第十五章網絡協同制造管理1網絡協同制造發展模式及運行機制2網絡協同平臺及其架構3客戶需求拉動的多主體聯合協同研發模式4網絡協同制造供應鏈管理5多模態協同管理機制絡協同制造發展模式及運行機制在當前新型信息與通信技術，例如物聯網、大數據、云計算、人工智能、第五代移動通信技術等的助力下，生產系統和產品全生命周期滿足了基本的網絡協同條件：實現了設備與系統的泛在連接，巨量制造數據的感知、收集、傳遞、交互與存儲，以及海量異構數據的高效處理和分析。同時，各類制造資源/服務的虛擬化，產品高度個性化，產用高度融合以及制造服務化，也促使制造相關方通過網絡平臺進行高效協同，從而推動制造業轉型升級。這些趨勢對傳統的生產方式造成了巨大的沖擊，推動現代的生產方式向著網絡化、社會化、協同化、服務化、智能化和環保化等6大發展模式。網絡化社會化協同化服務化智能化環保化網絡協同平臺及其架構（1）廣域互聯：未來的網絡協同制造平臺，早已突破傳統的供應鏈上下游企業之間，或企業內部基于網絡通信設備的局限，而是在網絡協同的深度、廣度和頻率上有質的突破。（2）社會制造：傳統的制造組織在組織內部進行制造資源的調配，當前的制造組織依靠公共平臺進行制造資源的調配。而這些集中式的資源分配方式已經不能適應制造服務化、協作社會化、資源異構化的制造服務要求。（3）數據智能：隨著網絡協同平臺向覆蓋廣度、感知深度和協同頻率深入發展，平臺將儲存海量異構的復雜工業大數據，而這些數據是網絡協同平臺進一步發展的重中之重，需要經過清洗、處理、挖掘、儲存。15.2.1網絡協同平臺發展趨勢網絡協同平臺及其架構社群化制造（SocialManufacturing，SocialM）指“專業化服務外包模式驅動的、構建在社會化服務資源自組織配置與共享基礎上”的一種新型網絡化制造模式，由西安交通大學江平宇教授團隊提出。社群化制造基于云計算、物聯網、大數據、人工智能、移動通信和社交媒體等新興信息通信技術，利用社交網絡平臺環境，針對社會制造資源進行產品全生命周期、制造服務全流程、供應鏈社會化的信息共享、服務規劃與管控。15.2.2網絡協同平臺及架構社群化制造中制造社群協同框架網絡協同平臺及其架構15.2.2網絡協同平臺及架構基于CPS和傳感器的社群化制造平臺感知框架網絡協同平臺及其架構15.2.2網絡協同平臺及架構社群化制造工廠與外界進行網絡協同運行邏輯網絡協同平臺及其架構15.2.2網絡協同平臺及架構社群化制造產品服務系統的網絡協同執行構架網絡協同平臺及其架構云制造是一種基于網絡的、面向服務的智慧化制造新模式和手段，以云計算為主要使能技術。客戶可以通過網絡和云制造服務平臺按需獲取制造服務。云制造也可看作一種支持對共享的制造資源池(如仿真軟件、制造設備、制造服務等)的泛在的、方便的、隨需應變的網絡訪問模型。這些制造資源/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網絡協同平臺及架構基于云計算和物聯網的云制造網絡協同平臺架構網絡協同平臺及其架構15.2.2網絡協同平臺及架構面向中小企業的云制造協同平臺架構網絡協同平臺及其架構15.2.2網絡協同平臺及架構面向集團企業云制造網絡平臺概念架構客戶需求拉動的多主體聯合協同研發模式隨著近年來智能制造領域的發展，在航空航天、汽車等領域，探索形成了以供應鏈優化為核心的網絡協同制造模式。該制造模式的主要做法是建設跨企業制造資源協同平臺，實現企業間研發、管理和服務系統的集成和對接，為接入企業提供研發設計、運營管理、數據分析、知識管理、信息安全等服務，開展制造服務和資源的動態分析和柔性配置等。網絡協同制造模式對研發活動提出了新的要求。首先是數字化協同研發能力。隨著企業國際化，精益化發展步伐的加快，研發規模加大，分工協作越來越精細，需要設計人員具備利用數字化平臺開展協同設計的能力。現有的基于客戶需求拉動的研發模式主要包含兩種。一種是秉持用戶導向的設計理念，即主張以消費者需求為導向，根據對消費者需求的挖掘產生產品構思，形成于消費者需求相匹配的新產品。