亚洲爆乳成AV人在线视菜奈实_欧美一进一出抽搐大尺度视频 _日本十八禁免费看污网站_国产一区二区怡红院_6080YY新视觉影院_蜜臀AV无码人妻精品_成人影院YY111111在线_成人欧美一区二区三区1314_少妇饥渴偷公乱A级无码

摘要

本文將審視當今制造業(yè)面臨的核心挑戰(zhàn)，探索正在席卷行業(yè)的變革浪潮。這場變革源于對資源敏感型制造的全新關(guān)注，而人工智能、分散式控制、混合組網(wǎng)及軟件定義自動化等新技術(shù)與能力協(xié)同發(fā)力，共同為未來數(shù)字化工廠的崛起筑牢根基。

制造業(yè)面臨的挑戰(zhàn)

制造業(yè)正處于一場轉(zhuǎn)型浪潮之中，消費者對個性化產(chǎn)品需求的增長，加之疫情后供應鏈危機催生的產(chǎn)業(yè)回流趨勢等，成為推動這一變革的主要驅(qū)動力。而這些，僅僅是眾多挑戰(zhàn)中的冰山一角。與此同時，全球各國政府也紛紛出臺相關(guān)法規(guī)，以減少制造業(yè)的碳排放，從而實現(xiàn)溫室氣體凈零排放目標。應對這些挑戰(zhàn)將為工業(yè)制造企業(yè)開辟全新的發(fā)展賽道，企業(yè)可借此契機引入前沿技術(shù)，在降低碳排放的同時，提高制造業(yè)的生產(chǎn)效率、可擴展性和靈活性。

在如今既有的制造工廠內(nèi)，制造設備與自動化設備歷經(jīng)多年反復部署與擴展，互操作性問題日益凸顯。設備間不僅難以順暢協(xié)同運作，相互間的連接也極為有限，導致工廠內(nèi)部普遍缺乏能貫通所有自動化設備的統(tǒng)一網(wǎng)絡。

隨著新產(chǎn)品庫存單位(SKU)數(shù)量持續(xù)攀升，生產(chǎn)線的設置與驗證時間不得不相應增加。在醫(yī)療器械制造領域，驗證流程不僅耗時漫長，成本也十分高昂。此外，產(chǎn)品SKU的增多還會拉低設備綜合效率(OEE)，原因在于額外投入的設置和驗證會造成生產(chǎn)時間的浪費，進而導致生產(chǎn)效率下滑。制造業(yè)面臨的挑戰(zhàn)不止于此，熟練工人短缺問題同樣嚴峻。據(jù)預測，截至2030年，制造業(yè)熟練工人缺口將高達約210萬人。1 當下，多數(shù)制造活動集中于既有工廠；在此背景下，企業(yè)試圖在現(xiàn)有廠房空間內(nèi)提升產(chǎn)能時，勞動力不足的問題便成為產(chǎn)能提升的關(guān)鍵制約因素。未來數(shù)字化工廠正是為攻克上述重重挑戰(zhàn)而生，致力于推動制造業(yè)邁入全新的發(fā)展紀元（見圖1）。

圖1.工業(yè)制造面臨的挑戰(zhàn)。

工業(yè)制造業(yè)的轉(zhuǎn)型

從技術(shù)角度來看，制造業(yè)已取得重大進步。例如，通過在制造資產(chǎn)和設備上增加傳感器部署并進行融合，可生成豐富的數(shù)據(jù)集，用于優(yōu)化機器并提高設備綜合效率(OEE)。軟件定義自動化的部署提升了制造業(yè)的生產(chǎn)效率、靈活性和可擴展性，大幅縮短了設置與驗證時間。此外，人工智能(AI)正逐步向邊緣側(cè)發(fā)展，更加靠近傳感器或執(zhí)行器等生成數(shù)據(jù)的終端。邊緣人工智能將借助數(shù)據(jù)驅(qū)動的決策方式，把制造數(shù)據(jù)轉(zhuǎn)化為切實可行的見解，助力自主制造實現(xiàn)制造業(yè)生產(chǎn)效率與競爭力的躍升（見圖2）。

圖2.制造業(yè)的轉(zhuǎn)型。

資源感知型制造

下一代制造業(yè)需要更全面地審視資源消耗的各個方面。制造業(yè)所需的四大關(guān)鍵資源分別是資金、電力、材料和人力。在資源感知型制造的背景下，未來數(shù)字化工廠亟待提升對這些資源的利用效率。在資金效率方面，所有制造領域的資本支出都應注重實現(xiàn)投資回報率(ROI)，周期可能為一年、三年或五年不等。未來數(shù)字化工廠的關(guān)鍵目標之一，便是以最少的資本支出實現(xiàn)利潤最大化，進而獲得最高的投資回報率。其次是電力效率，下一代制造業(yè)必須以更低的能耗實現(xiàn)更高的產(chǎn)出，達成減少全球碳排放的目標。降低電力消耗的關(guān)鍵舉措包括：部署高效電機驅(qū)動器，將氣動驅(qū)動替換為機電驅(qū)動，運用自適應閉環(huán)控制技術(shù)提升制造效率，等等。

資源感知型制造的第三個方面是材料效率。在提升制造業(yè)可持續(xù)性方面，減少材料浪費與降低能源消耗同等重要，發(fā)揮著不可或缺的作用。通過最大限度地減少原材料的使用，再結(jié)合加強生產(chǎn)質(zhì)量控制，能夠顯著減少整個制造流程中的材料浪費，最終朝著零廢棄生產(chǎn)的目標邁進。最后一個方面是人力效率，亦是重中之重。當前，制造業(yè)在招聘熟練工人方面存在諸多挑戰(zhàn)。制造業(yè)必須盡可能地減少人為介入，可采取的方式包括：推廣自主制造模式，應用先進機器人技術(shù)，部署具備實時感知能力、能快速響應操作環(huán)境與制造需求變化的自動化解決方案（見圖3）。

