智能制造管理 课件 第十五章 网络协同制造管理

第十五章网络协同制造管理1网络协同制造发展模式及运行机制2网络协同平台及其架构3客户需求拉动的多主体联合协同研发模式4网络协同制造供应链管理5多模态协同管理机制络协同制造发展模式及运行机制在当前新型信息与通信技术，例如物联网、大数据、云计算、人工智能、第五代移动通信技术等的助力下，生产系统和产品全生命周期满足了基本的网络协同条件：实现了设备与系统的泛在连接，巨量制造数据的感知、收集、传递、交互与存储，以及海量异构数据的高效处理和分析。同时，各类制造资源/服务的虚拟化，产品高度个性化，产用高度融合以及制造服务化，也促使制造相关方通过网络平台进行高效协同，从而推动制造业转型升级。这些趋势对传统的生产方式造成了巨大的冲击，推动现代的生产方式向着网络化、社会化、协同化、服务化、智能化和环保化等6大发展模式。网络化社会化协同化服务化智能化环保化网络协同平台及其架构（1）广域互联：未来的网络协同制造平台，早已突破传统的供应链上下游企业之间，或企业内部基于网络通信设备的局限，而是在网络协同的深度、广度和频率上有质的突破。（2）社会制造：传统的制造组织在组织内部进行制造资源的调配，当前的制造组织依靠公共平台进行制造资源的调配。而这些集中式的资源分配方式已经不能适应制造服务化、协作社会化、资源异构化的制造服务要求。（3）数据智能：随着网络协同平台向覆盖广度、感知深度和协同频率深入发展，平台将储存海量异构的复杂工业大数据，而这些数据是网络协同平台进一步发展的重中之重，需要经过清洗、处理、挖掘、储存。15.2.1网络协同平台发展趋势网络协同平台及其架构社群化制造（SocialManufacturing，SocialM）指“专业化服务外包模式驱动的、构建在社会化服务资源自组织配置与共享基础上”的一种新型网络化制造模式，由西安交通大学江平宇教授团队提出。社群化制造基于云计算、物联网、大数据、人工智能、移动通信和社交媒体等新兴信息通信技术，利用社交网络平台环境，针对社会制造资源进行产品全生命周期、制造服务全流程、供应链社会化的信息共享、服务规划与管控。15.2.2网络协同平台及架构社群化制造中制造社群协同框架网络协同平台及其架构15.2.2网络协同平台及架构基于CPS和传感器的社群化制造平台感知框架网络协同平台及其架构15.2.2网络协同平台及架构社群化制造工厂与外界进行网络协同运行逻辑网络协同平台及其架构15.2.2网络协同平台及架构社群化制造产品服务系统的网络协同执行构架网络协同平台及其架构云制造是一种基于网络的、面向服务的智慧化制造新模式和手段，以云计算为主要使能技术。客户可以通过网络和云制造服务平台按需获取制造服务。云制造也可看作一种支持对共享的制造资源池(如仿真软件、制造设备、制造服务等)的泛在的、方便的、随需应变的网络访问模型。这些制造资源/能力可以在最低的管理成本或交互成本下快速提供。15.2.2网络协同平台及架构基于云计算和物联网的云制造网络协同平台架构网络协同平台及其架构15.2.2网络协同平台及架构面向中小企业的云制造协同平台架构网络协同平台及其架构15.2.2网络协同平台及架构面向集团企业云制造网络平台概念架构客户需求拉动的多主体联合协同研发模式随着近年来智能制造领域的发展，在航空航天、汽车等领域，探索形成了以供应链优化为核心的网络协同制造模式。该制造模式的主要做法是建设跨企业制造资源协同平台，实现企业间研发、管理和服务系统的集成和对接，为接入企业提供研发设计、运营管理、数据分析、知识管理、信息安全等服务，开展制造服务和资源的动态分析和柔性配置等。网络协同制造模式对研发活动提出了新的要求。首先是数字化协同研发能力。随着企业国际化，精益化发展步伐的加快，研发规模加大，分工协作越来越精细，需要设计人员具备利用数字化平台开展协同设计的能力。现有的基于客户需求拉动的研发模式主要包含两种。一种是秉持用户导向的设计理念，即主张以消费者需求为导向，根据对消费者需求的挖掘产生产品构思，形成于消费者需求相匹配的新产品。