另一種秉持設計師導向的設計理念，因設計師在知識和經驗是具有專業性，能創造和掌控產品的風格，形成具有穩定文化意涵的產品。網絡協同制造供應鏈管理網絡協同制造的供應鏈是指通過以新一代信息通信技術為基礎的云平臺和社交網絡平臺，多樣化的制造服務提供商（制造商、供應商、分包商）和客戶在平臺上進行物流、信息流、能量流、資金流、智能流等的接受、發送、傳遞或交換活動，從而實現戰略、業務、資源、技術的協同。相比于傳統制造模式的供應鏈管理，現代的網絡協同制造更加強調新一代信息通信技術的效用，以及制造業服務化、網絡化、協同化、智能化的風潮。然而，關注云制造供應鏈管理的文獻并不多。文獻多集中在宏觀層面的架構設計和微觀層面的應用，而中觀層面的云制造供應鏈機制設計和情境探索較為缺乏。15.4.1網絡協同制造供應鏈概念網絡協同制造供應鏈管理15.4.1網絡協同制造供應鏈管理利用CPS技術賦能的網絡協同制造網絡供應鏈架構供應鏈中的節點一般是制造企業、社會化制造社區、個體設計人員等制造服務提供商，而節點之間的弧是物流、資金流、信息流等的抽象。平臺上的制造服務提供商會形成不同的供應鏈，形成動力可以是訂單驅動，由工藝（專業）驅動，由成本/收益驅動等等。每條供應鏈可以由平臺指定主要負責服務商進行統籌和匯總，或者供應鏈中各實體進行協同自治。多模態協同管理機制（1）協同管理以系統為研究對象。協同管理研究的系統一般是由多個子系統組成的具有自組織特征的復雜的社會經濟系統，例如企業系統、大型項目，虛擬組織、供應鏈、戰略聯盟等。（2）協同管理的整體功能大于部分功能之和，它不遵從線性疊加原理，簡單的還原論的方法是無法窺探其內在演化規律，必須要用到非線性的理論方法來研究具有非線性復雜特征的研究對象。（3）協同管理的重要標志是“競爭—合作—協調”的協同運行機制，是協同管理區別于傳統企業管理的重要特性。協同管理研究的對象是由大量子系統組成的相互關聯的復雜系統，這些子系統之間彼此存在競爭與合作的關系。（4）協同管理的目標是要實現“1+1>2”的加倍效應，并希望子系統之間能夠協調發展。各子系統擁有各自的競爭優勢，協同管理通過優勢互補，能夠提升系統的整體競爭力。15.5.1協同管理的主要特點多模態協同管理機制影響大型項目協同管理效果的參量很多，根據大型項目的特征和管理序參量選擇方法，從時間、空間、信息、資源和成本5個維度來對大型項目的管理序參量進行選擇。1）過程協同：時間維度上，項目的全壽命期可以分為規劃、設計、制造、采購、施工、安裝調試和聯動試車等過程環節，項目過程協同就是在完成信息協同的基礎上，進行過程之間的協調。。2）組織協同：空間維度上，項目的組織結構，是具體承擔某一項目的全體參與者，為實現項目目標，在管理工作中進行分工協作，在職務范圍、責任、權利方面所形成的結構體系。3）信息協同：信息維度上，項目實施全過程的管理會產生海量的、紛繁復雜的信息，解決信息的正確、高效共享和交換是保障項目協同管理系統順利運行的基本條件。4）資源協同：資源維度上，項目的作業數目繁多，邏輯關系復雜，所需資源的數量和種類多樣，資源管理的難度很大。5）目標協同：目標維度上，項目管理的過程實際上就是一種追求目標的過程。而復雜性項目其目標體系具有多指標、獨立性和層次性特點，由于目標之間的稱合關系，這些目標在項目實踐中很難達到完全的協調一致。15.5.1協同管理的主要特點多模態協同管理機制（1）以流程為主線的制度體系。流程是由一系列輸入和輸出的活動組成，它描繪完成任務所需執行的所有活動之間的順序、關系和責任。梳理、設計出清晰的流程是構建協同管理體系的第一步，也是建立制度體系的依據。（2）以技術為支撐的保障體系。制度體系的建立是外包過程中業務域輸入的一個方面，還必須建立并完善以技術為支撐的保障體系。在外包的每一個活動層面，管理技術、制造技術的輸入是必須的。（3）以績效管理為手段的完善機制。由于外包活動具有被組織性，為保障其通過“協同”向“有序”方向發展，并在發展過程中不斷完善，還必須建立一套以績效管理為手段的完善機制。績效管理不同于績效考核，是各級管理者和員工為了達到組織目標共同參與的績效計劃制定、績效輔導溝通、績效考核評價、績效結果應用、績效目標提升的持續循環過程。