1.3 对新一代数字工厂的思考

1.3.1 制造业面临的新挑战

现代制造业面临着新的市场环境和竞争环境带来的挑战，各个业务领域都亟待全新的管理方法和数字化工具来帮助破局。新产品和新技术带来的机遇和挑战要求更敏捷有效的工厂规划方法，复杂的新工艺制程和高实时性的操控要求需要更高效和更智能化的生产控制手段，供应链的全球化和快速变化的市场节奏要求更灵活实用的精益制造和流程优化方法。现代制造业想要提升在效率、智能化和可持续性方面的管理水平，需要将工厂全生命周期各阶段的数据与物理系统融合，并基于此在企业全生命周期各阶段实现高水平的决策与运营。

现代制造业在资源组织方式方面由面向局部制造资源的静态组织方式，转变为面向全球制造资源的动态网络化组织方式；在制造全过程管理方式方面由业务逻辑驱动的层级化运营管理模式，转变为数据驱动的扁平化协作管理模式。组织结构与组织管理方式也正在随着信息技术的进步而发展，逐步从传统塔式层次化组织结构和矩阵型事业部结构，向扁平化联盟型组织结构演化。企业掌握的信息技术越高超，企业决策层能够有效控制的范围就会越大，模块化、扁平化、全球化和智能化的趋势也会越明显。现代制造业的新型组织方式，在去层级、去中心化、云化及自组织方面的特征已经越来越凸显。

随着管理信息系统中数据体量和决策任务空前增加，依靠数据科学与计算智能进行基础性决策将成为必然趋势。

例如，对于库存管理等典型运营决策问题，传统供应链决策理论通过单一化产品类型、供给、需求、库龄等因素来实现问题的简化和可求解，而在大数据驱动的新型管理决策范式中，可以充分考虑实际情况中产品的特殊性、供给不可靠、需求多变、库龄不一致等特性进行复杂建模和优化决策。再例如营销领域中传统“营销漏斗”理论的“吸引—转化—销售—保留—联系”线性步骤和策略，未来很有可能会被在大数据情境下构建以消费者为中心的消费市场大数据体系，通过对客户线上购物行为的全景式洞察，形成面向消费者全生命周期、非线性的市场响应型营销管理决策模型取代。

传统的流程与信息化技术和精益管理思想，都是帮助制造业应对市场环境和竞争环境带来的挑战的有力抓手，然而传统管理思想和信息工具在面临新环境时表现出了局限性。很多企业在数字化转型的浪潮下投入巨大成本去“补课”，包括计算机软硬件升级，生产线的升级改造，以及组织和管理变革的人力投入，但收获效益和投入不成正比。不是因为这些技术和方法本身有问题，而是因为今天企业面临的情境已经发生了改变，而很多信息化的解决方案还在试图复制过去的传统经验。

笔者在制造业进行了18年的数字化技术研发和应用项目管理，包括离散制造工业、流程制造工业、半离散半流程制造工业，与不少企业进行过经验交流和问题诊断，覆盖了产品研发、工艺规划、生产制造、质量管理、设备运维、市场营销、售后服务等业务域。大量的企业实例已经证明了工厂启动数字化转型项目容易，但实现可持续盈利难。

现代制造业面临着快速变化的市场环境，面临着以下3个典型问题的挑战。其一，在规划阶段，为满足新生产线建设规划的需求，或者满足临时性改造项目的需要，需要研究快捷有效的技术手段对新的工艺规划方案进行高效率分析。其二，在生产经营阶段，工业生产的经济效率在很大程度上受产品的输出数量、质量和市场价格的影响，市场需求和生产价格的波动会对最终产品组合的交付可控性提出更高要求。而最终产品的多样性和生产控制变量的复杂性，又会对工业生产过程中的安全性、稳定性、连续性和实时控制能力提出更高要求。其三，在流程再造阶段，传统制造工厂在面临着全球化和新兴技术带来的机遇和挑战时，迫切需要快捷有效的方法和工具，尤其是解决采用传统精益方法在企业升级改造过程中输出结论“不够精确”的问题，来提升企业竞争力，以便有效应对新一轮产业革命带来的更加激烈的竞争环境。

随着现代计算机性能的提升和软件技术的发展，仿真分析软件越来越多地应用于工厂规划任务中，以提升工业工程分析和规划工作的效率。在工厂规划阶段，传统仿真方法的局限性主要体现在以下方面，即对使用者的素质要求很高，需要很长时间才能培养和建立一个成熟且可熟练运用仿真分析软件的团队；项目执行需要现场生产各部门和管理部门提供很多合作，且现场研究和仿真建模的工作周期很长；一个仿真场景只能用于某特定情况，而在业务环境发生变化时需要重新构建模型。

传统制造业信息化的技术手段包括4个业务领域的子系统，即工业自动化系统、生产管理系统、经营决策系统及仿真和优化系统。不同系统域之间的数据和信息通信一般遵循“计划—仿真—执行—控制”的传统逻辑。仿真和优化技术主要基于专家经验和知识，或者始终参考先前一次性的机器学习的结果。但在现代工厂中，工业物联网硬件快速普及，实体工厂的大量原始数据将导致信息严重过载，而数据挖掘技术目前仍不能很好地处理大数据并将其用于智能生产控制。由于工业大数据维度过多和数据产生速度过快，目前仍然少见基于机器学习的生产控制数字孪生框架模型的研究。传统生产控制优化方法的建模通常是单一过程，是一次性的知识输出，这种方式缺乏物理制造工厂和虚拟数字工厂之间的连续交互过程，不能有效应对未来工厂要素的持续变化。

