评价指标以生产层、车间/工厂层、企业层、企业协同层为核心构建，从而建立递阶层结构模型进行分析。

 

 一、智能制造评价体系构建背景

    随着新一代信息通信技术与先进制造技术深度融合，全球正孕育兴起以智能制造为代表的新一轮工业革命。世界主要工业发达国家纷纷加紧谋篇布局，支持和推动智能制造发展，以重塑制造业竞争优势。为抢占新一轮产业竞争制高点，国务院发布《中国制造2025》，并明确将智能制造作为主攻方向。

 

    为推动智能制造发展，工业和信息化部组织开展了智能制造试点示范专项行动、智能制造专项、智能制造标准化体系建设等一系列工作，在培育智能制造新模式、夯实发展基础、带动关键软硬件产品突破、激发企业积极性和内生动力等方面取得了显著成效。国内企业纷纷加大智能制造发展力度，积极建设智能生产线和智能车间/工厂，发展智能制造新模式。

 二、智能制造系统架构和关键要素
 

1.智能制造的内涵

 

    智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。

 

2.智能制造系统架构

 

      智能制造系统架构是一个通用的制造体系模型，其作用是为智能制造的技术系统提供构建、开发、集成和运行的框架；其目标是指导以产品全生命周期管理形成价值链主线的企业，实现研发、生产、服务的智能化，通过企业间的互联和集成建立智能化的制造业价值网络，形成具有高度灵活性和持续演进优化特征的智能制造体系。

         智能制造系统划分为4层：生产线层、车间/工厂层、企业层和企业协同层.

（1）生产线层

 

    生产线层是指生产现场设备及其控制系统，主要由OT网络、传感器、执行器、工业机器人、数控机床、工控系统、制造装备、人员/工具等组成。

 

（2）车间/工厂层

 

    主要是指制造执行系统及车间物流仓储系统，主要包括OT/IT网络、生产过程数据采集和分析系统、制造执行系统MES、资产管理系统AMS、车间物流管理系统LMS、仓库管理系统WMS、物流与仓储装备等。

 

（3）企业层

 

    企业层是指产品全生命周期管理及企业管控系统，主要包括产品全生命周期管理系统PLM、IT网络、数据中心、客户关系管理系统CRM、计算机辅助技术CAX、企业资源计划管理系统ERP、供应链管理系统SCM、商务智能系统BI等。

 

（4）企业协同层

 

    企业协同层是指由网络和云应用为基础构成的覆盖价值链的制造网络，主要包括制造资源协同平台、协同设计、协同制造、供应链协同、资源共享、信息共享、应用服务等。

 

3.智能制造的关键要素

 

（1）生产线层

 

    能够反映生产线层智能制造发展水平的关键要素主要包括柔性生产、数据采集、人机交互、机器间通信。其中，柔性生产是指生产线能够生产的产品或部件种类以及在不同产品或部件之间切换所花费的时间和成本；数据采集是指生产线集成了传感和控制系统，能够实时采集生产设备、物料、半成品和产成品的状态，并将数据传输给生产控制系统；人机交互是指人员和生产设备之间的信息通信方式，包括固定的交互界面、生产监测与控制系统、移动终端等；机器间通信是指生产设备之间的信息通信方式，包括现场总线、工业以太网、互联网、M2M等方式。

 

（2）车间/工厂层

 

    能够反映车间/工厂层智能制造发展水平的关键要素主要包括数据处理、通信网络、物流与仓储管理。其中，数据处理是指对采集到的设备状态、物料信息等生产数据进行分析和评估，以实现生产过程的自动规划和控制；通信网络是指车间/工厂内的信息通信网络，包括统一的数据交换格式和规则、独立且互联互通的数据服务器、全互联的信息技术整体解决方案等；物流与仓储管理包括智能物流与仓储设备、仓储管理系统WMS以及车间内物流管理系统LMS。

 