另一种秉持设计师导向的设计理念，因设计师在知识和经验是具有专业性，能创造和掌控产品的风格，形成具有稳定文化意涵的产品。网络协同制造供应链管理网络协同制造的供应链是指通过以新一代信息通信技术为基础的云平台和社交网络平台，多样化的制造服务提供商（制造商、供应商、分包商）和客户在平台上进行物流、信息流、能量流、资金流、智能流等的接受、发送、传递或交换活动，从而实现战略、业务、资源、技术的协同。相比于传统制造模式的供应链管理，现代的网络协同制造更加强调新一代信息通信技术的效用，以及制造业服务化、网络化、协同化、智能化的风潮。然而，关注云制造供应链管理的文献并不多。文献多集中在宏观层面的架构设计和微观层面的应用，而中观层面的云制造供应链机制设计和情境探索较为缺乏。15.4.1网络协同制造供应链概念网络协同制造供应链管理15.4.1网络协同制造供应链管理利用CPS技术赋能的网络协同制造网络供应链架构供应链中的节点一般是制造企业、社会化制造社区、个体设计人员等制造服务提供商，而节点之间的弧是物流、资金流、信息流等的抽象。平台上的制造服务提供商会形成不同的供应链，形成动力可以是订单驱动，由工艺（专业）驱动，由成本/收益驱动等等。每条供应链可以由平台指定主要负责服务商进行统筹和汇总，或者供应链中各实体进行协同自治。多模态协同管理机制（1）协同管理以系统为研究对象。协同管理研究的系统一般是由多个子系统组成的具有自组织特征的复杂的社会经济系统，例如企业系统、大型项目，虚拟组织、供应链、战略联盟等。（2）协同管理的整体功能大于部分功能之和，它不遵从线性叠加原理，简单的还原论的方法是无法窥探其内在演化规律，必须要用到非线性的理论方法来研究具有非线性复杂特征的研究对象。（3）协同管理的重要标志是“竞争—合作—协调”的协同运行机制，是协同管理区别于传统企业管理的重要特性。协同管理研究的对象是由大量子系统组成的相互关联的复杂系统，这些子系统之间彼此存在竞争与合作的关系。（4）协同管理的目标是要实现“1+1>2”的加倍效应，并希望子系统之间能够协调发展。各子系统拥有各自的竞争优势，协同管理通过优势互补，能够提升系统的整体竞争力。15.5.1协同管理的主要特点多模态协同管理机制影响大型项目协同管理效果的参量很多，根据大型项目的特征和管理序参量选择方法，从时间、空间、信息、资源和成本5个维度来对大型项目的管理序参量进行选择。1）过程协同：时间维度上，项目的全寿命期可以分为规划、设计、制造、采购、施工、安装调试和联动试车等过程环节，项目过程协同就是在完成信息协同的基础上，进行过程之间的协调。。2）组织协同：空间维度上，项目的组织结构，是具体承担某一项目的全体参与者，为实现项目目标，在管理工作中进行分工协作，在职务范围、责任、权利方面所形成的结构体系。3）信息协同：信息维度上，项目实施全过程的管理会产生海量的、纷繁复杂的信息，解决信息的正确、高效共享和交换是保障项目协同管理系统顺利运行的基本条件。4）资源协同：资源维度上，项目的作业数目繁多，逻辑关系复杂，所需资源的数量和种类多样，资源管理的难度很大。5）目标协同：目标维度上，项目管理的过程实际上就是一种追求目标的过程。而复杂性项目其目标体系具有多指标、独立性和层次性特点，由于目标之间的稱合关系，这些目标在项目实践中很难达到完全的协调一致。15.5.1协同管理的主要特点多模态协同管理机制（1）以流程为主线的制度体系。流程是由一系列输入和输出的活动组成，它描绘完成任务所需执行的所有活动之间的顺序、关系和责任。梳理、设计出清晰的流程是构建协同管理体系的第一步，也是建立制度体系的依据。（2）以技术为支撑的保障体系。制度体系的建立是外包过程中业务域输入的一个方面，还必须建立并完善以技术为支撑的保障体系。在外包的每一个活动层面，管理技术、制造技术的输入是必须的。（3）以绩效管理为手段的完善机制。由于外包活动具有被组织性，为保障其通过“协同”向“有序”方向发展，并在发展过程中不断完善，还必须建立一套以绩效管理为手段的完善机制。