如何看待工业设计在美国的商业化发展

下面是好好范文网小编收集整理的如何看待工业设计在美国的商业化发展，仅供参考，欢迎大家阅读！

由于我们实验室目前在做相关的研究，就把我对这个概念的理解写一写吧。

禁止任何形式的转载！

工业4.0是在互联网的影响下，工业或者说是制造业发展革新的新形式。德国人提出工业4.0（Industry4.0）的概念，美国也同样有工业互联网（IndustrialInternet）的概念，现在中国也提出了信息化和工业化的“两化融合”，其实它们都表达了一个含义，即工业要和互联网结合起来，未来工业的发展要和互联网紧密地结合。

1 背景

在详细说明工业4.0前，先回顾一下前三次工业革命。如下图，第一次工业革命以蒸汽机的发明为基础，代表了机器第一次可以代替人力完成必要的生产任务；第二次工业革命以流水线的产生为基础，代表了一种新型的高效的生产模式；第三次工业革命以PLC的发明和发展为基础，代表了自动化在工业生产制造中的重大作用，第三次工业革命提高了加工精度与产品的质量。自第三次工业革命后，工业制造的关注点大部分在于对于生产流程和产品质量的控制以及最优化。而随着时代的发展，特别是互联网以及人工智能等计算机新技术的发展，工业界越来越需要机器进行自我认知与自我学习，工厂的管理也逐渐从操作人员的管理向机器数据的管理转变，因此，工业4.0的概念就应运而生了。

历次工业革命（http://www.engineersjournal.ie/wp-content/uploads/2014/05/Domhnall_Carrol-006.jpg）

工业4.0是社会需求和计算机科学技术发展的产物。一方面，人们对生产多样性和个性化的需求越来越高，统一的生产线生产大批量同质化的产品已经越来越不符合人们的需求，生产产品的柔性化，产品质量的柔性化已经越来越得到重视。产品的生产数量及生产周期都必须更加灵活以便对市场做出快速的反应。在对生产的管理方面，单一机台单独的管理与控制已经不能满足要求，正因为生产的灵活性，一件产品的制造可能涉及到多台不同种类的生产机器，生产管理已经需要由单一机台向多机台甚至集群进行转变。同一时间，在产品同质化甚至质量相当的情况下，服务正逐渐走向舞台的中心。依照客户的个性化需求提供个性化的服务，为产品做全生命周期的管理，智能生产与智能维护也需要工业界进行一次变革。

另一方面，互联网，物联网及计算机科学的飞速发展也为工业4.0的产生打下了坚实的基础。高精度的传感器与多功能控制器、采集卡的开发使得人们与机器的交流成为可能，机器的每一个动作与形态都能被量化为一条条二进制码。云计算与分布式系统的开发，又为海量数据的分析计算提供了可能，机器学习与数据挖掘技术的飞速发展正成为工业数据分析的核心。可以说，在硬件基础与软件基础（云计算，大数据分析及分析算法）之上，工业4.0的提出才更具有现实意义。

2 定义

工业4.0是以智能制造为主导的第四次工业革命。其利用信息物理系统（Cyber-Physical System）将生产中的供应、制造、销售信息数据化，智慧化，形成有效的的网络，信息共享和交流，最后达到快速、有效、个性化的产品供应。在信息物理系统和物联网等的基础上，对生产制造的管理不再单一针对单台机台和设备，而是以集群、网络的观点对待。工业4.0时代的智能工厂具有可适应性、高效、多功能、可靠、安全、易用等特点，同时，工业4.0下工厂可结合客户和商业伙伴，创造出更多的商业价值。