传统生产过程的流程改进工作较多采纳精益生产的理念，以价值流程图（VSM）为例，这是企业决策者、生产部门、规划人员、供应商及顾客发现浪费、寻找问题根源的沟通工具，通过简洁的绘图和定量描述制造环境中的物料流和信息流，帮助企业实现精益生产目标，达到效益提升的目的。但传统精益生产方法在现代制造业的实践中面临多个挑战，①对当前面临的主要问题的分析和对未来改进效果的预估属于定性的评价和推测，有主观判断的因素；②缺乏精确计算结果，无法用量化的数据准确描述对生产过程进行改进后，可带来的效率提升和原始状态的对比；③对于改良方案可能带来的新问题，如新的工艺瓶颈点、库存和缓冲不足的情况，难以提前给出准确预测。

1.3.2 两个常见的管理难题

（1）工厂离不开老师傅

在和不同业务域合作的过程中，笔者看到了不同领域的资深行家令人赞叹的专业技能，生动诠释了“三百六十行，行行出状元”，以下简单列举几个令笔者印象深刻的例子。

在汽车工业的规划设计场景中，资深设计师在图纸会签的时候，把建筑、结构、水、电、气、机床设备等十余个专业晒制好的数十张蓝图在会议桌上平铺开，逐张看过后，就能立刻指出未来施工可能会出现的干涉、碰撞等问题。桌上的纸质蓝图仅仅是一些二维平面图，这些老行家有非常强大的大脑还原能力，他们不但能在大脑中把二维示意图还原为三维模型，还能把这些模型在大脑中拼接、叠加到一起，并洞察可能出现的问题。

在炼油厂的生产控制场景中，资深工艺员能在一整天工作中持续冷静地观察催化反应装置实时回传的上千个温度、压力、液位测量值，迅速构思当前的实时调整思路，并有条不紊地在DCS（分散控制系统）中同步对数十个催化反应装置可控参数进行调整。而对于这些催化反应的动态过程，业界目前仍然没有稳定有效的机理模型可用来模拟，即使是行业内的先进过程控制（APC）系统为工厂定制开发的自动调优模型，在多数工厂也做不到长期有效。这说明在这些老行家头脑里有一套在长期工作中悟出来的经验模型，其生产控制优化效果优于机理模型。

在工程机械行业的新品试制场景中，经验丰富的工人，能比工程师更快地指出试制新品的零部件组合后匹配效果为什么不好，主要是哪些位置的热加工形变导致的，以及在哪些加工工序适当地留出形变余量就可以弥补这个误差。反观从产品研发到工艺设计领域理论扎实但缺乏实践经验的工程师却无法指出这些问题，这说明工人经过在制造一线长年的工作，悟出了一些大学课程未涵盖的知识。

在机械加工车间的设备维护场景中，资深的维修技师光凭耳朵就可以预测设备故障，只要听一听主轴电机转动的声音，就能立刻判断出设备是否有必要立刻停机保养，以及配件是否已经磨损到必须更换的程度了。这种判断方法虽然在设备原厂的保养手册里不存在，但是能比设备原厂的保养方案更准确地提前预判设备故障，并带来更长的设备工作时间和备件使用寿命。

在生产计划的场景中，计划员的重要性毋庸置疑，如果他们的计划产出水平不高，整个工厂运转就会完全陷入混乱。因为生产计划要考虑方方面面的问题，其复杂的逻辑关系其他人很难梳理清楚。在挖掘机工厂做计划的老行家凭以往经验就知道几种不同机型如何搭配排产，可以使整个流水线的节奏更平衡、产出效率更高，而外人并不知其所以然。这说明计划员的大脑中有一套复杂的经验和规则体系在支撑工作。

类似的例子还可以枚举很多，这些现象归纳起来就是“工厂离不开老师傅”。企业内部通常积累了大量的高水平知识，而承载这些高水平知识的往往是企业中普普通通的一员。但这些知识既不在教科书上，也不在企业手册和流程规章中，甚至老师傅自己也说不清楚里面的具体逻辑和道理是什么。有不少企业的人力资源部部长对笔者说过，过去企业经常发生随着老师傅的离开，高水平的经验和知识也随之流失的情况，企业对此感到痛心，但是找不到解决办法。

（2）小问题是大顽疾

在不少制造业企业中还能见到这样的现象，有些看似一目了然的问题，实则是大顽疾。解决这些问题需要耗费公司许多资源和管理成本，领导也动了真格，但与之相关的实际运营水平却一直都在时好时坏的拉锯状态中，长期没有根本性地解决或者没有质的提升。

更糟糕的是，解决这类问题的过程还对工厂的企业文化和队伍士气产生了负面影响。公司有很多人似乎已经产生了抵触心理和回避态度，一听说这类事就唯恐避之不及；新员工入职看到一些不合理现象，觉得难以理解，而老员工对此只能“一笑了之”；领导反复动员，公司投入了大量人力和财力进行运动式建设，集团各业务域的管理总部也进行了轰轰烈烈的运动式考核，让很多人付出了沉重代价，可仍收效甚微，没有带来根本性提升。以下也举一些典型的例子。