圖3.資源感知型制造。

未來數(shù)字化工廠

ADI公司對未來數(shù)字化工廠的愿景，聚焦于連接、控制和解讀這三大核心支柱。連接戰(zhàn)略旨在通過提升制造業(yè)生產(chǎn)效率、可擴展性和靈活性，同時降低碳排放，來達成未來工廠的發(fā)展藍圖。確保所有制造資產(chǎn)和機器連接到統(tǒng)一網(wǎng)絡，實現(xiàn)制造數(shù)據(jù)的透明訪問，并利用這些數(shù)據(jù)推動整個制造場所的工藝持續(xù)改進。制造環(huán)境須借助有線和無線混合網(wǎng)絡，實現(xiàn)從邊緣到云端的實時無縫連接。對于有線控制連接，千兆位工業(yè)以太網(wǎng)正被部署用于工廠網(wǎng)絡以提供更高的帶寬，同時搭配時間敏感型網(wǎng)絡(TSN)來確保實時流量控制的確定性。對于諸如自主移動機器人(AMR)等移動應用，靈活的專用5G網(wǎng)絡起到補充作用，并且專用5G網(wǎng)絡還可連接難以輕松接入有線工業(yè)以太網(wǎng)的遠程傳感器和執(zhí)行器。

第二項關(guān)鍵戰(zhàn)略聚焦于控制領域。分散式自主控制依托全新的模塊化自動化解決方案，帶來更高的靈活性，既能縮短設置和驗證時間，又能支持日益增長的新產(chǎn)品庫存單位(SKU)。從傳統(tǒng)生產(chǎn)線的集中式可編程邏輯控制器(PLC)轉(zhuǎn)向分散式PLC控制，先進的邊緣計算將被直接集成到機器之中。基于邊緣的自主控制讓生產(chǎn)線更具可重構(gòu)性，顯著提升制造靈活性。每一臺機器都成為一個完整獨立的模塊化制造單元，可在極少人為介入的情況下，輕松完成配置與重新部署。通過部署更多靈活、模塊化的制造解決方案，并由分散式自主控制予以支持，我們能夠更好地實現(xiàn)未來數(shù)字化工廠的目標。

最后一項戰(zhàn)略聚焦于解讀。解讀戰(zhàn)略旨在將生產(chǎn)數(shù)據(jù)轉(zhuǎn)化為可付諸實踐的洞察信息，從而助力實現(xiàn)未來工廠的各項目標。據(jù)估算，制造業(yè)每年產(chǎn)生的數(shù)據(jù)量約達1812 PB（拍字節(jié)）。2 解讀戰(zhàn)略將運用人工智能技術(shù)來處理這些海量制造數(shù)據(jù)，以提升生產(chǎn)效率。解讀戰(zhàn)略的關(guān)鍵在于在數(shù)據(jù)產(chǎn)生的邊緣側(cè)部署人工智能。邊緣人工智能將通過主動決策，結(jié)合傳感器融合（包含工業(yè)視覺、溫度、壓力/力、測斜儀、位置、振動、濕度等測量方式），實現(xiàn)制造業(yè)的自主優(yōu)化。邊緣人工智能將通過自動執(zhí)行常規(guī)任務，減少對熟練勞動力的依賴，并以盡可能高的良品率實現(xiàn)更具個性化和復雜性的制造。關(guān)鍵應用包括引導驅(qū)動（移動機器人）、缺陷或異常檢測（機器健康狀況）、持續(xù)的工藝改進、模式識別（質(zhì)量控制），最終還將融入自動化控制循環(huán)，成為其中重要一環(huán)。

圖4.實現(xiàn)未來數(shù)字化工廠的幾點關(guān)鍵要求。

結(jié)論

制造業(yè)正在經(jīng)歷一場變革，朝著更智能、更互聯(lián)、以軟件定義為主的方向發(fā)展。實時無縫的邊緣到云端連接，將實現(xiàn)對新型制造數(shù)據(jù)集的透明化訪問。分散式控制借助邊緣計算，將控制功能從可編程邏輯控制器(PLC)遷移至機器本身。傳感器融合技術(shù)的應用提升了機器的設備綜合效率(OEE)，并產(chǎn)生豐富的數(shù)據(jù)集，為人工智能模型的訓練與部署提供支撐。邊緣人工智能將使自動化機器完全實現(xiàn)自主化。這些新技術(shù)的融合勢必將徹底改變未來的數(shù)字化工廠，在顯著降低能源消耗和材料浪費的同時，提高制造業(yè)的生產(chǎn)效率、靈活性和可擴展性。對于制造商而言，成功的關(guān)鍵在于如何與生態(tài)系統(tǒng)內(nèi)的其他公司展開合作，因為豐富多樣的經(jīng)驗和能力對于加速實現(xiàn)未來數(shù)字化工廠的愿景至關(guān)重要。如需進一步了解ADI針對未來數(shù)字化工廠的可持續(xù)自動化解決方案，請訪問

analog.com/industrialautomation。

參考文獻

1 Victor Reyes、Heather Ashton和Chad Moutray，“Creating Pathways for Tomorrow’s Workforce Today:Beyond Reskilling in Manufacturing”，Deloitte Insights，美國制造業(yè)研究所，2021年5月。

2 “Deloitte Survey on AI Adoption in Manufacturing”，Deloitte，2020年。