3 特点

3.1 信息与交流

在工业4.0的时代，机台、设备、产品仍然是关注的中心。但机器的表现，产品的健康状况已不再由人工决定或评估，物联网下生产流程及产品使用的状况理论上都可以转化为可量化的数据，人为的因素将被降至最低。工业信息化下生产流程的透明度将得到提高，产品的可追溯性也成为可能。同时，对生产制造过程中产生的海量数据进行分析与挖掘，可将大量的数据转化为表征机器行为及健康状况的信息，这些从数据中获得的信息可为性能维护、生产管理、设计等提供决策支持，进一步帮助提升质量与生产率。有效的数据信息转化方法还可使生产设备具备自我学习与自我认知的能力，人工经验与知识可转化为智能的数字化的分析算法。更进一步，机器在充分了解自身的运行状态与健康状况的基础上，可根据自己行为的趋势对未来自身的表现进行预测。机器的自我认知与自我预测可使自身得到及时的预见性的维护与改善，整个生产制造将更加智能。

如果“信息”使得生产制造更加智能，那么“交流”就使得工业4.0时代下的生产制造更具网络化。这里的交流可以是机器与机器之间的交流，也可以是生产制造同维修、供应链、销售、设计等之间的交流。在工业4.0中，机台是核心，但机台并不是全部，对单个机器单个部件的数据分析可以扩展至整台机器乃至整个生产线、整个工厂；机台生产制造中产生的重要信息同样可以和物流、人资、设计、维护等形成信息共享和交流。至此，一个以机台为中心，网络化的工业生态圈就形成了，在这样一个生态圈的内部，机器、数据、人员将形成一个完整的闭环，各个之前独立的部门也在信息流下被结合到一起。网络化下，每一台机器就是网络中的节点，机器与机器之间可以互相交流比较各自获取的信息，工厂中不同职能的部门也是网络中的节点，部门与部门之间的合作在工业4.0的环境下也变得更加便利和高效。

3.2 信息物理系统（Cyber-Physical System）

信息物理系统在工业4.0中占有很重要的地位。所谓信息物理系统，是一个将物理实体与虚拟网络相结合的系统。根据美国国家科学基金会（NationalScience Foundation）在2007年对信息物理系统的定义，实体系统主要指自然或人工制造的符合物理原理的系统，其随着时间不断运行；信息系统指通过计算、交互及控制组成的虚拟网络系统，它是离散的、逻辑化的；信息物理系统就是在任何层面上将实体与虚拟紧密结合，实体的行为可由虚拟系统观测，虚拟系统同样可以指导控制实体的行为。

根据美国辛辛那提大学智能维护系统中心（Center for Intelligent Maintenance Systemsin University of Cincinnati）的研究，信息物理系统具有5个层次的架构，层层递进。第一层，连接（Connection）：通过传感器和通讯技术，为物理实体系统与虚拟信息系统建立连接。这也是目前物联网（Internetof Things）的主要内容。机器的行为，包括动作，工况，加工精度，健康状态等等都通过控制器及传感器转换成数字化的语言，再通过无线、以太网、射频等技术从机器中传输出来。这样，机器的行为就可由不同种类的数据集的变化所表达，因此数据的获取与传输在这一层次中显得十分重要。第二层，转换（Conversion）：将从机器实体中获取的数据计算转换为表征机器状态的信息。从机器中获取的数据种类多，数量大，每时每刻都在不断增长，但机器的运行状态，机器物理结构上随时间的改变却隐藏在海量的数据之中。这就需要通过信息融合的方法，将海量的数据转换成信息，表明现阶段机器的行为及健康状况，甚至对机器的未来表现做出预测。这一层中，实体系统外在表现背后的原理将被进一步认知。第三层，虚拟（Cyber）：所有机器的信息汇聚在一起形成虚拟的网络空间。不同种类，不同时间段内机器中产生的信息交汇在一起，形成庞大的网络，信息与信息之间不断地交互，更多的趋势与关系将被发现与归纳。在这一层中，纵向上，单个机器可以追踪其自身随时间的变化，横向上，同一型号的机器，或不同种类的机器可以进行相互的比较和分析。机器与自身，机器与机器在相互交流中将产生更多的信息或知识。第四层，认知（Cognition）：使用者获取虚拟网络空间中计算分析出的关于实体系统的结果，并做出决策。这一层中，人的角色被考虑进来，上两层中计算分析的结果以正确的形式在恰当的时间传递给需要的人员，并辅助他们进行决策的制定。一方面，工厂中不同的人员对机器中产生的信息结果都有不同的需求，例如，操作员需要关心对机器的操作是否恰当，是否有当机的危险，维修人员关心机器的运行是否稳定，是否需要进行提前维护，生产主管关心产线的效率如何，机器的产能是否得到保证。信息的可视化即人机界面的设计需要满足这些需求，信息的即时推送也同样重要。另一方面，在获得相应的信息后，人员需要给出针对性的对策，维护机器正常运行，提升生产效率，认知层面需要给出这样的决策支持。第五层，配置（Configure）：信息系统对物理实体系统提供反馈和控制，管理、改进实体系统。数据、信息由实体系统中来，最后还是要回到实体系统中去，在这样一个闭环中，虚拟端与物理端真正结合在一起。机器在自学习和自演化中变得更加灵活，可满足不同的需求并快速反应。而且，通过对实体系统的控制与优化，可以将机器运行时发生的问题逐渐避免，将风险降低，同时结合工厂内其他部门，提升设计-生产-销售-维护生产链的协同能力，为工厂带来更多的经济利益。这样，通过5个层次，工厂依次从监控、认知、分析到解决、避免，在工业4.0下完成新的变革。