很多企业为了提升制造单位的运营水平，使用考核的方式，如考核存货周转率、设备利用率、人均产值，结果被考核的单位鸡飞狗跳地去挨个优化这些指标，却总是保这一头就保不住另外一头。如果以上考核指标还是由不同上级部门分头管理，这种“旋转门”式的管理怪圈就会更加明显和戏剧化，被考核单位每个月的上旬应付部门A，中旬应付部门B，下旬应付部门C，但3个指标从来没有同时好过。

如果高层要考核存货周转率，那么基层就会在考核日之前停产清线，宁可每个月让工人和设备空闲两天。如果高层要考核设备的开机率或设备的利用率，那么基层就会忽略设备经济性运行的推荐模式，指示工人在设备使用过程中频繁地开机、关机，或者将公司斥巨资购买的新生产设备封存不启用。如果高层要考核人均产出率或单位产值人工成本占比，那么对于市场销量每年周期性大幅起落的工厂，基层的人事部就会在每年的淡季前成批量地裁员，在旺季前成批量地招募新手，这种做法势必会导致淡季员工士气下滑，旺季产品质量下滑，但基层部门可能并不在意，因为这些负面效应与他们的绩效考核指标无关。

当财务部分析为什么固定资产的投资收益率降低了，当工厂维护部门调查为什么设备的使用寿命缩短了，当人力资源部门调查为什么工作氛围变差了，当质量部门调查为什么产品品质下滑了的时候，他们很难追根溯源把起因定位到这些微观的考核指标上。

当制造系统中出现了管理顽疾，我们首先可以做这样的一个假设，那就是每个层级的人都是理性和聪明的，在这个假设的前提下再抽丝剥茧，从管理的角度去洞察一些荒唐现象的产生原因。特别是如果能够到基层进行沉浸式的观察，我们就会意识到“小问题是大顽疾”的现象，不是因为基层管理者和员工无能，恰恰相反，是因为大家都非常聪明，而且懂得迅速适应新的管理政策，选择对自己最有利的应对策略。上级单位定义的种种微观考核指标，本来的出发点是提升企业的经营水平，但是一旦过度聚焦在微观考核指标上，并将其作为基层管理能力的评价依据，就会起到反向指引的作用，造成基层动作变形，导致最终效果和制造业企业的经营目标背道而驰。

例如有的大型工业集团设定“设备开机率”“设备作业率”这些与设备利用程度相关的考核指标来评价不同下级单位经营水平的高低。设备利用率高的管理者被评价为管理水平高，理由是他充分利用了固定资产的生产能力，没有造成设备闲置。但如果考虑到制造业企业的经营本质是为了在满足市场需要的前提下，用尽可能少的成本获取尽可能多的效益，我们就会意识到这是一种很奇怪的规则设计。推行这种考核指标的后果就是基层干部会要求工人在没活干的情况下也要把设备开启空转。类似会带来反向指引效果的微观考核指标还可以列举很多，如“钢材利用率”“谷期用电率”“耗材计划准确率”“数据采集工具覆盖率”“无人小车利用率”等。

试着从企业经营本质的角度重新思考关于设备利用率的考核指标，假如有两家公司在同样的背景下都很好地满足了市场需求，而且利润水平也一样高，那么第一家公司的设备利用率比第二家低，不正说明了第一家公司比第二家公司消耗了更少的社会资源就达成了同样的目的吗？因此第一家公司在管理能力上难道不应该得到更高的评价吗？

除了在管理方法中存在点状思维的考核手段，有的制造业企业为推动数字化变革，对新技术的导入也存在“头痛医头，脚痛医脚”的点状思维。笔者参加了不少同行的经验交流和问题诊断讨论会，很多企业启动制造智能化转型规划工作，往往聚焦在讨论类似下面的话题上，即产品在某个加工环节瑕疵率高，则讨论利用人工智能能不能提升该工艺过程的良品率；供需不平稳导致存货积压或者供不应求，则讨论有没有办法通过大数据准确预测产品销量；设备和运载工具闲置明显，则讨论如何通过物联网在线监督的技术手段将设备和运载工具的利用率提高。事实上，拿具体点状问题作为数字化工作规划切入点的公司，数字化转型工作大多是昙花一现，最终企业整体数字化转型普遍不容易成功，甚至作为切入点的这些小问题最后也未被解决。

如果企业顽疾无法根除的根本原因不是企业管理者的能力水平不行，也不是业务部门的员工在故意作对，那我们就要考虑问题产生的根本原因可能是企业的规划和运营设计本身有结构性缺陷。但结构性问题非常难以洞察，无论是制造部门还是工艺部门，无论是基层员工还是管理者，都容易陷入对自己负责的工作“当局者迷”的困境。借用经济学家的名言：即使是每次都赢得冠军的赛马，也很难看清楚赛道是如何设计的。

如果企业顽疾的根源在于结构性问题，就必须用全局视角和系统性思维解决问题。如果不解决制造系统在设计上存在的结构性问题，却试图动用考核和激励手段在运营过程中解决，往往导致老问题没解决，又造成一系列新问题。就好比一把椅子的结构不稳，摇摇欲坠，不去检查和加固框架，而是试图用胶水去黏接，那坐上去终究椅子还是要垮塌。要从根本上解决问题，就必须从系统结构上进行洞察和改进。现代的制造业管理，需要新范式的工具，帮助管理者破解“当局者迷”的困局。