（3）企业层

 

    能够反映企业层智能制造发展水平的关键要素主要有智能决策支持、基于模型的系统工程、企业内纵向集成。其中，智能决策支持包括自动排产和动态调度、供应链管理、订单和质量管理以及决策支持等；基于模型的系统工程包括基于标准的产品模型数据定义、产品数据管理、产品模型传递和关联维护；企业内纵向集成包括制造执行系统MES与企业资源计划系统ERP的集成、制造过程控制系统与制造执行系统MES的集成。

 

（4）企业协同层

 

     能够反映企业协同层智能制造发展水平的关键要素主要有跨企业资源共享、全价值链的关键制造环节协同优化。其中，跨企业资源共享是指企业之间通过共享平台和共享规则，实现创新、研发、设计、生产、服务、信息等资源的共享；全价值链的关键制造环节协同优化是指企业间设计、供应、制造和服务等关键制造环节的并行组织与协同优化，以及制造服务和资源的动态分析和柔性配置。

 

 三、智能制造评价指标构建

 

1.指标选取和分解

 

    根据以上对生产线、车间/工厂、企业和企业协同4个层级智能制造关键要素的分析，提炼出生产线、车间/工厂、企业、企业协同四个层级的智能制造一级评价指标，并进一步细化为二级指标，得到各层级的智能制造评价指标。

 

（1）生产线层

 

    生产线层级智能制造评价指标体系，包括4个一级指标：柔性生产、数据采集、人机交互、机器间通信。每个一级指标又分解为若干个二级指标，各指标含义说明如下:

表1生产线层智能制造评价指标

▲生产/产品柔性

 

    考察生产线的生产作业柔性与产品柔性，包括产品混合比、延迟交货比例、柔性生产滞后时间、滞后率等。

 

▲响应柔性

 

    考察柔性生产的反应时间与反应成本，主要考察范围覆盖生产线的各个工序、设备/工作单元，包括加工、装配、检测的工序及其设备的柔性分析。

 

▲数据采集实时性

 

    考察生产线实时采集生产设备、物料、在制品、半成品、产成品等数据的能力，包括数据采集系统的响应时间、准确率。

 

▲数据采集的范围

 

    考察生产线采集相关生产数据的范围和程度，主要包括数据采集点的数量、数据采集覆盖率等。

 

▲人机交互方式

 

    考察生产线上生产人员与生产设备信息通信的方式，包括固定的交互界面、集中式或分布式的生产监测与控制系统、移动交互终端、可穿戴设备等。

 

▲人机交互程度

 

   考察生产设备是否能够全方面、深度地感知生产人员的需求和指令。

 

▲机器间通信方式

 

    考察生产设备之间开展信息通信的方式，主要包括现场总线、工业以太网、机器可连接到互联网、机器间直接通信M2M等。

 

（2）车间/工厂层

 

    车间/工厂层智能制造评价指标体系（如表2所示），包括4个一级指标：数据处理、通信网络、信息集成、物流与仓储管理。每个一级指标又分解为若干个二级指标，各指标含义说明如下：

表2车间/工厂层智能制造评价指标体系

▲数据处理的实时性

 

    考察车间/工厂实时分析和挖掘生产数据的能力，即数据分析系统的响应时间。

 

▲数据利用水平

 

    考察车间/工厂通过分析和挖掘所采集到的生产数据开展生产过程优化和控制的能力。

 

▲数据可视化

 

    考察车间/工厂利用电子看板、智能报警管理系统、智能操作指导系统等对生产数据进行可视化管控的能力，可通过收集或检测对可视化便捷性与实时性等获取指标评价数据。

 

▲车间/工厂通信网络类型

 

    考察车间/工厂内各部门的信息通信方式，包括通过邮件和电话沟通、统一的数据交换格式和规则、建立了相互独立且互联互通的数据服务器、整体的IT解决方案等。

 

▲物流管理系统LMS

 

