智能制造是什么？核心技术、典型应用与发展阶段

智能制造是将先进制造技术与信息技术结合，使设计、生产、管理和服务中的数据能够用于感知状态、分析问题、辅助决策和调整执行的生产方式。它既涉及设备怎样完成加工，也涉及产品要求、生产资源和业务流程怎样协同，以应对订单、设备或质量的变化。

一台机床按程序加工零件，体现了自动化能力；把加工记录与零件编号、材料批次和检测结果关联起来，才能追溯异常；进一步结合工艺知识判断原因、安排处理并检查结果，才把数据用于生产改进。理解智能制造，关键是弄清设备、软件、模型和人员分别承担什么工作，以及它们怎样交换信息。

智能制造覆盖哪些制造活动？

工信部2016年发布的《对智能制造的一些认识》，将智能制造的范围放在设计、生产、管理和服务等制造活动中，强调制造技术、信息技术与业务流程的融合。这一范围比车间自动化更广。

在设计环节，产品模型、图纸和工艺文件确定“应该制造什么”；进入生产后，工单把要求落实到设备、物料和工序；管理系统依据实际进度、库存和质量状态调整资源；交付后的运行与维修记录，又可以反馈产品设计和维护安排。例如，某个零件的设计版本改变，不仅要更新图纸，还要让适用的工艺、检验要求和现场工单同步引用正确版本。

智能工厂是承载这些能力的一种组织和设施形态。单个智能检测工位解决的是局部质量问题，整座工厂还涉及工序、部门及外部供应链的协同。因此，一台机器人、一块生产看板或一套软件，只能说明某项能力，不能代表整个工厂的智能化水平。

智能制造与自动化、数字化有什么区别？

三个概念可以出现在同一条产线上，但关注的问题不同。

概念	主要关注	生产现场的例子
自动化	设备或流程按照控制逻辑、目标和反馈完成任务。	输送线根据到位信号完成分拣；温控系统根据测量值调节加热输出。
数字化	把产品、工艺、资源和过程信息变成可计算、可管理的数据。	用电子工艺文件管理版本，将检验结果关联到零件编号和生产批次。
智能制造	将数据、模型、装备与业务流程结合，支持协同、分析和适应变化。	设备故障后，结合工艺路线、可用产能和交期调整生产安排，并根据实际进度继续修正。

自动化本身可以有反馈控制。温度偏离目标后自动调节输出，已经构成控制闭环，并不需要先使用人工智能。因此，“有反馈”不是自动化与智能制造的简单分界；两者的区别，还在于处理的问题范围、数据关联程度和跨环节协同能力。设备层面的工作原理可参阅工业自动化的组成与控制机制。

数字化则提供可用的信息基础。纸质检验单即使被扫描成图片，尺寸数值、零件编号和工艺版本若不能被正确提取、关联，系统仍难以进行质量分析。反过来，数据已经电子化，也不意味着它会自动产生排产或工艺调整方案：还需要制造规则、分析方法，以及能够执行结果的业务流程。

智能制造的核心技术及协作方式

美国国家标准与技术研究院（NIST）的智能制造系统设计与分析项目将传感网络、计算机控制、生产管理软件、建模与数据分析放在同一个系统中研究。这些技术的作用可以按数据产生、交换、解释和使用的过程理解。

数据采集与产品标识

传感器、检测仪器、工业相机和设备接口，提供温度、振动、尺寸、图像或运行状态；产品标识把这些记录归到具体零件、批次或工单。只有一条尺寸数值，难以说明问题；同时知道它属于哪个零件、在哪台设备和哪道工序产生，才有追溯意义。

采集还要保留测量时间、单位、工艺版本等条件。例如，同一温度数值来自主轴轴承还是冷却液，业务含义完全不同。编号、时间和数据含义不一致，后续分析就可能把不同对象或不同时段的记录拼在一起。

工业网络与数据集成

工业网络提供传输通道，接口和数据规则让不同设备、软件理解彼此。设备已经联网，却只上传一个“运行”状态，计划系统仍未必知道它在加工哪个工单、还剩多少数量。把设备状态与任务、数量和时间关联，网络数据才成为可用的生产信息。