信息物理系统为工厂在实体之外创造了另一个网络化的虚拟空间，利用数据的分析与交互，提升了工厂管理与运作。同时，信息物理系统还将之前相对独立的生产，物流，销售等不同的职能系统紧密地结合在一起，大大提升了对市场的反应能力，更能满足现阶段的需求，达成以服务为中心的生产制造体系。信息物理系统的存在，也使得工厂脱离了地域的限制，在信息网络中获得更多的交流与合作。在工业4.0的时代，工厂可实现自我感知，比较，预测，甚至自适应，从而创造出更大的价值。

4 实现

工业4.0的概念刚刚兴起，要想实现还需很长时间的发展。这里仅给出一些实现工业4.0的建议。总的来说工业4.0的变革可分以下几个阶段：建立基础->前期研发->应用->决策。

如同信息物理系统中连接（Connection）处于第一层一样，建立数据获取和通讯的基础是实现工业4.0第一阶段关注的重点。这里，不仅需要从机器中获取数据，还需要对于生产制造的每一个流程都实现信息化，让工厂中的方方面面都通过信息这张网络连接起来。只有机器的行为、表现，供应链、物流、产量等全部都数据化，才能更进一步对这些数据进行处理和分析。

数据基础建立之后，进入前期研发阶段。这一阶段中，可以选定某些特定设备或部件，研究其运行状态和采集的数据的关系，建立适当的模型，开发分析的方法。如需要，还可针对这些设备或部件设计实验，采集实验数据，做更细致的分析。数据分析的方法或算法的研究最终可形成示例或原型，再通过历史数据对算法进行可行性及经济性验证。

前期研发完成之后，进入应用阶段。这一阶段智能分析、计算的系统将会被开发出来，并用于工厂的所有机器和相关部门。此系统需要包括硬软件平台的架设。智能分析系统在设计时可以采用模块化的设计，保证其灵活性和可适应性。其主要包括以下几个模块：数据提取模块（从机器中获取数据并传输），分析模块（专注数据的分析，接收待分析的数据，返回分析的结果）显示模块（将分析结果以适当的方式呈现）和中间管理模块（此模块负责将前3个模块有机结合起来，处理从提取模块中传输来的数据，发送数据至分析模块，接收计算结果，发送结果至显示模块等等）。不同模块之间的协同合作将前期研发中开发的智能算法应用到整个工厂。

最终进入决策阶段。根据智能分析平台的分析结果，做出相应处理措施，既包括针对分析结果的解决方案，例如安排备品和维修计划，制定人员调整，针对市场进行预算等等，也包括对于机器本身的调整和对于平台自身的优化。在这样的决策下，生产变得更加稳定而高效，智能分析系统变得更加完善，机器经过不断演化变得更灵活更敏捷。

