关于未来工厂发展的五大趋势详解

 

 

MathWorks工业自动化和机械领域行业经理Philipp Wallner日前在接受《电子工程专辑》采访时预测称，2021年，整个工业领域将从大规模生产向定制化生产转型，数字化变得比以往更加重要，包括生产系统更加自主化、工程师更依赖通过仿真的方式去确认设备的行为等。

他将未来的工厂称之为“柔性（Flexible）”的，认为市场驱动力源自商品的个性化，包括从大规模生产向定制化生产、自主的生产线需求、以及产品迭代周期缩短等因素。当然，由此带来的挑战也显而易见，系统复杂性的增加最为显著，例如参数数量与种类、模组与元件之间的数据交互和无处不在的软件。这样，就需要越来越多的仿真模型去进行参数的调优和设计，需要AI和数字孪生技术用于运行优化，或是对设备进行健康预测。“这其中涉及到几个比较重要的生产要素。”Philipp说，其一，性能越来越强劲的硬件，这是确保复杂算法能够顺畅运行的先决条件；其二，由于系统日趋复杂，开发者需要新的工具和设计流程用于开发、测试和部署控制软件和AI算法；其三，也是非常重要的一点，就是要有越来越多的工程师能够把各自领域内的专业知识与AI技术融合起来。而以下五大工业趋势将促成以上预测：

趋势一：AI项目的经济性优势日益凸显

目前，在工业领域，柔性和自主制造是AI发挥优势的重要应用方向，例如预测性维护、健康监测、生产优化、基于视觉的质量检测等。MathWorks提供了大量APPS用于帮助工程师进行AI功能的设计开发，并通过与包括微软在内的厂商合作，将非实时性的数据部署在云端，从而实现从云端到边缘设备端的完整部署。

MathWorks提供了大量APPS用于帮助工程师进行AI功能的设计开发

在Philipp列举的Mondi公司案例中，通过利用MATLAB开发出的用于监测生产线状况的APP，Mondi公司每年能够节省至少5万欧元费用；而在与VDMA的合作中，MathWorks通过提供AI应用指导书指导企业将AI技术应用在基于视觉的智能检测、机器人训练等各种应用中。他强调说，软件已经成为很多用户的一个主要资产，并正在成为他们与同行区分开来的重要因素。复杂的软件，很多情况下包括AI和工程数据的融合使用，在帮助生产制造企业获取成功方面上扮演着越来越重要的角色。在这种背景下，开发和测试基于软件的功能变得越来越重要。所以，生产制造行业的领导企业都在帮助工程师开发和验证软件功能方面相关的工作流以及工具方面，大力投入。

趋势二：机器的功能验证转向数字模式

如前文所述，由于复杂的系统功能日益依赖通过软件实现，使得设计过程中的仿真和测试验证工作，更多倾向于采用数字化模型的方式去实现从设计，到交付，再到运行的全生命周期。这种复杂性往往来源于我们对于柔性生产、模块化生产、更高质量和精度、更多数据吞吐能力、以及更短的上市时间和交付周期的需求。这意味着，未来的工厂将被建造两次——先虚拟，再实体。在设计环节，设计人员可以在Simulink环境下用桌面仿真的方式对整个系统进行完整的构建，并在比较安全的环境下对整个系统做基于仿真的测试；接下来，利用MATLAB提供的自动代码生成功能，将经过验证的算法生成面向于工业控制器的CC、C++代码；再下一步，通过采用虚拟交付技术，将测试环境部署到实时运行的工业原型机上，对即将交付的软件进行测试，从而显著减少利用物理实体进行测试的需求；最后，就可以利用这种模型去构建数字孪生体，用监测/预测性维护算法对设备的状态进行估算，降低运维成本。

