在数字化转型浪潮中,制造业无疑是其中感受最深的行业之一。智能制造、工业互联网等概念,都是依托企业的数字化变革而实现。在这场大潮中,海尔集团始终站在行业最前端,通过建立一套完整的智能制造体系,应对行业发展的颠覆式变革挑战。
作为海尔互联工厂的生态伙伴,新华三以面向未来的智能工厂网络解决方案,助力海尔集团在胶州空调互联工厂落地时,将最新的工业设计、生产制造以及销售理念放置在互联工厂之上,为海尔集团的数字化转型提供了坚实基础。
数字化时代的制造流程变革
对于制造业来说,数字化变革带来的最大变化是业务模式的转变,而对于海尔来说,这种变化是通过搭建智能制造体系来实现的。海尔在智能制造上的核心思想就是“互联工厂”——与传统的订单生产模式所不同,海尔希望通过与用户共同建立一个基于网络的生产模式,让完全不懂技术的用户,和苦恼于不了解需求的设计师、供应商,在海尔提供的共享设计平台上互动协作,实现真正的客户个性化订单生产。
胶州空调工厂就是海尔在此模式之下建设的互联工厂,胶州空调工厂产品的颜色、外观、性能、结构等全部由用户决定。借助互联网技术,用户可以与工厂生产线直接对话,个性化需求可以在第一时间反馈到生产线,整个流程包括需求、交互、设计、预售、制造、配送、服务等,循环迭代升级,实现从线上用户定制方案,到线下柔性化生产的全定制过程。例如,用户下单后,订单送达互联工厂,互联工厂随即开始定制所需模块,通过模块化的拼装,可以实现用户对不同功能的选择,并且最大限度缩短产品制造所耗时间,在整个制造过程,用户可以通过各种终端设备获取订单进程,了解定制产品在生产线上的进度和位置。
这种以用户需求为中心的业务模式是工业制造水平发展到一定高度之后的必然结果。当产能足够时,企业通过业务模式的数字化变革,提高用户体验,可以在竞争中博取更多用户的青睐。
制造流程数字化过程中的两个“可视”
要实现制造业务流程的数字化变革,对于海尔互联工厂来说,关键就在于如何将过程中的信息“数字化”。在这里,“数字化”可以理解为“数字化支撑下的全流程透明可视”,包括两个含义:其一是企业生产全流程可视,其二是用户信息可视。
“企业全流程可视”需要在基础设施上实现“IT与OT融合”,其含义是车间物联网、信息通信网、售后产品服务网的三网融合,以及以iMES为核心的ERP、PLM、工业控制、物流系统的五大系统整合。
“用户信息可视”则要求实现“更广泛互联互通”,一方面是内外互联,通过互联网实现用户与设计、生产部门的互联互通,高效协同;另一方面是信息互通,机器设备与产品数据互联互通,最终还要和用户数据互通。也就是说产品在市场上的信息,可以在互联工厂实时反应到加工的设备、物流物料、加工的供应商,甚至员工的绩效也可以由用户对产品的评价驱动。
未来,海尔的数字化将向“智能化”演进。首先就是要打通研发与制造的隔热墙,就是端到端,其次要求是虚实融合,相互验证优化,就是现实和虚拟结合,在虚拟世界进行验证,对用户来说可以进一步提高“人人自造”的参与体验感,同时对制造端的加工来说,可以提高一次加工成功率。
新华三助力打通“数字化”的脉络
胶州空调互联工厂作为海尔集团样板工厂,承载了海尔最新的工业设计、生产制造以及销售理念,采用数字化的生产制造流程,而新华三智能工厂网络解决方案为这一数字化过程打造了网络通道,助力实现了车间物联网、信息通信网、售后产品服务网三网融合,解决了用户个性化定制的问题。
新华三在智能工厂IT/OT融合方面具备丰富成熟的产品和解决方案,服务于海尔互联工厂生态系统建设,在海尔互联工厂的网络解决方案部署中得到了成功应用。此外,新华三还为海尔提供了本地化的服务以及完善的培训机制,为胶州空调互联工厂保驾护航。
新华三以智能工厂网络解决方案服务于海尔互联工厂生态系统建设,助力海尔实现了从需求获取到生产销售过程中数据能够第一时间发挥其价值。在强强联合的实践中,双方的优势得以最大程度的发挥,并为其他制造业企业的数字化变革提供了有益的借鉴,推动制造业数字化转型进程!
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。