绩效管理不同于绩效考核，是各级管理者和员工为了达到组织目标共同参与的绩效计划制定、绩效辅导沟通、绩效考核评价、绩效结果应用、绩效目标提升的持续循环过程。15.5.2多模态网络协同管理架构智能制造中的人工智能14.2.2智能制造中的人工智能应用指南智能制造中的人工智能14.2.3基于人工智能的智能制造技术主要应用场景人工智能在智能制造中的典型应用包括：智能设计、工业机器人、预测性维护、智能检测与智能调度等。（1）智能设计：随着虚拟现实VR、增强现实AR等新技术的快速发展，传统设计将得到升级并进入“智能时代”。（2）工业机器人：是最典型的机电一体化数字化装备，技术附加值很高，应用范围很广。（3）预测性维护：依据实时采集的设备运行数据，通过机器学习算法辨识故障信号，从而实现对故障设备的提前感知与维护。（4）智能检测：依据传感器采集的产品照片，通过计算机视觉算法检测残次品，从而提高产品检测速度及质量，避免因漏检、错检所引起的损失。（5）智能调度：借助人工智能的优化方法，或人工智能与运筹学结合的优化方法，可以较好地解决制造系统的生产调度一般具有多目标性、不确定性和高度复杂性等问题。机器视觉检测14.3.1机器视觉检测简介机器视觉检测（MachineVisionInspection）指使用机器视觉代替人类视觉，并使用现代图像处理、模式识别、人工智能，信号处理等技术模拟视觉功能，实现工业检测和管控的过程。典型的机器视觉检测系统，系统组成部分包括光源、视觉信号采集设备、输入接口、检测主机、输出接口、互联互通接口、用户界面、检测过程记录、数据库等。机器视觉检测14.3.1机器视觉检测简介从整个制造系统宏观角度来看，机器视觉检测系统要想真正提高企业效率，需要与制造系统中的众多实体发生交互行为，具体包括自动化生产线、机器视觉系统、第三方认证机构、系统运维机构、设备/系统解决方案供应商、人、制造执行系统、偏差决策管理模块、过程控制模块等实体，以机器视觉系统为中心的实体质检协作关系如图。机器视觉检测14.3.1机器视觉检测简介单个机器视觉检测系统微观角度来看，为完成机器视觉检测任务，机器视觉检测系统内部可分为三大基本功能模块：输入、处理和输出。机器视觉检测14.3.1机器视觉检测简介如何衡量机器视觉检测算法的性能？在制造业应用中，管理者通常关注三大核心指标：漏检率、误报率、处理速度。对于给定的视觉检测任务，定义检测样本总数为n，其中合格样本为负样本，缺陷样本为正样本。漏检率、误报率的具体含义及计算公式如下：漏检率（falsenegativerate，FNR）指机器视觉检测系统未检出的不合格品数量占据该检验批次总数量的百分比，计算公式为:误报率（falsepositiverate，FPR）指实际为合格品但被机器视觉检测系统检为不合格品的数量占据该检验批次检出的不合格品数量的百分比，计算公式为:机器视觉检测14.3.2机器视觉检测典型应用场景案例机器视觉检测14.3.2机器视觉检测典型应用场景案例上料场景：以变速箱物料检测装配场景：齿轮装配检测机器视觉检测14.3.2机器视觉检测典型应用场景案例质检场景：半导体芯片质量检测下线场景：变速箱下线外观检查机器视觉检测14.3.3深度学习及应用深度学习（Deeplearning）由机器学习算法中的神经网络发展而来，是一种基于对数据进行表征学习的方法，能够模拟人脑的神经结构。深度学习又叫深度神经网络，是指具有两层以上的神经网络，它可以通过增加层数或者增加每层的单元数，来存储更多的参数，从而构建更精密的模型。深度学习的概念最终是由Hinton等人于2006年提出，从此引发深度学习的浪潮。机器视觉检测14.3.4人工智能背景下的机器视觉检测数据驱动的机器视觉检测指利用大数据，以人工智能技术为核心，结合图像处理、模式识别、信号处理等技术的视觉检测。根据其发展历程，数据驱动的机器视觉检测主要可以分为两个阶段，第一阶段是基于传统机器学习的视觉检测，需要同时结合人工特征和机器学习方法实现分类，第二阶段是基于深度学习的视觉检测，只需要依靠深度神经网络实现端到端的预测分类。机器学习与深度学习14.4.1机器学习及应用机器学习任务具