我们这个时代，比以往更多的概念，精益生产、智能制造、工业4.0、数字化工厂、工业物联网、工业大数据、人工智能……总是有那么多的概念在制造业里流行，然而，这么多的概念却让人们陷入迷茫之中，每个人似乎都懂得制造，而又愈发让听者困惑。我们该如何厘清这些概念之间的关系，扮演的角色，本文试图为读者进行一个梳理，希冀有所裨益。
智能制造必须服务于企业经营
无论我们对于智能制造何种定义与实现方法进行探讨，我们都必须以企业的经营战略为目标，企业的经营在于①为消费者/客户提供质优价廉的产品②为股东投资确保回报③为员工的福利，这是企业经营者必须考虑的，也是企业作为整体的价值所在。
当下对于智能制造的讨论多数聚焦于技术之实现，标榜智能制造产线，多是以局部看全局，而另一方面，为了智能制造而上系统也是偏离了企业经营之本质，如何厘清经营与智能制造间的关系，建立有效的路径分析与判断，并逐次有效的实施整体战略，对于企业而言，尤为重要，因为，这关乎企业长久的存亡，而非短期之政策红利。
每个概念所扮演的角色如何？
尽管我们不能把已经实现的称之为概念，但是这里我们以其所对应的领域来进行阐述。
1、精益是数字化的根基
精益是一种不断改善经营效率，发挥资源，包括核心的人的能动性力量，持续学习不断改善，让企业不断提升竞争能力，消除浪费就是一种对资源的最大化利用，发挥成本效率的途径，最终去实现经营的利润率最大化。
精益对生产中的过度生产、等待、运输、过度加工、库存、缺陷返工、走动、人才浪费进行了聚焦，并提出了诸多的方法予以消除。这些与生产制造单元的经营目标紧密相关。
我们总把计算机、MES/ERP这些理解为数字化系统，但是，数字化的根基是“数字”—是基于“量化管理”的管理科学思想，因此，所谓的数字化运营的本质在运营，而非数字，数字只是实现的数字化运营的手段。
之所以说精益是数字化的根基在于精益为生产提供了各种量化方法、工具，例如KPI、OEE、TPM、RCA、5S、目视化管理、看板等，这些使得工厂成为了一个可以被量化、可视化、透明化的工厂，一切都服务于经营目标：质量、成本与交付能力。
表1是对智能工厂的性能指标定义，它事实上是基于精益的可量化而定义的，这些是数字化运营、智能制造、工业4.0等所有概念必须去实现的目标。
表1-智能工厂的性能指标要求
智能制造——从精益到智能的路径分析
2、自动化的角色
传统上，我们仅站在自动化行业的角度理解自动化，就是传感器检测、控制循环、显示、趋势报警，然而，当我们把自动化放在智能制造大环境下，我们会发现它扮演的角色是服务于运营本质的。
（1）它确保效率
为什么要自动化？从传统生产运营而言，采用人工搬运、加工的过程显然与机器的速度无法相比，尤其是谈到智能制造的集成生产，将继续削减中间不必要的环节—精益中所定义的不增值环节。而今天我们讨论离散的制造业数字化，事实上，在自动化程度上，连续型生产的自动化程度要更高。
（2）确保生产质量
高精度的伺服定位与同步、机器人集成制造使得产品质量及其一致性不断提高，这些都是机器相较于人而言更为重要的作用。
（3）提供生产灵活性
运动控制不仅提供了高精度的加工质量，而且还确保了生产的柔性，就像在各种机器上，运动控制扮演让生产更为灵活的角色，通过参数设置，伺服系统自己规划加工曲线，确保平滑的工艺切换。
（4）提供上行数据采集与下行指令执行
当然了，自动化系统还扮演了精益的可视化管理角色，包括趋势、报警，当然也包括生产中的能源、维护、品质数据向管理系统的输送，当然，也接受来自管理系统的指令，如新的订单加工参数、工序等。
3、数字化/信息化的角色
自动化已经让标准化的大规模生产达到了极高的水平，但是，当生产的个性化需求变得越来越多的时候就产生了新的挑战，从精益角度，质量、成本与交付都成了困难，几个例子来说明：
（1）不良品率：当印刷批次变小时，开机浪费将提高不良品率，使得质量实际上下降；
（2）成本：当不良品率提高，成本显然提高，而个性化生产带来的工艺切换时间也会造成成本上升、当机也会造成成本的损耗，而从个性化产品成本计量角度，必须将成本分配在每个批次的产品上，那么这个生产计划中的能耗、机器效率就变得更为重要-显著提高了成本。
（3）交付能力显著下降：工艺切换的时间消耗、当机、返工这种在大批量生产已经非常成熟的解决方案在个性化时代就会放大，使得交付下降。
从这个角度来观察生产制造的要求就会发现，在更大的全局来优化产线成为了必然，例如：
• 如何让生产运营过程最大的协同来消除中间的时间、能耗等浪费？