边缘计算可在靠近设备的位置完成采集、预处理和部分分析；云端平台可汇总跨设备、跨工厂的信息。例如，现场先提取振动特征并及时判断异常，再把趋势和维修结果传到管理平台，不必把全部原始信号都交给远端处理。两者怎样分工，取决于响应时间、数据量及现场连续运行要求。

工业软件与业务协同

企业资源计划系统（ERP）主要处理订单、物料和资源计划；制造执行系统（MES）组织并记录现场生产；产品生命周期管理系统（PLM）管理产品定义、版本和变更。具体功能会有重叠，但三类工作分别回答“要生产什么、需要哪些资源”“现场怎样执行”“按哪一版要求制造”。

例如，订单下达到车间时，MES需要取得生效的产品和工艺要求；生产完成后，又把实际数量、耗料和质量状态返回相关系统。若工艺改版只更新了文件库，现场工单仍引用旧版，软件之间就尚未完成有效协同。各系统的详细分工见制造企业常用的ERP、MES、PLM与WMS。

工艺模型、仿真与人工智能

工艺模型表达变量之间的工程关系，仿真用于比较工艺、设备或产线方案，优化算法在交期、产能等约束下计算可行安排，机器学习则可以从数据中学习缺陷或异常的特征。它们并不是同一种方法：尺寸是否超差可以按公差规则判定，复杂表面缺陷可能需要图像模型，排产则必须考虑工序和资源约束。

数字孪生将与实际对象保持同步的虚拟模型用于描述、诊断、预测或优化，这是NIST制造业数字孪生研究强调的特征。例如，将产线模型中的设备状态、在制品和加工时间更新后，可以比较调整顺序对交付的影响。模型的结论取决于这些输入及建模假设，仅有三维展示并不能完成这一分析。

生产执行与结果反馈

分析输出可能是异常提示、检修任务、新的生产顺序，也可能是经过批准的工艺调整。它需要由人员或控制系统执行，执行后的质量、进度和状态再返回系统。人员可以参与审核和处置；NIST也将智能制造系统描述为自主程度不同的适应性系统，而非统一要求无人操作。

不同层级的动作还要分清：排产系统决定任务顺序，并不直接替代设备控制器的运动控制；质量模型提出调整建议，也不意味着可以越过工艺审批或设备保护。把分析结果转成明确任务，记录执行条件与实际结果，才能知道建议是否解决了原来的问题。

智能制造有哪些典型应用？

下面三个场景用于解释工作机制，均为教学假设，不对应某家工厂的部署结果。它们分别处理质量异常、生产计划变化和设备状态变化。

质量追溯与加工异常处理

假设同一种零件经两台机床加工，终检发现部分零件尺寸超差。只有检测结果时，质量人员知道“有不合格品”，却无法确定影响了哪些产品、问题出在哪道工序。追溯系统把零件编号与材料批次、设备、加工时段、刀具记录、工艺版本及检测结果连接起来，使这些问题可以继续查证。

首先确认异常是否真实。按适用测量方法复测，核对量具、测量位置和当前图纸公差，避免把测量错误或版本用错当成加工问题。经确认的异常记录再关联到零件履历，用于确定需要隔离和复检的产品范围。

随后比较可能解释差异的条件。如果同批材料在另一台设备上没有出现同类偏差，而异常集中于某台设备的一次换刀之后，排查就可以重点关注换刀、刀具补偿和装夹记录。这种关联缩小了排查范围，但尚未证明刀具就是原因；工艺人员仍要核对实物、参数及时间记录，排除同时发生的其他变化。

继续这个假设：核查发现，换刀后仍沿用了不适合新刀具的补偿值。工艺人员确认修正方案后，在允许条件下调整并试加工，再用相同测量方法检查尺寸。只有验证了原因与措施的对应关系，才有依据恢复相应作业；原有不合格品仍需按质量流程处理，不能因新工件合格就自动放行。

最终记录保留异常涉及的零件、原因证据、处置人、参数变更和复测结果。后续还可以增加换刀后的参数核对或首件确认规则，并用新的生产记录检验是否仍出现同类异常。这样，追溯回答了“发生过什么”，工艺分析解释了“为什么”，处置和复测才回答“是否已经解决”。