5 前景

在工业4.0的环境下，机器的利用将更加智能。不同的数据与信息的交互可以帮助利用已知的已观测的数据了解未知的知识，通过智能分析的手段，还可在数据中发现新的关联、分类及模式，从而产生出额外的价值。工业4.0的时代，多种智能服务，例如智能监控，远程诊断，云服务，大数据分析，应用状态推送报告等等，都将使得生产制造更加灵活，客户体验更加全面、深入。工业4.0还将提升机器的可利用率及可靠性和可适应性，生产过程的优化和产品质量都得到有效的提高。产品的开发周期也随着信息交互而有效缩短，可重构、适应性高的生产系统可以在较低的成本下迅速满足复杂的个性化的市场需求。生产制造的市场竞争力和发展的可持续性都在工业4.0的环境下得到提高。

6 挑战

虽然工业4.0的前景十分美好，但实现工业4.0必定是一个长期的过程，前期很有可能会付出不小的资金和人力投入却并没有什么明显的效果。在工业3.0向工业4.0变革的过程中，将会有很大的挑战，这里仅举几例。

工业4.0需要强大的硬件支撑，完成数据的采集获取、连接传输、计算分析、呈现推送等功能，硬件投入成本相当高昂。工业3.0时代虽然机器的自动化程度很高，但控制器中传输的数据大多只与机器的运行控制有关，想要获取更多的关于机器效率、健康等信息，必须额外安装传感器。有些传感器，例如振动传感器，成本较高，对环境要求也较高，在某些环境恶劣的厂房安装相应的采集设备十分困难。此外，数据连接建立后每时每刻都有海量的数据从机器中传出，数据传输的速度和传输质量都受到硬件好坏的影响。对数据的分析、整理、存储同样需要高性能计算机、大容量存储介质的支持。目前的工厂普遍并不具备这样的硬件条件和数据连接的基础，架设数字化的分析平台将是一笔不小的开支。

基于硬件平台上的智能采集、分析算法的开发同样是一个挑战。没有分析方法的支撑，采集的数据依然不能被转化为对系统有帮助的有用的信息。面对不同种类的数据形式，不同种类的机械结构，算法的适应性和自演化性将变得越来越重要。智能算法对海量数据的处理能力，特别对于数据质量的分析与过滤，有效参数、特征的提取和选择，都需要首先进行加强。此外，针对不同机器不同数据的分析手段需要经过整合建立统一的标准化的分析平台，现如今，统一的标准的缺乏使得分析的效率一直处于较低的水平。

另一个挑战来自安全性。

工业4.0归根结底还是需要人来实现，建立工业4.0的环境，对人才提出了更高的要求。未来的工程师，不再只专注于一个领域，而需要掌握多学科的知识。工程师不仅要熟悉机器和生产线，了解其结构和运行原理，还需要掌握计算机科学和计算机工程的知识，需要具备数据分析方法的开发能力甚至还必须拥有信息化平台的架设能力及智能监控与分析软件的编写能力。目前，此类综合性的人才在工业界十分缺乏，而针对复合型人才的培养机制同样匮乏。人力资源的缺口也是工业4.0实现的挑战之一。

参考文献

[3] Lee, Jay, Behrad Bagheri, and Hung-An Kao."A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems." ManufacturingLetters 3 (2015): 18-23.

[4] Lee, Jay, et al. "Recent advances andtrends in predictive manufacturing systems in big data environment."Manufacturing Letters 1.1 (2013): 38-41.

[5] Lee, J., and E. Lapira. "Recent advancesand trends in predictive manufacturing in industry 4.0 environment."Uptime Magazine (2014): 16-21.

[6] Lee, Jay, Hung-An Kao, and Shanhu Yang."Service innovation and smart analytics for industry 4.0 and big dataenvironment." Procedia CIRP 16 (2014): 3-8.