1.3.3 系统论思想和问题剖析

（1）系统论和制造系统的目标

关于制造业新形势下数字化转型如何破局，系统论的观点为我们提供了一个很好的视角。系统论告诉我们，一个企业本质上就是一个系统，系统不是一堆事物的简单集合，而是由一组相互连接的要素构成的、能够实现某个目标的整体。任何一个系统，都由3种要件构成，分别是要素、连接、功能。而所谓系统性思考，是指一种思维方式，它不是割裂地、局部地、静态地来看待问题，而是关联地、整体地、动态地来审视问题。如果一个组织总是一而再、再而三地发生同样的问题，很可能问题根源不在要素层面上，必须从系统的连接层面和功能层面上寻找对策。

如果对系统三要件的重要性进行排序，应该是功能比连接重要，连接比要素重要。对一个系统来说，要素往往是最不重要、随时可替换的，但如果改变了系统的连接，那么系统就会发生巨大的变化。而比连接更重要的是系统的功能，也叫系统目的，这是决定系统行为的关键因素，也是系统最本质的东西。但现实情况是在人们讨论一个系统中存在的问题时，往往习惯性地聚焦到要素上，而忽略连接和功能。如果所有人只愿意讨论和解决要素层面的问题，而不再进行深层思考，后果就是管理者会变成“救火队长”，永远有灭不完的火。

把制造业企业看作一个系统，这个系统最根本的目的，应该是用最低的成本去最大化地满足市场需求，这里所说的“大”既包括质，也包括量。正如前面提到的，很多企业为下级部门定义了各种事无巨细的考核指标，效果是触发了基层的各种不良应对策略。上级只管定指标，下级只管抓考核，各层级只顾局部利益，无视全局效益，根源正是企业从上到下都在用割裂的视角看局部问题，而忽略了系统整体目的。针对以上现象，笔者给制造业企业的管理提供以下两个见解，供读者思考。

①高层管理首先要考虑如何为下级赋能。制造业企业很多问题的产生本质是因为复杂要素的连接，要求管理者有跨时空的全局观和推演能力，这种能力本身不是人脑的天然禀赋。很多低水平决策的出现原因不是人主观意愿不想做好，也不是决策人的水平比其他人低，而是系统中各要素连接后的复杂度本身超过了人脑的算力。人擅长把要素说清楚，但各要素一旦开始连接，事物推理的复杂度就会呈几何级数增长，这时候人就很难说清楚。不在这个核心问题上为下级赋能，而仅通过设置各考核指标、绩效管理或各种激励政策来牵引下级，其实都是蛮干，不会给管理水平带来质的提升。

②大型制造业企业的高层管理，应当聚焦管理结果是否符合企业的本质目标。顶层管理者或许应该进行多维度的数据洞察分析，但同时要把细节决策充分授权给一线管理者。基于微观考核指标进行事无巨细的绩效管理，会促使组织中每个人只关心自己要背负的任务指标，而忽视了企业的本质目标。基层管理者过于关注微观考核指标，就容易只琢磨手段和方法，而忽视坚持做正确的事。很多管理动作变形，往往都是考核指标过细诱发的不良应对策略导致的，是上级微观管理带来的反向指引效果。

（2）企业内隐知识剖析

工厂为什么离不开老师傅？因为企业有大量的内隐知识。内隐知识也叫隐性知识、默会知识、意会性知识，就是那些没有写在教科书上，也不曾用明确的企业文件、规章、制度、流程进行显性化归纳，但确实无处不在的、有效支撑公司经营管理工作有序开展的知识。隐性知识只能意会，多数在资深员工的大脑中，并没有形成书面记录。

有学者认为，企业中大部分知识都是隐性存在的，而能够让卓越企业从同行中脱颖而出的关键，正是这些隐性知识。

一个企业在决策层面、规划层面、工艺层面、生产层面都存在大量的隐性知识，如对形势的预测、计划的编排、过程的协调、人员的调度、参数的控制、操作的手法等各个企业经营环节的行为，都包含大量的隐性知识。有的隐性知识会通过口口相传，沉淀为企业能力资产的一部分，但更多的隐性知识存在于个人头脑中，并没有归纳概括出来以供分享和传承。有的隐性知识是经过常年的迭代与打磨，潜移默化形成的，甚至可能一直被人们使用而不自知。

经验丰富的工厂管理者，能将工厂的系统要素说得头头是道。他们熟悉每一台机床的特性、每一个供应商背后的来龙去脉、每一位工人的能力和性格，我们只要和他们深入交流，就会发现他们经过长年累月的工作，头脑中积累了大量的知事（know what）、知因（know why）、知人（know who）、知能（know how）等方面的要素知识，这些知识是在大量实践训练中得到的认知。这样的“大数据”训练出来的脑中模型，可能在工作中长期地、有效地影响和指导了不止一位员工的行为，但即使是知识的拥有者往往也没办法正确理解这些隐性知识，更别谈将其归纳为显性知识。

隐性知识缺少记录和传承的原因有很多，一方面，制造业企业采用“计时工资”“计件工资”这样的分配制度，在企业文化和管理机制上就没有对隐性知识的流动和共享产生激励效应。另一方面，员工的惰性、垄断心理、自我保护意识，都会使其本能地抗拒将隐性知识分享出去。这种心态用一句俗语说，就是恐惧“教会徒弟，饿死师傅”。

同时还有更深层的原因，那就是很多隐性知识，人们确实一直在用，但并不清楚里面的道理。这样的隐性知识本质上是一个“大数据”训练模型。例如可能是公司各系统在经历长期磨合后，逐步形成的一个组织之间相互配合的稳态模式，本书将其称为“习得性适应”。也可能是工作人员在进行过大量实践后，通过不断试错和反馈，大脑无意中受到了反复训练而得到的最佳实践。

