中国错过了前三次工业革命，又一轮工业革命到来之际，中国要走什么样的道路？

第四次科技革命的到来为各个国家提供了发展和转型的机遇，智能制造无疑将成为世界各国竞争的新战场。无论是德国提出的“工业4.0国家战略”，还是美国的“国家制造业创新网络计划”，抑或是日本的“工业价值链计划”，无不围绕着制造业这个核心。中国如何实现智能制造？

“工业智能化，美国靠软件、德国靠机器、日本靠人、中国靠数据。中国最大的数据量来自工业，远超阿里巴巴和谷歌。大量的数据都在中国汇集，这无疑给了中国制造最好的资源优势。利用好这一资源，才能弥补中国在装备制造和核心零部件等方面的弱势与短板。”美国辛辛那提大学特聘讲座讲授、美国国家科学基金会智能维护系统研究中心（IMS）主任李杰教授对中国制造给出了许多有益建议，并接受了澎湃新闻的专访。

在制造系统和商业环境变得日益复杂的今天，利用大数据去解决问题和积累知识或许是更加高效和便捷的方式。“大数据的目的并不是追求数据量大，而是通过系统式的数据收集和分析手段，实现价值的最大化。所以推动智能制造的并不是大数据本身，而是大数据的分析技术，”李杰在采访中再三强调，数据本身不会说话，也不会直接创造价值，真正为企业带来价值的是数据经过实时分析后及时地流向决策链的各个环节，或是成为面向客户创造价值服务的内容和依据。

大数据如何具体推动智能制造？

李杰告诉澎湃新闻记者，可以从三个方向看这一问题。“第一个方向是利用大数据分析，从解决问题到避免问题。”

20世纪80年代，美国制造受到了德国和日本的巨大冲击，尤其是在汽车制造行业，德国和日本的汽车以更优的质量和更好的舒适度迅速占领了美国市场。令美国厂商百思不得其解的是，美国在生产技术、装备、设计和工艺方面并不比德国和日本差，在汽车制造领域积累的时间甚至超过他们，但是为什么美国汽车的质量和精度就是赶不上人家？

在那个时候，质量管理已经在汽车制造领域十分普及了。光学测量被应用在产品线上以后，在零部件生产和车身装配的各个工序已积累大量的测量数据。但问题是，即便测量十分精准，在各个工序和零部件生产、车身装配都进行严格的质量控制，可在组装完毕后依然有较大的误差。于是美国的汽车厂商不得不花大量时间反复修改和匹配工艺参数，最终的质量却依然不稳定，时常出现每一个工序都在质量控制范围内，但最终的产品质量依然不能达标。

李杰告诉澎湃新闻记者，针对这一难题，上世纪90年代他们与美国密歇根大学吴贤铭教授一起发起了“2mm”工程来解决这一问题。什么是“2mm”工程？李杰解释：“就是利用统计科学对这些庞大的测量数据进行分析，对质量误差的积累过程进行分析和建模，从而解释误差的来源并进行控制，使车身波动降低到所有关键尺寸质量的6-sigma值必须小于2mm，2mm是当时理论上的精度控制极限值。”

在引入上述数据分析对质量进行管理和控制的方法后，产品的设计周期和成本得以大幅降低，并且产品质量的精密度和稳定性也得以明显提升。1992年12月，一个位于美国密歇根州底特律市的装配工程陈宫实现了2mm变化级，并第一次将2mm工程成功市场化。李杰表示，这一方法并不需要大量的硬件投入和生产线的改变，实施的成本非常低廉，但产生的效果显著，因而被广泛推广到飞机制造、发动机制造和能源装备等各类制造领域，对美国制造精度的提升起到了重要的推动作用。

大数据推动智能制造的第二个方向，是利用大数据预测隐性问题，在问题成为显性前就进行解决。

如果将露出海面的冰山比作可见问题，那么硬性问题就是隐藏在冰山下的恶魔。李杰用冰山模型向澎湃新闻记者介绍了制造系统中可见与不可见的问题。

“生产系统中存在着不可见因素的影响，比如设备性能的衰退、精度的缺失、易耗件的磨损和资源的浪费等。而可见的影响因素往往是不可见因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。”李杰表示，对这些不可见因素进行预测和管理是避免可见因素影响的关键。“可以从数据当中抽象提取出的、与判断某一事物的状态或属性有较强关联的、可被量化的指标。常用的特征包括时域信号的统计特征、波形信号的频域特征、能量谱特征、特定工况下的信号读数等。在一个坐标系中这些特征的分布就划分了若干区域，这其中既有健康状态的分布区域，也有不同故障模式下的分布区域。”

“当我们将这些区域分别建模时，在制造系统的运行过程中这个分布可能会慢慢偏移，这时与正常状态和某一类异常状态可能有所重叠，那么其与正常状态的相似程度就代表它的健康值，与故障状态的相似程度就代表了其故障风险，我们可以将这个相似程度进行量化。随着时间的推移，这个分布可能会有慢慢向某一个状态发展的趋势，我们所量化的结果就形成了一个时间序列，这个时间序列代表的就是衰退的轨迹，进而对这个趋势的未来发展进行预测，就可以推断出在未来的什么时间会发生什么问题或故障，”李杰介绍。

