智慧工厂规划
智慧工厂的多层架构 近年来，" 智慧工厂 " 和 " 工业互联网 " 等概念受到了更广泛的关注。工业 4.0 中描述的众多应用，包括预测性维护、柔性生产、全球协同设计等等，也逐渐的传播开来。 为了更好的理解这些工业应用的潜在商业价值和实施难度，我们需要首先对工厂的环境和架构有更清晰的认识。从工业互联网的角度来分析，工厂可以简单分为以下几个层次： 边缘层 边缘层是整套工业互联网架构中，最接近工厂现场的层面。边缘层代表的是位于生产现场的物理层，这其中包括了数控机床、机器人等制造设备；传感器、可编程控制器（PLC）等感知和工控设备；以及物料、人员等生产过程中不可或缺的元素。 边缘层的众多设备，是工业数据的源头。在理想情况下，设备和传感器收集到的海量实时数据，可以帮助企业实现生产工艺、物流、故障维修等多方面的提升。 但在现实中，中国大多数工厂的数字化水平十分有限。工厂的老旧设备并不具备全面的数据采集能力，也缺乏支持数据互联互通的通信模组。这对需要数据驱动的众多应用，带来了较大的挑战。 如何通过加装传感器和物联网通信模组的手段，对现有工厂进行改造，是工业互联网发展中的重要环节。 网络层 在工厂环境中，众多设备之间的互通互联往往是通过有线（工厂以太网）和无线（LoRA、NB-IOT、4G / 5G 等）手段实现的。 工厂中的各种应用场景，对数据传输的速度、时延和可靠度等方面提出了不同需求；比如工业 AR ( 高带宽，低时延）和机器控制（高可靠性、低时延）等等。为了满足这些多元化的通信需求，工厂需要结合多种通信手段。 上面所描述的数据互通互联，更多是对于 OT 网络的升级改造。智慧工厂应用的实施，更需要打通工厂 OT 和 IT 网络间的间隔，实现工厂中调度 - 生产 - 维修等多环节的整体调控。 平台层 & 应用层 工业互联网平台 （PaaS）是智慧工厂的核心。PaaS 平台集成了工厂设备连接、计算资源调度等诸多功能。为搭建众多工业 APP 的开发提供了有效的支撑。 在工业互联网的平台上，垂直行业企业可以将自己对制造流程、工业机理的深入理解，总结开发成模块化的应用，以服务不同细分行业的独特需求（刀具管理、产品缺陷检测、能耗管理等）。工业应用的开发者可以通过知识 & 技术输出的方式，即拓宽了自身盈利的模式，也间接推动了行业升级的步伐。 工业互联网平台能够创造的潜在价值是不容忽视的。但我们更需要意识到，对工厂自动化 & 数字化改造，是实现众多先进工业应用的基本条件。这对中小型工厂主来说，或许不是最具吸引力的建议。改造所需的前期投入和难以量化的潜在回报，难以说服众多工厂进行大刀阔斧的改革。这对工业互联网体系在行业中的推广，带来了一定的挑战。 下文里，我们将简单介绍智慧工厂中几个应用场景，希望能帮助大家对智慧工厂带来的潜在价值有更清晰的认知。 设备维护对工业的重要性 在实际工业环境中，设备故障的发生远比我们想像的更加难以预料。 在现代的工业体系中，生产线上的设备紧密协作。单个设备的突发故障，可能会导致整条生产线暂停运行。产线停机带来的经济损失是巨大的。 以汽车行业为例，停产的每分钟的经济损失即可达到上万美金。同时，设备故障带来的潜在安全隐患，也是工厂关注的重点。 因此，对工业设备的有效维护，是保证工厂稳定运行的基础 。传统的维修方式，主要包括在设备故障之后进行的被动型维修，以及固定周期的预防性维修。 被动型维护，代表只有在设备出现故障后才会维护。这个模式的优势是实现了设备寿命的最大化；但同时，设备故障前的准确度极大降低。设备故障的不确定性，也会导致工厂长期处于 " 救火 " 状态，变相增加了维护成本。 预防性维护是指对设备进行周期性的检查和保养。预防性维护能够有效的降低突发故障的几率，但也提高了设备维护的成本。这对低利润高成本的传统工业来说，会带来较大负担。 预测性维护的概念其实很容易理解：如果工厂能够有效的预测出设备将在何时出现故障，就可以提前安排对设备的检修和替换，有效减少故障带来的损失。 ▲ 上图清晰的展示三种不同维护模式的区别 数据驱动，防患于未然 预测性维护的概念本身，早在上世纪 90 年代已被提出。由于当时传感技术和计算能力的局限，无法被广泛的应用到工业场景中。在传感设备种类逐渐丰富、通信和计算能力日渐成熟的当今，预测性维护的实用价值正逐渐被更多的行业所接受。 预测性维护的核心，是构建一套可以有效判断设备运行状况的数据模型，对不同种类的故障进行有效的预判。在构建预测模型的过程中，需要大量真实数据的支持。这包括传感设备采集的实际运行数据以及故障案例的历史数据。 ꄘ 0 ꂃ 无 ꁹ 无
尚贤服务内容
作为金蝶生态服务商，尚贤结合企业实际场景提供：
- 方案咨询：行业数字化现状评估与路径规划；
- 实施部署：相关产品实施、配置与上线；
- 集成服务：与既有业务系统的集成与数据迁移；
- 培训赋能：面向业务与 IT 人员的应用培训；
- 运维服务：长期运维与持续优化支持。