传统的企业流程与信息化工作内容，主要是将企业显性的、明确的知识和规则通过信息技术的软硬件手段，实现在线化和自动化呈现，从而固化为企业管理流程与决策工具的一部分。而新一代数字工厂的使命，是通过信息科学领域的人工智能手段，突破人的认知局限性，将隐性知识显性化，进一步探索人们经验认知以外更好的解决方案，并通过软件工程将这些新发现的成果固化为企业新的管理流程与决策工具的一部分。

（3）企业结构性问题剖析

如前所述，按照系统论的观点，在系统中比要素重要的是要素之间的连接，现代制造业决策场景面临的真正困难，不是系统包含的要素多，而是各个要素之间的连接复杂。如果管理者能精确计算和妥善处理系统各要素间的连接，那么系统就会发生巨大的改进。然而全要素的连接和推演对普通人来说本身就是一个巨大的挑战，工作量会随着要素数量的增加而呈几何级数增长。基于人的认知经验，人可以逐个说清楚每一个要素，却没有足够的脑力推演所有要素连接的问题。并且人脑会本能地抗拒深度工作，而喜欢用一些阻力小的思维模式，俗称“拍脑袋”决策。企业推行事无巨细的考核，在管理上的负面效应是也促成了基层管理者懒得再深入思考，索性把时间和心力都投入浅层的、思维阻力小的事务性工作中，浅层的事务性工作不会转变为强大的生产力和创造力。

当人们讨论一个系统对象时，会习惯性地聚焦在系统的要素上，而忽略连接和功能。解决企业的个别点状问题，其本质是解决生产要素问题，既然系统的要素往往是最不重要的且随时可替换的，那么就不会使企业经营水平产生质的飞跃。如果运营公司相当于运作一个系统，那么我们要想清楚，这个系统的功能的本质是什么。很多公司的智能制造转型工作从方法设计开始就出现了问题，陷入了考核制思维定式而忽略了企业的本质，陷入了对方法和手段的追求而忽略了企业的目标，就是没想清楚系统的本质。

同时要看到，制造业企业数字化转型难下手，往往是因为企业面临的问题很复杂，不同业务域之间的问题盘根错节、互相牵制，往往一个问题后面会牵连一连串相关问题，或者要解决一头的问题就无法解决另一头的问题。系统性思考要求我们不能割裂地、局部地、静态地来看待问题，而是要关联地、整体地、动态地来审视问题。推进企业数字化转型的管理者要明白系统元素之间的相互关联和影响，具备整体视野，才有可能在这个复杂系统情境中成为解决问题的高手。

例如在生产规划场景中，经验丰富的工艺员能说清楚生产线上的每一台机床的属性、每一道工艺的标准、每一个工人的素质和技能水平，但一旦将这些要素连接起来，即便是讨论最简单的节拍和效率问题，工艺员也很难洞悉工艺路线和节拍衔接潜在的所有不合理性。

再如在运营场景中，经验丰富的计划员无论经历过多少次计划无法执行的意外情况，如缺料、人手不足、设备故障等导致计划失效，又无论经历过多少次决策错误导致呆滞库存，或者供不应求导致错失行情，即使每次他都在事后搞清楚了原因和后果，但在没有强大工具支持的情况下，将来还会不可避免地重蹈覆辙。

正如前文所述，制造系统有太多要素连接在一起，复杂度超过了人脑的分析处理能力，导致以上情形出现，制造系统的顽疾往往是系统要素连接问题。无论是规划还是运营场景，都不可避免地涉及对系统要素的连接进行推理，而且很多还是长链条的推理。这些推理过程中存储的数据量和运算量都远超人脑的能力，如模拟一条普通的生产线连续运行一天，其中的全生产要素在此期间累计可以产生一百多万次状态演变；再如制订下个月5000台挖掘机的机型生产计划，影响这个决策的内部因素和外部因素组合的数据维度可以达到10万级；再如一条包含20多个工序的机加工成型生产线，每天要制造100多种不同的零件，其潜在可行的上线队列就有10亿种排列组合方式。这样数据量级的问题不可能让人徒手算清楚，所以人必须要有辅助工具的支持，才能保障推演过程的正确性与结果的有效性。

多数企业管理者在面临这种规模问题时会用经验直觉，或者用归约法简化问题。笔者也在不少企业观察到了更糟糕的管理实践，如大家习惯性地回避一直说不清楚的复杂问题，直接将话题转移到另一个自己熟悉的话题上继续争论，这都是人脑喜欢小阻力思考模式的天性使然。

（4）时间、空间、颗粒度和精益问题

要讨论清楚系统中的要素连接问题，就必须有精确量化思维的工具和方法，并且站在时间、空间、颗粒度这3个角度再认真评估一下要素的连接和业务的本质。

前文提到工厂各个生产要素的考核指标问题，如果跳出生产部、设备部、物流部的局部思维视角，站在工厂全局看制造系统的运行特点，就会意识到，生产之所以可以进行，本质上是人、机器、物料三者之间的同时空闲状态在时间和空间上的撮合。也就是说，只有三者都空闲而且聚到了一起，当前工位的加工才可能进行。现实中只要三者中有一个要素被占用，那另外两个要素就得等待。看清楚了这个本质，就可以推理出——工人的劳动负荷率、机器的利用率、物料的流转效率，三者之间其实是互相迁就、此消彼长的关系，不可能同时最大化，也可以称之为“生产要素运行效率的不可能三角”。

