度的应用尚未形成国际一流水准的企业和品牌，国际化运营模式和引资引智引技术水平歪待提高电力工程装备 在供给例改革深入的背景下，产业发
5、展平稳提升，燃煤发电技术、水电工程建设和核电领域均逐步达到全球领先水平 在关鲤基础零部件、基础共性技术、关键基础材料、电气成套设备和核心控制系统等方面进口依赖程度仍较高，产业智能化升级发展需进一步提速农业发展若备全国集聚政府,科研院所和企业资源，以形成农业装备协同创新机制，装备品种数量向发达国家逐步靠拢农业产品数字化智能化技术仍处于起步阶段，具备实时采集与自动监控功能的产品较少，主流产品的关键零部件和整机装备类型单一，附加值较低，整体较落后措施：根据2019年10月工信部等十三个部门联合印发的关于印发制造业设计能力提升专项行为计划(2019-2022)的通知，“强化高端装备制造业的关键设计被作
6、为重点设计突破工程的首要任务(表二)。表二：关于印发制造业设计能力提升专项行为计划(2019-2022)的通知中关于装备制造业的关健设计 在轨道交通领域，重点突破列车转向架高速列车车轴设计，列车车体材料、结构和内部布局及辅助设备设施优化设计，先进城市有轨电车、中低速磁悬浮、跨座式单轨、市郊通勤动车组等新型轨道交通工具设计。强化高端装备制造业的关锭设计 在航空航天领域，重点突破飞机锻动及结构、航空发动机、机载设备及系统、无人系统、火箭发动机等系统关键设计. 在船舶海工领域，重点突破智能船、邮轮等高技术船舶，深远海油气资源开发装备等海洋工程装备，以及核心配套系统及设备的关键设计。 在电力装备领域，
7、重点突破燃气轮机整体设计，核心热端部件设计和现役装备热端部件的修复及优化升级设计，特高压交直流关键装备设计等。一方面，以市场机制为纽带，推动产、学、研、用一体化发展，是坚持创新驱动发展、加强创新体系和创新能力建设的一项重要内容。装备制造业产业链长，各环节关联性强，利用“产、学、研、用的协同力量促进研发创新是必然选择。在“产的环节，企业应主动担起主要行动者和执行者的角色；在“学和研的环节，创新人才和研发能力的培养是重要推动力，推动从源头上补足装备制造业人才短板；在用的环节，通过有效的市场反馈、体验参与和局部微创等方式，拉动创新系统的前进。另一方面，装备制造业应借力数字李生、3D打印等技术，实现在
8、产品设计、建模仿真、样机制造和设计反馈等阶段的数字化转型。通过实现产品全三维数字化设计，建立产品工艺布局、加工流程、装备和实验等环节的虚拟仿真；通过五维仿真技术，补足传统三维模型无法承载的作业环境的信息和时间维度信息，实现不同时间不同地理环境与产品的耦合动态。2服务共赢现状：消费升级的大背景下，中国社会的经济形态正在经历从“工业经济到服务经济的转型更迭。作为制造业与服务业深度融合的重点发展领域，装备制造业不断在探索服务化的发展路径模式。但由于其所涉及到的设备复杂度和多元性,装备制造业产业服务化的进程相对于其他产业较慢，行业内厂商更多的仅是将服务作为后市场层面“附加价值的载体，还未实现产品服务化
9、，甚至“活产品的产业模式。对于传统的大型复杂装备制造领域，例如轨道交通、航天航空以及船舶海工等，核心设备的检维修都已逐步产业化，形成完整的后市场服务产业链，但这样的服务更多是以针对特定产品的故障维修工作和定期的预防性维护工作为主，从而导致成本虚高、服务不及时性等多种问题的出现，整体后市场的服务质量和收益情况并不乐观。从市场需求来看，成果性经济盛行的时代即将来临，实体产品越来越无法满足客户的需求，除了单纯的硬件产品，对产品相关的信息和数字化服务己经逐步从后市场步入前端需求；从产品的生命周期来看，装备制造业产品由于其产品复杂度，在其工艺设计、加工制造过程、部件装配过程、维护维修过程到再制造过程都需