    考察车间/工厂内物流管理系统LMS的智能化水平，可通过收集或检测LMS的运输订单管理和计划排程、运输设备资源管理、运输线路管理、人员管理、客户管理、成本核算、作业跟踪、财务管理等功能的实现情况来获取指标评价数据。

 

▲仓库管理系统WMS

 

    考察车间/工厂内仓库管理系统WMS的智能化水平，可通过收集或检测LMS的管理单独订单处理及库存控制、基本信息管理、货位管理、货物流管理、收货管理、拣选管理、盘点管理、移库管理等功能的实现情况来获取指标评价数据。

 

▲物流与仓储装备智能化水平

 

    考察轻型高速堆垛机、超高超重型堆垛机、高速智能分拣机、智能多层穿梭车、智能化高密度存储穿梭版、高速托盘运输机、自动化立体仓库、高速大容量输送与分拣成套装备、车间物流智能化成套装备等物流与仓储装备的智能化水平。

 

（3）企业层

 

    企业层智能制造评价指标体系（如表3所示），包括3个一级指标：智能决策支持、基于模型的系统工程、企业内纵向集成。每个一级指标又分解为若干个二级指标，各指标含义说明如下：

表3企业层智能制造评价指标体系

▲自动排产和动态调度

 

    考察企业资源计划系统ERP的自动排产和动态调度能力，包括根据订单自动制定排产计划；根据订单自动制定排产计划同时生成物料供应计划；当订单与企业产能不匹配时可自动优化排产；在紧急情况下能进行动态调度和优化。

 

▲供应链管理

 

    考察企业供应链管理水平，包括能够实现供应商在指定时间直接供货到生产现场；能够按照客户要求，实现产品精准配送；构建了基于信息系统的覆盖全国甚至全球的供应和分销网络。

 

▲订单全过程跟踪

 

    考察企业应用信息化、智能化手段实现订单全过程跟踪的能力，实现了研发设计、物料采购、生产制造、产品销售等全过程的订单跟踪。

 

▲产品质量可追溯

 

    考察企业对于产品质量的追溯能力和水平，实现了研发设计、物料采购、生产制造、产品交付等全过程的产品质量追溯。

 

▲可实现的决策支持内容

 

    考察企业的智能决策支持系统可实现的内容，包括合同、收入、成本、利润等对比分析和决策，客户价值和信用决策，产品盈利和市场趋势决策，研发生产和经营管理的决策，预测预警，风险管控决策等。

 

▲产品模型数据定义

 

    可分为以下几个水平等级：有二维图纸定义规范，且可自动批量导入产品全生命周期管理系统PLM；有三维模型定义规范，且可成套自动导入产品全生命周期管理系统PLM；有工艺规划定义规范，且可成套自动导入产品全生命周期管理系统PLM。

 

▲产品数据管理

 

    考察企业产品数据管理覆盖的范围，包括产品设计、工艺设计、生产制造、市场销售、物流配送、维护服务等环节。

 

▲产品模型传递和关联维护

 

    考察产品模型在不同环节之间传递和关联维护的实现程度，实现产品信息在产品设计、工艺设计、生产制造、市场销售、物流配送、维护服务等环节的关联维护和一致性管理。

 

▲制造执行系统MES向企业资源系统ERP自动上传信息

 

    考察企业MES系统可自动向ERP系统上传生产能力、计划执行、设备状态、物料信息、制造环境及订单状态等信息。

 

▲企业资源计划ERP向制造执行系统MES自动下达指令

 

    考察企业ERP系统将生产任务、物料清单BOM等自动下达到MES的情况。

 

（4）企业协同层

 

    企业协同层智能制造评价指标体系（如表4所示），包括2个一级指标：跨企业资源共享、全价值链的关键制造环节协同优化。每个一级指标又分解为若干个二级指标，各指标含义说明如下：