也就是说，要想让在制物料的流转效率最大化，那就要舍弃机器的利用率和工人的劳动负荷率。要想让机器的利用率最大化，那就要以牺牲物料的流转效率、工人的劳动负荷率为代价。要想让工人的劳动负荷率最高，那就得放弃物料的流转效率和机器的利用率。所以，如果工厂的工艺规划和运营规则没有做好整体的协同设计，就永远不能保证生产三要素同时在一个令人满意的水平上运转。

为了进一步理解“生产要素运行效率的不可能三角”，还可以想象一个比较极端的场景。例如，想要使物料的流转效率最大化，物料就像赛道上的F1赛车，物料进入每个工位都像F1赛车进入赛道维修栈那样，享受到了被工人和机器“一拥而上”的加工待遇，那么物料的流转效率就会奇高。但与此同时，这也意味着工人和机器的效率会奇低，因为他们大部分时间都在空闲等待中。

再例如，要想使工人的劳动负荷率最大化，就像电影《摩登时代》中卓别林拧螺丝那样，一刻不闲地高频率作业，这就意味着物料和机器要相对冗余，物料要有大量的预先储备，机器要有一定的备份，才能保证工人可以永不空闲，持续高饱和度地劳动。

有很多传统的管理思想和实践案例，如源于日本丰田汽车公司的传统精益思想，促使了人们去思考企业经营的本质，去正视未能被妥善解决的问题。但传统精益思想并没有提供强有力的工具帮助人们准确有效地解决这些问题。举一个典型的例子，对生产线节拍（TT）的概念，经典精益管理教科书的定义是“节拍就是客户需求的生产节奏”，这是上过精益管理课程的人可以脱口而出的答案。这个概念本身没错，因为它表达了一种反对浪费、反对过度投资、反对无效囤积的思想。

但回归到企业的真实管理情境中，验证这些概念就会遇到问题。例如公司已经投资建成了价值数十亿元的生产线，而市场需求一直在波动，有的时候产能供不应求，有的时候产能供过于求，那么有什么科学的工具和方法可以帮助人们决策未来如何继续投资生产设备、如何控制工人规模、如何计划原料和存货数量呢？像“节拍就是客户需求的生产节奏”这样的正确观点，并不能给我们进一步提供直接答案，在传统精益管理教科书中也找不到有效的对策、方法和技术。

在精益思想中，诸如山积图、价值流程图、均衡化思想等工具，在今天的企业管理现实中都面临着和生产线节拍概念所面临的同样的困境，即“理论正确、实操有限”。它们更多的是提供了思考问题的切入点，但作为制造管理实践的工具，显然还不够。这些传统工具只提出了正确观点，但缺乏有效的技术手段，所以作为实战工具还是有些粗糙。

当我们对很多实践案例“较真”地复盘和探究，就会得出这样的结论，在对生产线进行精益优化的时候，如果既没有引入各要素的时间和空间概念，问题模型的颗粒度又太粗，那么问题的推理过程可能过于简单了，对有些案例输出的结论的有效性和实际收益存疑。主要是因为在制造系统中存在的连接问题是复杂的、非线性的，完成推演的运算量是人力所无法企及的，在传统精益教科书的工具图谱里，这些问题无法被有效解决。

我们利用系统论的思想再剖析一下以上问题，制造系统实质上是一个复杂系统，因为这个系统内部的各个要素之间存在着大量的非线性作用，所以系统运行的结果实质上有不可简单线性预测的特点，数学上也叫作“计算不可约”。制造系统的不可简单线性预测特点，具体来自以下方面：一是系统内部不同要素各自运行的周期不一致；二是各系统内部要素之间、系统内部要素和系统外部要素之间存在着时变的关联与反馈等非线性作用关系；三是这些作用关系可能还受到不确定性和随机性的影响。对这样的系统用均衡化表格、山积图、价值流程图等简单的线性化工具，不一定能清楚推演出问题根源并给出有效改善策略。

与日系精益思想形成对比的是德国制造业的工业工程管理思想，如以大众汽车集团为代表的汽车工业，对生产线节拍的定义聚焦在工程化的技术思维上。德系工业工程管理思想明确生产线节拍为工位或者生产线的真实极限能力，因而可以对生产线进行严格逻辑化的定量分析，再以离散事件仿真等技术手段为辅助，这种方法在复杂生产线的改进分析工作中，相对更有可实操性。

1.3.4 破局思路和新一代数字工厂

如前文所述，制造业企业数字化转型难下手，往往是因为企业面临的问题是复杂的系统问题，不同业务域之间的问题连接盘根错节，互相牵制。当企业的信息化基础设施建设完成后，需要进一步破解的往往就是这样的困境，可以形容为数字化的改革到了“深水区”。

传统信息化工作的思路是对人的过往经验和能力进行程序化的封装，在过去这种做法的效果一直都很不错，但在今天已经触及了其上限，这是企业数字化改革到了“深水区”后必然会触发的瓶颈，综合前文所述，经具体剖析，有以下3点原因。

（1）制造业场景下部分问题具有计算不可约的特点

所谓计算不可约，就是无法用某种形式快速得到这些问题的计算过程的答案，如直接套用一个简单方程式，用简单的条件规则，或者用高度概括的简易模型来简化计算过程。解决计算不可约问题，一般得老老实实从头到尾，对全部要素的演变过程进行全面的模拟或运算。必须有足够多的数据样本作为输入，必须把现实中的对象从时间、空间、逻辑关系方面拆分到足够细的颗粒度，必须进行足够运算量的解空间探索，才有可能得到一个相对准确或有实用价值的答案。