15.5.2多模態網絡協同管理架構智能制造中的人工智能14.2.2智能制造中的人工智能應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術主要應用場景人工智能在智能制造中的典型應用包括：智能設計、工業機器人、預測性維護、智能檢測與智能調度等。（1）智能設計：隨著虛擬現實VR、增強現實AR等新技術的快速發展，傳統設計將得到升級并進入“智能時代”。（2）工業機器人：是最典型的機電一體化數字化裝備，技術附加值很高，應用范圍很廣。（3）預測性維護：依據實時采集的設備運行數據，通過機器學習算法辨識故障信號，從而實現對故障設備的提前感知與維護。（4）智能檢測：依據傳感器采集的產品照片，通過計算機視覺算法檢測殘次品，從而提高產品檢測速度及質量，避免因漏檢、錯檢所引起的損失。（5）智能調度：借助人工智能的優化方法，或人工智能與運籌學結合的優化方法，可以較好地解決制造系統的生產調度一般具有多目標性、不確定性和高度復雜性等問題。機器視覺檢測14.3.1機器視覺檢測簡介機器視覺檢測（MachineVisionInspection）指使用機器視覺代替人類視覺，并使用現代圖像處理、模式識別、人工智能，信號處理等技術模擬視覺功能，實現工業檢測和管控的過程。典型的機器視覺檢測系統，系統組成部分包括光源、視覺信號采集設備、輸入接口、檢測主機、輸出接口、互聯互通接口、用戶界面、檢測過程記錄、數據庫等。機器視覺檢測14.3.1機器視覺檢測簡介從整個制造系統宏觀角度來看，機器視覺檢測系統要想真正提高企業效率，需要與制造系統中的眾多實體發生交互行為，具體包括自動化生產線、機器視覺系統、第三方認證機構、系統運維機構、設備/系統解決方案供應商、人、制造執行系統、偏差決策管理模塊、過程控制模塊等實體，以機器視覺系統為中心的實體質檢協作關系如圖。機器視覺檢測14.3.1機器視覺檢測簡介單個機器視覺檢測系統微觀角度來看，為完成機器視覺檢測任務，機器視覺檢測系統內部可分為三大基本功能模塊：輸入、處理和輸出。機器視覺檢測14.3.1機器視覺檢測簡介如何衡量機器視覺檢測算法的性能？在制造業應用中，管理者通常關注三大核心指標：漏檢率、誤報率、處理速度。對于給定的視覺檢測任務，定義檢測樣本總數為n，其中合格樣本為負樣本，缺陷樣本為正樣本。漏檢率、誤報率的具體含義及計算公式如下：漏檢率（falsenegativerate，FNR）指機器視覺檢測系統未檢出的不合格品數量占據該檢驗批次總數量的百分比，計算公式為:誤報率（falsepositiverate，FPR）指實際為合格品但被機器視覺檢測系統檢為不合格品的數量占據該檢驗批次檢出的不合格品數量的百分比，計算公式為:機器視覺檢測14.3.2機器視覺檢測典型應用場景案例機器視覺檢測14.3.2機器視覺檢測典型應用場景案例上料場景：以變速箱物料檢測裝配場景：齒輪裝配檢測機器視覺檢測14.3.2機器視覺檢測典型應用場景案例質檢場景：半導體芯片質量檢測下線場景：變速箱下線外觀檢查機器視覺檢測14.3.3深度學習及應用深度學習（Deeplearning）由機器學習算法中的神經網絡發展而來，是一種基于對數據進行表征學習的方法，能夠模擬人腦的神經結構。深度學習又叫深度神經網絡，是指具有兩層以上的神經網絡，它可以通過增加層數或者增加每層的單元數，來存儲更多的參數，從而構建更精密的模型。深度學習的概念最終是由Hinton等人于2006年提出，從此引發深度學習的浪潮。機器視覺檢測14.3.4人工智能背景下的機器視覺檢測數據驅動的機器視覺檢測指利用大數據，以人工智能技術為核心，結合圖像處理、模式識別、信號處理等技術的視覺檢測。根據其發展歷程，數據驅動的機器視覺檢測主要可以分為兩個階段，第一階段是基于傳統機器學習的視覺檢測，需要同時結合人工特征和機器學習方法實現分類，第二階段是基于深度學習的視覺檢測，只需要依靠深度神經網絡實現端到端的預測分類。機器學習與深度學習14.4.1機器學習及應用機器學習任務具