基于仿真的测试

在回答“单纯依靠模拟仿真能否全面的验证机器的功能以及其设备生命周期？”这一问题时，Philipp表示，仿真模型不能用作完全替代物理世界进行的测试验证。基于模型设计的目标是在设计的早期就开展功能测试，以避免将一些设计上的问题带入到后面的物理实体的制造环节。利用仿真技术的生产系统早期的测试验证，将显著减少后面投入在物理实体上测试验证的时间投入，但并不能完全的替代物理世界的测试，至少短期还无法达到。“一些极端环境或涉及人身安全的环境下的测试，使用仿真模型可以很方便的开展，这样就能避免将测试的人员置于危险的环境下。另外，对于那些在物理世界需要很高的测成成本、以及可能对设备本身或测试人员造成伤害的测试场景，都可以应用仿真技术来帮助我们完成测试。”他说。

趋势三：生产车间和办公场所进一步融合

生产车间和办公场所的融合在这里包含两个方面的内容：首先是自动化组件的连接或联系在持续增加，生产设备和整个车间、厂房通过标准化的工业协议如OPC UA、无线链路如5G正有效的连接在一起。这使得在各个单元间进行数据交换成为了可能，而这正是实施或落地AI的基础。另外一个方面是，复杂的功能，如机器学习，以往只有在线下高性能工作站上，或者说，在办公场所才能进行的，现在正在以一定的方式部署在实时工业控制器上，七天二十四小时不间断的运行。

在桌面计算机上开发的AI算法运行在工业控制器上

但有一点需要引起注意，即网络安全和数据存储是AI应用于生产制造时所面临的重要问题，同时也是传统生产制造领域比较受重视的IT话题。目前来看，AI算法的一些关键部分经常直接部署在嵌入式控制器或边缘设备上，如PLC，而这些处理单元都是靠近制造工厂里的设备，这在一定程度上减少了数据泄露的风险。或者说，原始数据的预处理，是在一个安全的环境中的边缘设备或嵌入式处理器上完成的，经过处理的数据才进一步通过潜在的非安全网络传输出去。

趋势四：机器人和自主系统促进生产和物料搬运自动化

在柔性和模块化生产中，工厂对自主设备的需求越来越强烈。在以往的概念中，原有的自动化设备只能做某一类特定的动作，是确性的，但随着更多的设备具备了自主决策的能力，其自主性更强，自主机器人就是其中一例。得益于强大的硬件性能和AI技术的大规模普及，在柔性制造中，协作机器人既可以与操作人员进行紧密协作，也可以在搬运和检巡过程中进行自主的智能化决策。

在物料车间进行分拣的机器人

Philipp指出，具备AI能力的机器人能够灵活的造作那些即使没有明确在程序里表明的物体类型，这就极大的减少了在处理种类繁多的物体时非常耗费时间的指导过程。传统的工业机器人主要为大规模生产服务，通常要面向每一个要操作的物体和每一个在运行时的确定动作进行编程。具备AI能力的机器人具有非常好的灵活性，可以在产线上自主的对物体检测、抓取以及移动进行学习。

趋势五：“领域知识+”型工程师拥有更多机会

“领域知识”，指的是工程师对所在行业中专业知识的掌握；“新知识”，指的是对AI技术、云、软件设计等知识的掌握。目前来看，越来越多的生产制造工程师正在向他们自己所拥有的技能集合里面添加诸如软件设计、AI等技能，而像MATLAB这样的工程工具也在为这类工程师提供便于开发、测试和部署AI算法的自动化工具App。在这一过程中，MATLAB本身提供丰富的小程序apps， 可以帮助具有专业知识的工程师快速将如AI这样的新技术融入到自己的实际工作中。课程方面，MathWorks提供了丰富的面向工程师和学生的培训课程，其中包括完全免费的onramp课程。除了这些工具和课程外，公司也与一些组织，如欧洲最大的工业制造领域的团体组织VDMA，一起开展一些入门活动，把年轻的工程师和行业内的一些专家组织在一起，让年轻的工程师们快速的获得有关基于模型设计、AI以及物联网等方面的一手知识和经验。“将来的生产制造行业，势必会被那些结合了传统行业的领域知识，并且也掌握AI技术的那些工程师所塑造。可以说，领域知识、专业技能（如AI、数据分析）以及像MathWorks所提供的工程工具的使用，是工业４。０下开展项目取得成功的关键。”Philipp说。
编辑：lyn