（2）人需要有对复杂连接进行推理的辅助工具

人脑的存储容量开发潜力很大，但是运算速度有限，而在现代制造业企业的规划、计划、调度等场景中，经常涉及对多要素的连接进行推理和决策，并且有很多还是长链条的推理。这些推理过程存储的中间数据量和产生的计算量，都远超人脑的存储和计算能力，单纯把人的经验固化为程序规则的传统方式，已经不能保证进行高水平决策。要解决这个问题，就必须有一套全新的数字化工具，赋予管理者系统性思维和全局视角，并能够在一定的时空跨度上进行模拟推演，进而改变企业的决策流程和协作文化。

（3）对隐性知识进行显性化和改良的工作对企业非常重要

支撑企业有序运转的大部分是隐性知识而非显性知识，传统企业的隐性知识的主要载体是经验丰富的老员工，这些隐性知识本质上是通过经验“大数据”训练出来的潜意识模型。隐性知识被人使用而不自知，很难被显性化地提取出来，也无法评价这些隐性知识本身的合理性与优化潜力。此外，对人的过往经验和能力进行程序化的封装，无法突破人自身认知的局限性。在大数据时代要解决这个问题，就要求企业善用数据科学工具，对隐性知识进行机器化和自动化的高速挖掘、评价和再优化。

从以上问题出发，为制造业企业设计合适的数字化转型方法与工具，至少以下要素是不可或缺的，即数据科学的思维方式，对算法、求解器和模拟器进行工程化封装的软件研发能力，以及足够的计算机算力。

过去，制造业对数字工厂所带来的先进性的理解，一般强调数字工厂将会伴随着工厂全生命周期，并在工厂规划、精细设计、施工、经营、生产、优化、升级，直至消亡的过程中，一直伴随着实体工厂不断丰富、改进和演变。

而在新的智能制造背景下，新一代数字工厂体系已将数字孪生作为核心概念，融合了物联网、大数据、机器学习和仿真等技术手段的数字工厂，数字工厂的模型将依靠传感器及其他数据来研判其自身的实时状态，从而帮助管理者回应变化，提高运营能力，增加价值。针对工厂全生命周期的几个关键阶段，需要考虑几个环节的具体应用，如图1-4所示。

从工厂的物理实体萌芽阶段，即工厂规划、概念设计阶段开始，其数字镜像就已经存在，通过虚拟仿真技术和物联网技术，将过去可供参考的历史数据、经验与知识应用于工厂规划、设计，帮助企业管理层进行快速决策。

在工厂建设过程中，数字工厂作为物理实体对象的数字化映射，是一个集成的多物理场、多维度、超写实、动态概率仿真模型，可用来模拟、监控、诊断、预测、控制工厂实体项目精度、时间进度和费用预算，同时数字模型通过与产品物理实体之间的数据和信息交互，不断提高自身的完整性和精确度，最终完成对产品物理实体的完整和精确描述，以及对建设过程信息的存档。

在生产经营过程中，数字工厂又作为与现实世界中的物理实体对象完全对应和一致的虚拟模型，可实时模拟自身在现实环境中的行为和性能，在此阶段可借助数字孪生来推动高性能计算技术和机器学习技术在生产过程领域中的应用，利用虚拟现实技术实现实时迭代交互，以优化生产要素配置和生产过程控制。

在工厂升级、优化和再造的过程中，数字工厂模型可通过和真实实体工厂之间的全要素、全流程、全业务数据集成和融合，并且在孪生数据的驱动下，实现对工厂生产要素、活动计划、过程控制的仿真和优化，同时为物理工厂和数字工厂之间的迭代优化提供持续辅助。

自工厂开始运营到最后消亡，数字工厂会忠实地记录实体工厂所有经营和运行数据，生成实体工厂全生命周期数字化档案。

生产制造的数字工厂框架由数字孪生实践环构成其核心，如图1-5所示。数字孪生实践环包括制造业环境中的物理实体对象、虚拟模型、生产控制人员和经营管理人员，再通过工业物联网将这些要素连接在一起，不断循环迭代。

数字孪生实践环中的虚拟模型对其镜像的物理实体对象进行数字化、可视化、模型化和逻辑化的仿真，仿真结果一方面可以实时展示给生产控制人员和经营管理人员，用于辅助决策，另一方面也可以直接形成控制指令，直接反馈到生产设备的控制器上。数字孪生实践环中的物理实体对象不断接受参与人员和虚拟模型发来的控制指令，执行生产任务，同时将自身的状态信息不断地传递给参与人员和虚拟模型。

1.3.5 对数字孪生和可视化技术的思考

今天工业界对数字工厂的理解正在逐步走向全面和成熟。过去有很多人认为工程总包单位建设好物理工厂后，竣工交付的数字化工程信息模型就是数字工厂。这种观点是片面的，从生产管理和运维管理的角度来看，仅有数字化工程信息模型还远不足以构成完整的数字工厂体系。

在制造业中，物理世界的生产线从规划设计阶段开始，会不断地产生各种数据，并被使用和存储。伴随着工厂投入运行，生产设备、人员和产品所对应的状态、行为和属性都开始不断地变化，海量数据将源源不断地生成。数字孪生集成了制造工厂全生命周期的所有元素、业务和流程的数据，并不断地更新同步以确保一致性。