这类应用不以人工智能为必需条件。标识、规则查询和统计分析就能解决一部分问题；当多因素组合难以由简单规则识别时，再用模型辅助发现线索。算法产生的相关性，需要与工艺证据一起解释。

动态排产与订单协同

假设一台关键设备故障，原计划安排在该设备上的工单可能延期。重新排产需要的不只是订单交期，还包括每个订单的剩余工序、物料是否到位、其他设备是否具备相应工艺能力，以及换型和加工时间。

排产系统先排除不可执行的安排：上一道工序没有完成，下一道工序就不能开始；替代设备没有合适的工装或加工能力，也不能仅因空闲就接单。在可行安排中，再按交付优先级、延期程度、换型次数等目标比较方案。不同目标可能冲突，例如插入急单会推迟其他订单，减少换型则可能需要合并同类产品生产。

确认方案后，新的任务顺序下达到现场，物流和备料随之调整；MES返回实际开完工时间、数量及停机信息，排产系统据此更新后续安排。智能化体现在把实际约束和变化纳入计算，并持续修正计划，而不是画出一张更漂亮的排程表。若设备恢复时间或工序实绩长期失真，再复杂的算法也会算出无法落实的计划。

设备状态监测与预测性维护

设备运维关注的是状态变化是否意味着故障风险。以旋转设备为例，振动升高可能来自负载或转速变化，也可能与部件劣化有关。因此，监测数据需要与运行工况、历史基线和维修记录关联，在可比较条件下分析趋势。

发现异常后，系统可以生成检查任务，由维修人员检查并记录结果；确有劣化迹象时，再结合生产计划、备件和维护窗口安排处置。维修后的状态也要反馈，以检验此前判断。单一阈值报警属于状态监测，只有进一步利用模型估计未来状态或失效风险，才涉及预测性维护；预测并不等于能够精确报出所有设备的剩余寿命。

智能制造的三个发展范式

《中国工程科学》2018年发表的《智能制造的三个基本范式》，用数字化制造、数字化网络化制造、数字化网络化智能化制造解释技术演进。用这三个范式理解“发展阶段”，重点在于能力如何扩展。

数字化制造：产品和生产过程可以用数字工具表达、处理，例如数字图纸、数控加工程序、工艺仿真和电子检验记录。单个环节已经能够计算和管理信息，但设计、生产和质量之间仍可能依靠人工传递文件。

数字化网络化制造：在数字化基础上，把产品、设备和业务系统连接起来。设计变更能够传递到适用工单，质量记录能够关联生产履历，订单与产能信息能够共同参与资源安排。能力重点由单点工具扩展到跨环节协同。

数字化网络化智能化制造：进一步把制造知识、数据分析与人工智能结合，增强诊断、预测、优化和适应变化的能力。例如，基于历史加工和检测数据发现异常模式，或根据实时状态重新比较生产安排。系统能做多大范围的判断，仍取决于数据、模型和已经验证的执行条件。

三个范式可以并行发展。同一家企业可能已在设计中使用仿真，部分车间仍在补设备采集，个别检测工位则已经采用机器学习。这不是要求全厂完成一个阶段后才能进入下一个阶段，也不等于一项项目的统一验收等级。技术演进与工程推进的用途不同，具体建设工作可参阅智能工厂建设阶段与实施路径。

智能制造最终体现为制造能力的扩展：数据能够对应真实产品和过程，软件与模型能够解释变化，人员和设备能够据此行动，执行结果又能支持后续判断。自动化、数字化、网络化和分析能力共同作用，才形成适合具体生产任务的协同系统。

参考资料

• 工信部，机械工业仪器仪表综合技术经济研究所：《对智能制造的一些认识》，2016年。
• 美国国家标准与技术研究院（NIST）：Smart Manufacturing Systems Design and Analysis Program。
• 美国国家标准与技术研究院（NIST）：Digital Twins for Advanced Manufacturing。
• 臧冀原、王柏村、孟柳、周源：《智能制造的三个基本范式：从数字化制造、“互联网+”制造到新一代智能制造》，《中国工程科学》，2018年。