|
7月20日，作者受邀做客智能制造发展联盟，就《基于系统工程的智慧院所》在线上同读者交流，本文是根据线上交流内容整理的结果。
答：智慧院所规划首先要解决的问题：就是要认清知识在智慧院所的关键作用与核心地位。整个人类社会都是站在前人的肩膀上不断地前进与进步，“前人的肩膀”给了我们什么？就是经验与知识，我们吸收内化后形成我们的智慧。所以我在确定智慧院所的基本原则的时候，第一条就是“认准方向”，——就是要认准智慧的“创新与决策”本质属性，认准智慧院所本质上就是“让计算机帮助人干更多的事情”，理解并确定“知识自动化”与“人工智能”在智慧院所的核心作用。 今年6月12日科工局科技委科技质量分委会蔡小斌主任也在《军工智慧院所与智能制造车间研究报告》中提到，要从过去的“两架马车，三轮驱动”变成“三驾马车，四轮驱动”。 在智慧院所建设中要解决的问题首先是数据的整合，这也是在规划中要考虑的问题，北航的范玉卿教授说过，“不能实现单一数据源，乃是数字化癌症”。单一数据源不仅仅在国内是个问题，在国外同样是难题。借用美国国防部（DoD）在INCOSE IW2017上的一张图片，DoD希望借助MBSE解决当前的“数据烟囱”问题，实现‘the single source of truth’。 智慧院所规划中可能出现的问题，一是只是以前数字化的简单延续；二是可能规划不切实际，难以落地实现。 智慧院所建设中可能出现的问题，一是急于求成，总想着今年部署，明年就实现智慧化；另一个看法是，既然都智慧化，是不是我这边提需求，另外一边就自动出结果了。针对这两个问题，通常情况我都会让大家形成几点基本认同： 1）罗马不是一天建成的，这个星球最智慧的生命体——人——也不是生下来就多么的智慧，我们还会给ta成长周期，更别说机器了； 2）至少到目前为止人还是这个星球最智慧的生物，人如果没有想明白的事情，别指望机器帮你做到。机器比人做得更好的就是，它一方面可以借鉴更多的人在完成类似事件的相关经验与知识为我所用；另一方面就是其超强的数据处理能力可以在某一个具体事情上考虑得比人更完善。 那么，支撑智慧院所落地的关键是什么呢？支撑智慧院所落地的基础是整合的数据，关键知识利用效率的提升，当然这其中也包括数据、信息的利用。
答：按科工局在智慧院所项目论证的一些约定，智慧院所主要针对的是研发。当我们从更高层面去研究智慧军工的时候，智慧院所（研发）、智能制造、智能综保与运维实际上都是围绕赛博化的武器装备来描述的。 之前写过一篇关于“智慧军工”的文章，从智慧军工的角度看，赛博化武器装备是智慧军工的研究对象，围绕赛博化的武器装备，智慧研发、智能生产、智能部署、智能试验、智能训练、智能支持等都是使能产品集。智慧化研发、智能试验加上人、组织与管理就形成智慧科研（即智慧院所）；智能生产、智能试验以及人、组织、企业管理整合在一起形成智能工厂；智能训练、智能部署、智能支持加上人、组织、管理形成智能运维保障。 三者在数据层面要形成全生命周期的大数据，再基于全生命周期的大数据分别形成面向研发、制造、运维的大数据。 回到问题中来，智慧院所、智能制造、智能工厂三者之间的区别：按照约定智慧院所（研发）是三者中最复杂的，因为研发是最具有不确定性的。智能制造是对智慧研发的设计定义结果的实现。智能制造中除了生产以外，还包括了一部分设计活动，即生产工艺设计活动，这就是智能制造与智能工厂的区别，智能工厂的范围更小，只关注跟生产制造相关的问题。智能制造包括一部分生产设计（工艺设计），跟智慧研发密切相关，智能工厂更多关注生产制造本身，三者之间范围不一样。 对未来的智慧型企业来说，智慧研发是关键，是企业核心价值的集中体现，研发将不断地开始跟制造进行整合，因此在研发中要包含面向生命周期设计，需要从制造端反馈数据形成装备科研大数据，还会通过虚拟制造将生产设计向产品研发端迁移进一步完成研发与制造的整合。