数字孪生的虚拟模型集成了几何、结构、材料特性、规则和过程等不同维度的数据，并使生产系统和生产过程的数字化与可视化成为可能。结合数据分析，数字孪生使制造业企业能够进行更准确的预测、更合理的决策和对生产过程的实时动态监控。在虚拟模型和物理实体对象不断交互、迭代进化的过程中，数字孪生模型也将会在信息世界自主产生虚拟数据，模拟现实环境中尚未发生的行为，以验证优化的可行性，或者预判潜在风险。

数字孪生在生产制造管理中可用于优化生产链条上下游各个环节，包括供应链管理、生产过程管理、能源消耗管理、安全管理、设备维护管理等多个重要的工厂业务领域。例如，通过基于机器学习的数字孪生来预测原料需求，优化进出厂的物流、库存和内部物流与生产过程的协同；寻找不同工艺点位之间的相关性，对产品的输出配置和比例进行预测，优化产品的输出分布；对能源消耗进行预测，优化对水电气等公用资源的配送；对人的行为和安全进行预测和风险预警；对环境保护的绩效进行评估，并提供风险预警；对设备和管道的变化状态进行模拟和评估，预测设备磨损、管道腐蚀的程度，并对发生故障的根本原因进行分析等。

大量企业的实践经验与教训已经证明，仅凭借传统制造工厂自身的力量，无法有效完成数字化转型的工作，制造业在进行数字化转型的过程中，面临着以下问题和挑战。

①缺乏全盘考虑和长远规划的顶层设计，数字化转型战略规划和标准化建设工作缺失，或者局限在特定业务情境中，导致在面向更大范围的推广时有局限性。

②数字化所要求的跨部门协同能力对传统的孤立的组织架构的挑战。

③工厂既有的工作方式、业务流程、考核体系为数字化平台应用推广带来的阻力。

④工厂旧存档资料的缺失、分散、错误、遗漏，将对工厂模型建立工作带来的巨大的人工量和技术挑战。

⑤企业内部创新机制和协同创新的工作氛围不足。

⑥工厂的工作人员在数字化方面专业技能和经验的不足，而同时有很多数字化平台软件厂商存在形而上学、扭曲概念等误导制造业企业的行为。

国内外研发数字工厂系统的厂商非常多，近些年来在各种行业峰会和工业博览会上如雨后春笋般涌现。有不少号称能帮助企业实现数字化转型的工业信息化平台厂商，在设计和开发产品的时候没有很好地洞察制造业新管理难题的本质，自然也无法提出有效的破局思路和技术抓手。这些厂商提供的软件产品，研发思路还是沿袭了流程与信息化系统的传统IT建设思路。例如生产决策系统，仍然将当前业务流程梳理和复现作为核心技术，而不见基于数据科学技术的决策引擎。再如开发工厂数字孪生平台，把三维可视化作为核心技术亮点，而没有洞察对企业真正有价值的、可以带来效益的场景。用传统IT建设思路去规划新一代数字工厂技术平台研发工作，可以说从产品的概念设计伊始就选错了路线。

业内一些新推出的工业软件产品既没有想清楚要为企业解决什么问题，也没有经过严格的工业收益试验，有些厂商还是国际知名大牌。很不幸，这些并不成熟的软件产品被加上品牌光环后，被成功地销售给了国内不少制造业企业。这些企业相当于自费数千万，主动去给不成熟的软件平台当试验对象。

之所以出现以上现象，一方面是很多软件厂商离真实的业务场景太远了，看不到企业面临的真正问题，所以目标设定不接地气。另一方面和这些厂商自身熟悉和擅长的技术域有关，如过去长期专注研发CAD和CAE技术的厂商，在定义数字孪生平台概念的时候往往会对自己熟悉的技术域有路径依赖。

对于在制造业应用数字孪生技术的注意事项，笔者结合自己的实践经验提出以下观点和建议。

①在生产制造过程中使用数字孪生技术不是为了好看，单纯用三维建模作为核心技术，以展示工厂和生产线为目的数字孪生，几乎不能为生产制造过程带来实际应用价值，必须通过仿真、机器学习等建模技术手段为数字模型赋能，才有可能为工厂带来明确的经济效益。

②数字孪生的架构特点就是虚拟模型和真实环境之间保持持续的互动与迭代，因此虚拟的数字模型应当可以反馈并影响工厂物理生产环境，而且这种虚实互动的迭代过程，应该面向企业业务痛点的真实场景，并提供解决问题的完整方案，否则就无法为企业带来实际帮助。

③真实的工厂物理生产环境是持续变化的，包括设备老化、原材料变化、工艺的改变等，所以数字模型需要持续迭代更新，有与真实的物理世界保持同步的机制。

④工业大数据大部分是从生产车间物联网收集的，具有连续的特征。生产线的原始物联网数据通常根据其类型不同，使用不同的采样频次进行数据收集。为了实现正确的数字孪生建模，需要通过数据的预处理，使不同数据维度之间的时间序列数据频率统一。

⑤生产过程是不间断的时间序列过程，必须考虑不同工位之间互相影响导致的时间滞后性，妥善处理多维度时间序列数据之间的时间滞后问题。

⑥从生产线工业互联网采集到的数据通常具有维度、频次高的特点，因此，可用于机器学习的数据量很大，带来了巨大的计算负荷，直接影响结果输出的时效性。因此必须考虑降低数据维度的技术方案。