10、要产品制造商提供大量支持。因此，提供成果而非单纯产品是装备制造业“产品及服务这一转型路径的重中之重。措施：随着以传感、识别、通信以及物联技术为基础的智能装备制造业的大力发展,设备状态的实时监控与数据采集逐渐成为可能。智能产品与平台服务的连接，将实现以数据为核心的泛力生态系统。在成果经济的推动下，数据和基于数据的洞察与决策将成为工业的价值驱动力，而作为企业能融入这一生态系统，将是立足数字化市场的根本。例如，在产品使用过程中，装备制造厂商可利用产品回传的数据，有针对性地实现设备状态信息、环境信息等各种数据的实时监控，再通过机器学习和大数据分析的推演，建立数理模型，对设备的健康状况做出评估，并对可预
11、测性故障发生频次、程度等进行提前预测分析。这些分析数据一方面可以提高内部运营的效率，增强市场响应能力，在指导产品备件的及时采购和产品可靠性的优化升级等方面均能产生决策性影响。另一方面，也是更重要的，数字化价值链的形成需要各环节企业共同参与与决策制定，快速实现外部变化的根本是在专注自身核心竞争力的同时，开展并引导彼此的合作，而物联生态系统则是促成合作的桥梁。设备数据的积累将逐步加速产品数据的资产化进程，利用设备监测与机器学习带来的大数据资产，制造厂商可研制出设备全生命周期管理等服务方案，实现从设备产品提供商到“活产品提供商的转型升级，成为可为客户提供设备状态监测、大数据分析等配套服务的合作伙伴。
12、数字化运营转型现状：高新技术的突破，促进装备制造业发展提速。传统装备制造业的数字化改造是重中之重，这决定着中国制造业的整体价值。大数据产业的快速发展，为装备制造业注入新的生产源动力。一方面，大到全球性互联网巨头、咨询公司，小到科技类创业公司，都在不断探索“大数据+等相关新兴技术在制造行业中的数字化转型解决方案；另一方面，工业巨头也立足于深耕多年的产业链，拥抱新技术为生产运营带来的红利。在此格局下，“新制造已经成为不可阻挡的未来。相较于数字化发展如火如荼的零售业，装备制造业在数据管理和分析能力上一直存在短板。因运营资本较重、运营流程复杂等原因，行业内企业信息系统众多，系统管理相互独立，数据存储分
13、散。因此，在运营的数字化发展上，装备制造业仍然沉浸在将数据作为管理辅助工具的阶段。措施：借鉴其他行业的先进管理模式，我们认为企业数据运营往往需要经历三大阶段（表三）。而作为数据化程度相对较弱的装备制造业，需要通过前、中、后端的变革逐步实现阶段性突破。1后端：全量化大数据挖掘所谓全量化大数据，则是相较于传统的局部性小数据，综合了图像、音频等非结构化数据，综合了企业内外部不同来源数据的数据集合总称。上一个十年，随着ERP、CRM等企业系统应用的兴起，装备制造业的信息化水平大幅度提升,“业务数据化的工作已逐步完善。虽然业务人员对数据有了一定的认识，但这种认识大多数仅停留在对业务系统中简单结构化的理解
14、上。因此，从两个方向上拓展多元化大数据是企业数字化决策实现的基础。一方面，通过网页和社交媒体等相关平台中的数据获取，可以帮助装备制造企业打破2B局限，直面最终用户。数字时代下，企业讲求“以人为本，客户作为有温度的个体，需求应当得到察觉并给予充分响应；装备生产也一样，最终落地的体验还是在人身上。但相较于2C行业，装备制造业很难直接获取到较为明确的2C端市场用户意愿。在全量化大数据的思路下，越过2B的屏障，直接通过人产生的数据理解群体思想，能更好地帮助装备制造企业跳出2B的局限。另一方面，装备制造业涉及较多传感技术与物联设备，高效利用机器生成的数据，可以大大提升装备制造业生产能力。智能化时代下，多
15、种设备前端的数据收集系统已逐步自动化，加上物联与互联网的发展，庞大而丰富的数据源有待被开采。行业特点决定了行业优势，通过采集设备的第一手数据抢占先机，将是装备制造业智能化路径的重要里程碑。2中端：战略性数据中台从数据处理层来看，以BW/BO系统为主的企业数据分析工具已在各行业被广泛使用；但就实现情况而言，在装备制造业，大部分的BW/BO应用仅能基于以ERP为主的业务系统数据，提供事后分析报表，这些报表大多强调业务的标准化和规范性。但由于市场需求多样化和生产模式多元化的快速发展，这类标准报表已无法满足企业发展所需的数据支持。在装备制造业，系统数据各自独立、数据服务效率不高以及业务诉求不匹配等问题