因此美国辛辛那提大学NSF产学研合作智能维护研究中心提出并发展了针对预诊断与健康管理的工具箱，将广泛使用的智能分析算法整合在一起，并且评估每一个算法在不用情况下的优势和劣势，采用一种系统化的方法把每个算法的适用度进行优先级排序，从而减少了实际应用开发中反复试验的次数。

“第三个方向，就是利用反向工程，从结果中找到原因”，李杰总结。李杰依然以航空发动机为例：“事实上航空发动机真正的科技与挑战都是隐藏在‘看不见的世界’中，其中的‘隐性科技/杀手’就存在于包括航空发动机、半导体制造和精密元器件等领域里最尖端并且最富挑战的核心和关键技术。因为人们不了解它存在的原因和激活的条件，它们都隐藏在不稳定、非线性、瞬态和随机的工况与过程之中。”

譬如，在同样一张图纸上所定义的厚度及其分配曲线是明确的、清楚的。但是不同的厚度及分配对部件的性能、安全性、可靠性及持久性是隐形的科技。“如何去找出一个最优化的厚度分配，其本身就是一个非常具有挑战性的题目。所谓先进科技就是如何挖掘这些隐性杀手，然后控制住所有可激活的条件。大数据可以帮助我们达成这个目标。”

1989年7月19日，一架从丹佛起飞计划飞往芝加哥奥黑尔国际机场的道格拉斯三引擎客机DC-10，在飞到爱荷华的玉米田上空时二号引擎空中爆炸，导致了机上296人中的111人不幸遇难。调查人员发现，是由于引擎中的风扇盘破裂，导致了事故的发生。

针对疲劳裂纹产生的区域进行更深入的分析后发现，导致风扇盘损坏的罪魁祸首是钛合金叶盘中混入的少量氮元素与氧元素。这些杂质如果出现在钛合金的部件之内就会增加它的脆性，使其容易在受力的情况下产生裂纹。即使引擎部件裂纹的检测包含在引擎的例行检查项目之中，但该风扇盘的裂纹产生的地方极难察觉，导致了事故的发生。

“风扇盘制造过程产生的缺陷或许才应该是事故发生的必要因素，但又不构成充分的条件。因为在老化的过程中，许多隐形特性（疲劳与应力特性）的加入，导致了最后事故的发生。”

李杰在《从大数据到智能制造》中详细分享了多例案例。“航空发动机的安全、可靠及持久性很大程度上建立在偶然率之上。为了更好认识和控制那些‘隐形的特性’，不仅需要提升设计、材料、制造、维护以及测试的技术水平，更需要主动地对它进行监控与预测，获取部件实际的运行特性曲线，进而预测其故障发生的可能性。”李杰提出，工业互联网与大数据为这种基于不确定性与概率的特性评估提供了技术基础。

李杰告诉澎湃新闻记者，大数据在智能制造中的典型应用场景还包括加速产品创新、生产系统质量的预测性管理、产品健康管理及预测性维护、能量管理、环保与安全、工业企业供应链优化、产品精确营销、智能装备和生产系统的自省性与自重构能力等。

中国制造业转型的方向在哪里？

李杰给出了三个方向分别适用的几种情况。“‘从解决问题到避免问题’这一方向适合在某一个领域已经做了很久，有了一定的积累，但是却不知道为什么做得好或是不好。比如中国的离散制造、精密加工、汽车制造、装配制造等领域；第二个方向预测隐性问题，适用于在解决了可见的问题之后，仍然存在一些不可见问题对制造系统造成的影响，希望能够了解不可见因素的变化过程和相互的关联性，积累更加深入的领域知识；而在制造基础非常薄弱的领域，并没有形成太多有效的数据，但是从国外聘请了非常有经验和知识的人，则可以实施反向智能制造。”

最近，“提升供给侧质量”成为中国政府在重整制造业中的重要改革举措。李杰认为，用“制造竞争力=产品质量/成本”这个简单的公式可以衡量供给侧的质量。

“提升产品质量的方式有很多种，但是我认为中国制造目前最需要提升的是标准化、规范化和合理化，至于是应该使用自动化、信息化、机器换人，还是工匠精神等方式，应该视具体的行业和企业的情况而定。”

李杰特意指出，工匠精神未必一定是好的，比如最注重工匠精神的日本，很多企业由于过于严苛地追求性能指标的极致而投入了大量不必要的成本，使性能比其他产品高出1倍，但其代价可能是导致商品的价格高出了3-5倍，这样的产品显然也是不具备竞争力的。“在不对成本加以限制的情况下任何一个企业都能够做出质量和性能很高的产品，但是物美的同时做到价廉就很难了，这是一个复杂的系统工程，需要对生产系统的各个方面进行优化。

除此之外，中国制造业的供给侧质量改革，李杰建议可以从两个方向进行尝试：“一是从以往的依靠投资拉动需求，转变为以主控式创新的思维挖掘市场潜在的需求；二是将资源要素向价值链上游转移，增加基础科学研究领域的投入，研究与产品开发均衡发展，在生产系统上游的要素中取得更多的话语权，逐渐从价值链的较低端向高端环节转移。”

“我们相信中国会成为新制造革命的中心，因为大数据将成为中国继人口红利之后的又一大竞争优势，中国应该利用好使用数据的资源，才能弥补中国在装备制造和核心零部件等方面的弱势，做到让世界向中国学习在制造系统中创智和创值的经验。”李杰说。