• 当有设备停机产线如何自动分配负载？
• 在批次降低质量迭代周期变小时如何削减开机浪费？
• 工艺切换的时间耗费如何降低以达成快速交付？
再回到运营角度来思考，就会发现，智能制造必须借助于信息的透明来分析问题，数据连接起来，才能全景的观察产线，才能寻找运营的优化。
而制造级的数据采集由于垂直行业的差异性一直是一个挑战，而事实上在最近几年运营智能制造的项目中这一问题也比较突出，造成了很大的障碍，这也是为什么OPCUA成为了热点的原因，因为OPCUA解决了以下几个问题：
（1）共享数据模型使得数据对象变得简单，可以较为便利的方式对数据进行采集；
（2）语义互操作使得跨平台的系统之间可以进行数据基于标准与规范进行交互；
（3）垂直行业信息模型的集成更为垂直方向提供了数据便利。
图1-基于OPCUA/MQTT的制造信息集成
OPCUA提供了通信与设备层的规范，而数据字典则提供了在管理级的信息建模规范，在RAMI4.0的参考模型中包括管理壳（AdministrationShell）、数据字典都解决全局的业务层面的信息标准与模型。这是一种在水平角度的信息集成。
图2-关于智能制造的标准体系架构参考
不仅要梳理数据的传输，也要明白数据的流向—即，用途，也是要服务于生产运营的。图2是来自NIST的陆燕教授整理的关于与智能制造相关的标准，包括从底层的现场总线、信息模型、数据模型、设计、制造各个环节，以全景形式给了我们以参考。
4、智能化——全局优化与决策支持
自动化建立在对单个控制任务的调节，即使多变量系统通常也是在一台机器、一个子系统（如炼化、制药过程）中，而生产的全局优化要在更高维度，而这个时候，计算能力、模型能力已经超出了目前的机理模型。
图3-从精益到智能运营的几个层级（来自优也工业大数据傅源-前Mckinsey全球副董事）
图3是作者与优也工业大数据的傅源女士交流中，她所提供用于阐明从精益运营到智能化的全过程，该图全景的描绘了从精益到智能的全局过程，数据采集、信息处理、全局利用直到最终的自主学习能力。
因此，总结而言，智能化是必须建立在精益运营、自动化、信息化之上的全局的优化问题，通过更为全局的模型，对市场端的需求拉动、工艺设计与辅助制造、供应链（除了传统意义的供应链还包括智能电网、物流）、生产制造环节、运营维护整个的协同，就形成了整体的基于设备状态、生产订单、能源消耗、财务成本等共同构成的“寻优”，并给予运营“决策支持”。
知识化人才培养-并非题外话
第2小节我们探讨的是智能制造从精益基础到智能的过程，我们也必须考虑知识与人才培养的关系，这对于智能制造同样至关重要。
1、知识化-智慧资源的重用
人是最为重要的一个环节，在整个制造过程中，从精益的持续改善、到自动化控制的机器设计、信息化乃至智能化的学习等，这些都将依赖于人的智慧传输成为“标准”、“规范”，可重用的，能够让知识成为一种可被系统重复利用，并能自己不断学习升级，用于最终的优化决策。
不仅软件复用，人的知识经验也必须复用，实物的材料和非实物的时间都是资源，而人的智慧、经验更是资源，从性价比的角度来说，人的经验具有巨大的潜力，这是更为重要的资源。
图4-mapp为机器开发提供高效的实现途径
图4显示了贝加莱的mapp架构，mapp技术即是基于知识自动化的软件复用、组件技术而开发，mapp将贝加莱过去数十年在制造业的各个领域如塑料、印刷、纺织、包装、光伏等各个领域的知识进行了封装，让这些软件可以被重用，以获得最大的资源效用，让自身以及用户可以分享到过去数十年的经验积累，而无需将大量的聪明才智耗费在那些重复工作中，将人解放出来用于实现价值含量更高的工作。
2、人才培养与教育是智能制造的根基
人才培养是智能制造的关键，今天我们所看到的对于智能制造的各种缺乏全局的认知都来自于在教育中缺乏全局与系统思维的训练，从具体的角度看，如图5，智能制造包含了更为全局的技术学习，包括自动化专业向IT、机械的延伸，机器人、通信、PLCopen的软件开发思想。
图5-智能制造人才知识结构分析与规划
例如运动控制：作为智能制造中执行层面确保质量、效率、柔性的重要一环，在大学的教育与实验却是缺乏的，PLCopenMotion第四部分的协同运动控制本身就是针对智能制造的协同，更是缺乏基础的训练。
图5是贝加莱的学界联盟对于人才培养的能力分析与规划，包括如何全局的推动智能制造的人才培养，与众多大学、自动化教学指导委员会、教育部持续的开展着人才计划，培养智能制造工程人才。