表4企业协同层智能制造评价指标体系

▲跨企业信息资源共享

 

    考察企业之间开展信息共享的方式，包括建立企业业务系统之间信息交换的接口，建立或采用统一的信息交互标准和规范，实现企业间信息的实时交互和共享。

 

▲跨企业制造资源共享

 

    考察企业之间开展制造资源共享的情况，实现企业间创新资源、设计能力、生产能力和服务能力的共享。

 

▲关键制造环节协同优化

 

    包括企业间研发设计、生产计划、物料供应、仓储管理、生产制造、市场销售、物流配送、维护服务的协同以及企业间订单全过程可追溯。

 

▲资源和服务的柔性配置

 

    考察整合社会的制造需求和资源，开展制造服务和制造资源的动态分析和柔性配置情况。

 

2.   权重系数的确定

 

    考虑到评价指标大多为定性指标且需要通过专家经验来确定各指标之间的相对重要程度，因此我们采用定量与定性相结合的层次分析法来确定各评价指标的权重系数。下面以企业层智能制造评价指标体系为例，说明权重系数确定的过程。

 

（1）建立递阶层次结构模型

 

根据表3，可以得到企业层智能制造评价递阶层次结构模型。

表5企业层智能制造评价递阶层次结构模型

（2）构造判断矩阵

 

    选取16位智能制造领域的专家，经过三轮打分与反馈，专家意见逐步趋于一致，得到各层的判断矩阵：

第一层的判断矩阵A，第二层判断矩阵A1、A2、A3分别为：

（3）计算判断矩阵的最大特征值和特征向量

 

    应用MATLAB软件，计算得到以上判断矩阵的最大特征根和特征向量，并对特征向量进行归一化处理，就可得到各评价指标相对于上一层评价指标的权重向量，结果如表6所示。

（4）判断矩阵的一致性检验

 

    考虑到二阶矩阵总是一致阵，因此判断矩阵A3的一致性无需检验。下面分别计算判断矩阵A、A1、A2的一致性指标CI和一致性比例CR，结果如表7所示。

表7一致性指标和一致性比例

   由于各判断矩阵的一致性比例均小于0.1，因此可以认为所有矩阵的一致性均是可以接受的，从而得到企业/层智能制造评价指标的权重系数（如表8所示）。同理，可得到生产线层、车间/工厂层、企业协同层的智能制造评价指标权重系数。

 

表8四个层级智能制造评价指标体系

3.  评价模型

 

（1）指标的无量纲化处理

 

    评价指标包括定量指标和定性指标，下面分别介绍其评分方法和无量纲化处理。

 

①定量指标

 

    对于定量数据，首先要确定其该指标可能取的最大值和最小值。最大值为实现智能制造后该指标能够达到的最优值，最小值为尚未开始实施智能制造时该指标的取值，最大值和最小值均为固定数值。然后，应用式

（1）对原始数据进行无量纲化处理：

    其中，xi为评价指标i的原始得分，xmax为评价指标i可能取的最大值，xmin为评价指标i可能取的最小值，xi’为无量纲化处理后评价指标i的得分，其取值区间为[0，100]。

 

②定性指标

 

     采用专家打分法来对定性指标进行评分，由专家根据评价指标的数据采集情况进行打分。然后，应用式（2）进行无量纲化处理：

    （2）其中，xij为第j个专家对评价指标i的打分，n为参与打分的专家数量，xmax为所有专家对评价指标i打分中的最大值，xmin为所有专家对评价指标i打分中的最小值，xi’为评价指标i的得分，分值区间为[0，100]。

 

（2）评价得分计算模型

    对指标进行无量纲化处理后，就可应用加权平均模型（式（3））来计算具体的评价得分。

     其中，θ为企业智能制造评价得分，αi为第i个一级指标的权重系数，βj为第j个二级指标的权重系数，xj为该企业第j个二级指标的得分，i=(1…m),j=(1…n)。