答：从方法、业务、技术、知识4个维度来描述智慧院所。从方法的角度讲系统工程、从业务角度讲模型化、从技术角度讲信息化、从知识角度讲知识自动化，这4个维度从1.0、2.0、3.0、4.0做了层级划分。 第一个维度是方法维度，也就系统工程方法。智慧院所必须要以系统工程作为核心工程方法，所以在《基于系统工程的智慧院所》中将系统工程作为智慧院所的方法基础提出来的。系统工程的1.0主要特征是仿研，这是过去很多研究所一直在做的，现在已经过了这个阶段了；所以，系统工程的2.0主要考虑通过需求牵引做正向设计，至少做到需求的条目化、结构化以及基于文档的经典系统工程；系统工程的3.0就是MBSE；系统工程的4.0就是考虑系统在开放体系下的生命力/生存力。 第二个维度是从业务的角度来讲模型化。1.0就是各个物理域产品的建模；2.0就是基于模型的定义，就是常说的MBD，特点就是打通从设计端到制造端的联接；3.0就是要扩展到逻辑域；4.0就是要体现虚实结合，就是赛博物理空间的融合。 第三个维度是从技术角度谈信息化。这里的信息化主要是讲信息技术在产品研发领域或研发管理领域的应用。信息化的1.0主要涉及到各种计算机辅助工具，主要表现为单一学科的应用，比如各种CAX；信息化的2.0主要体现为流程化、平台化以及集成化；信息化的3.0涉及数据的关联与整合，以及大数据、云计算的应用，主要考虑全生命周期数据的融合；4.0就是认知计算、人工智能等。 第四个维度是从知识的角度谈知识自动化。知识是智慧院所关键的驱动要素。知识自动化是以准确高效应用知识为目的，将信息技术应用到知识工程领域实现知识获取、知识处理、知识组织与表达、知识应用的知识工程过程自动化。知识自动化可以实现知识转化SECI模型的自动化。 知识自动化1.0主要就是管理静态知识，主要体现在构建知识体系、知识库；知识自动化2.0是通过知识组件的形式将隐性知识显性化，工业技术软件化或者工业APP都是属于这一范畴；知识自动化3.0是基于语义的知识工程，解决计算机如何帮助知识形成、组织、应用的问题；知识自动化4.0就是在前面三个阶段的基础上实现知识工程过程的自动化，知识自动化4.0是在机器学习的基础上，通过语义网实现碎片化知识系统化，更重要的一点就是通过自适应匹配解决知识应用的准确性，也就是匹配正确的知识给特定的人完成特定的任务。自学习、自组织、自适应、自成长是知识自动化4.0的典型特征。 每一个阶段层级都有相应的指标来度量不同的成熟度，举一个研发方面的例子，首先是第一阶段要达到的效果，研发周期缩短30%，设计变更减少20%，正向设计得到应用。将这些应用效果进一步分解就会得到一系列的度量指标，这类指标比较多，在这里就不一一说明。
答：在这一阶段的智慧院所建设是要完成一些探索性的试点验证工作，所以建设智慧院所需要一定的基础。智慧院所申报有一定的准入条件，比如要有XDM等系列管理平台、已经做了需求条目化和结构化、尝试MBSE系统建模、至少一个型号具备数字样机等等。
答：智能研发主要关注产品的设计，智能制造里面除了生产制造外还包含了生产设计，即工艺设计。在过去已经有很多手段打通研发-工艺-生产。提到智能研发和智能制造的衔接，加入智慧或智能要素后，就要考虑产品设计、生产设计、生产制造之间的数据信息与知识的应用，这里有一个很重要的概念就是Digital Thread（数字线程），通过数字线程可以将研发、工艺与制造的数据信息与知识进行整合；此外，还有一点就是虚拟制造，将生产设计往前移到产品设计端，这可能是未来智能研发与智能制造融合点所在。
答：研发主要分为创新性研发和改进性研发，创新性研发主要有应用模式的创新和技术的创新，其中技术的创新比较复杂，需要研发人员的智慧和积累，对于技术创新，可以应用TRIZ这样的典型的创新理论和方法；应用模式的创新可以运用系统工程的方法。创新从本质上来讲是利用了系统“涌现性”，当新的系统构成要素加入后，通过构成要素之间的相互作用，涌现出新的特性，这就是创新。 创新是智慧的本质属性之一，我们从“智慧”的定义可以看到，只有获取足够丰富的数据信息与知识并进行分析处理，才能创造性地采取正确的行为解决问题。所以，对于创新性研发来说，最难客服的就是“习惯性思维”，因为习惯性思维永远都是按照过去一直所掌握的数据信息与知识来处理问题，所以很难产生创造性的活动。当我们跳出习惯的舒适区域后，对于创新性研发来说，最难解决的就在于如何获取、分析与运用数据信息与知识，这也是智慧院所要考虑的问题，通过知识自动化解决知识的获取、形成、组织与应用问题，提升创新和决策的效率。 在实际研发过程中，寻找需要的数据、信息与知识占据研发的大部分精力，这些往往会影响创新的效率。
答：前面谈到了虚拟制造，虚拟制造主要就是生产工艺设计，在虚拟制造中大量应用到可视化技术，最常见的机加工工艺的刀具轨迹仿真是一种可视化的仿真技术应用，成型工艺仿真计算、装配路径规划、生产先规划、协同评审、人机工程等等，本质上都是一种可视化仿真技术应用；另外，随着VR、AR、MR等技术的发展，未来也会越来越多地应用到工艺设计以及产品设计中。未来的发展趋势是虚拟制造可能要往研发端迁移，工艺设计与产品研发相结合。
|
|
|