16、成为常态。随着数字产业化逐步从C端走向B端市场，以HadoopSpark等分布式技术和组件为核心的“计算&存储混搭的数据处理架构为主体的数据中台战略，将在制造业兴起并日渐成熟。数据中台的出现使得企业对于多源异构数据的预测性分析、实时性分析和主动性分析成为可能。3前端：场景化数据决策在数据的前端展现层面，传统的单一报表或简单图表输出模式已无法满足目前企业的业务决策。在硬件与软件的优化升级中，多样化的数据展示应用己逐步形成，管理驾驶舱、即席分析、生产看板、自助报告、数据大屏、预警通知等，企业可以根据不同的使用场景，例如高管办公室、会议室、生产车间等，选择适当的数据展示方式。除了展示方式的场景化，数
17、据决策过程的场景化更重要，不再是传统的基于单向流程的基础性数据展示，而是双向的使用和反馈，并通过闭环的场景化过程形成新一轮的业务数据化，从而实现不断优化的智能模式。对于零售业和服务业等第三产业，往往更注重满足“千人千面的用户个性化需求；但对装备制造业来说，需要清晰地认识到，场景化数据决策的建立不仅仅取决于技术的发展，更重要的是需要对业务场景的明确把握。一方面，决策者应该明确将数据决策的过程嵌入运营环节，深入现场，而非闭门造车；另一方面，也需要在必要的时候借助业务专家对发展趋势和业务重点给予专业的建议，从而真正实现从数据辅助业务向数据驱动业务的转变。表三：企业数据运营的三大阶段阶段特点管印模式主
18、要产物第一阶段:统计分析以业务需求为导向，通过IT建设实现业务过程的流程化、自动化，可能会有少量数据记录，但并没有以数据为导向积累数据。企业战略：战略定位纯粹以业务为驱动,以流程与自动化为导向,数据形态：数据以业务系漫为依托.据无组织，维度单一，无质量管控。数据场景：仅针对关解指标和数据有筒单单一的统计分析，用以领助业务胞结.数岖应用工具：主要其干系线报表模块和导出后的excel.模式单一蛆织架构：无专业率据部门.以IT部门的数据库运维管理和业务管理人基于现状的描述性报告，主要回答“发生了什么”和“正在发生什么”的问题。员为主。第二阶段:决策支坤在业务系统建设的基批上，慕于业务目标进行数据收集
19、,管理和分析，通过数据仓库的建设，为企业业务提供决策支持。企业战略：开始通过数据支撑经营决策，并考虑实现数握与业务的融合。数据形态：开始注承业务各环节的数据汇整，数据维度逐渐丰寓,开始注重数据质量。数据场置：基于数据仓位进行各业务主体的数据收集、管理和分析，构建管理驾驶舱、企业运行指数等场点应用。数IK应用工具：开始建不效根仓库、触板开卷T具和专业可视化丁具.进行系统化数据收集、管理和分析。组织架构：出现数据分析师岗位.可能会专设数据挖掘或商业职能部门。基于现状的对未来趋势作出预判分析的颈测性报告，主要回答“将来会发生什么”的问题。第二份段:数期普动开始基干海量数据积累，利用大数据、机器学习和
20、深度学习等技术，进行数企业战略：企业开始将数据作为企业的重要资产和生产资料，真正开始考虑数魁动业务发51.数据彩态:数据积累具备一定规模，对结构化和非结构化数据进行和处岖的深度挖掘和分析，通过对多源、异枸的全域数据的汇聚和打通，博界考虑数据价值的应用，实现业务与数据的深度融合。理和应用，开始进行数据清法加工脸隹化处理。数案场景：以满足业务需求为主，用数据提升现有业务能力，进行智能化升圾，从业务上认知到数据的价值，实现业数融合；数据应用，具：开始通过Had。/SDark生态体系为代表的批计算、灌计算、即席计算、在线计算等大数据处理技术及机蓄学习深度学习药法进行数据汇聚与开发。组织架构:设立业务部门的数据团队,为业务场景的需求提供数据靛力的支撑，设置大数据工程师、算法工程师,数据科学家等职位.基于趋势判断和业务倾向的指向性分析报告，主要回答“我应该做什么”的问默。
