向数字化的智能制造要生产力，是各国应对产业升级转型的共同选择。基于深耕制造行业七年的成功实践，阿里云对于制造业向智能制造升级提炼了九大场景，以及对应九大场景的可行解决方案。从微观到宏观，这九大场景已经基本覆盖了智能制造的所有关键环节，可以作为回答智能制造现阶段问题的着力点。
本文摘自《云栖战略参考》，这本刊物由阿里云与钛媒体联合策划，目的是为了把各个行业先行者的技术探索、业务实践呈现出来，与思考同样问题的“数字先行者”共同探讨、碰撞，希望这些内容能让你有所启发。
中国的制造业，无论是流程制造还是离散制造，都遇到了进一步发展的瓶颈期。对于流程制造来说，如水泥、钢铁，表现比较明显的是能源利用率的提升问题——特别是进入双碳时代后，制造业的环保需求逐步加大。对于离散制造来说，突出问题是需求侧市场变化太快，工厂的投入和产能存在巨大不确定性。
“如果将流程制造、离散制造等一系列的问题做抽象与提炼会发现其中有共同的痛点，无论是设备的能耗优化/预测性维护、生产线的自动控制/工艺优化/调度优化、产品的质量检测，还是供应链管理、营销与销售预测、产销协同，可以归类为：用大数据技术解决产线上的具体问题、AI技术落地于具体场景的问题，以及基于数据中台和AI引擎的全链路数据一体化用于解决供应链上下游协同的问题。总之，一系列的问题都可以归结为：如何用新的数据智能方式去帮助制造业企业实现产业升级。”阿里云行业线产品解决方案部总经理曾震宇总结道。
向数字化的智能制造要生产力，是很多国家共同的战略选择。基于深耕制造行业七年的数字化实践，阿里云对于制造业向智能制造升级提炼了九大场景，以及对应九大场景的可行解决方案。
解决这些共性问题的底座是四种能力：数据中台、AI优化控制引擎、数字孪生与云钉一体。
其中，数据中台是制造企业非常重要的基础能力。过去制造业可被实时搜集、感知和在线的数据少；未来3--5年，制造业的实时数据量一定会急剧增加，包括设备数据、传感器数据等，需要围绕这些数据进行建模、加工，然后基于数据中台，不断训练AI数据模型并形成AI引擎，与工厂传统经验形成互补，最终形成AI知识图谱，数字化一切以前不可量化的人为因素。
另外，和所有的技术一样，虚拟现实融合技术，真正规模化产生产业价值的方向并非在生活娱乐领域，数字孪生是工业发展的大趋势。工厂内全维度数据构成的数字世界，今天已经不再是“科幻”，而是能够利用数据和算法检测生产线上的设备健康状况、产品质量，并进行预测性智能决策。
云钉一体解决的是组织协同问题。钉钉在实践过程中将制造业的组织、系统集成在一起，整个办公流程、生产流程、生产管理、质量控制、售后服务的自动化，都可以基于钉钉的协同平台和应用开发平台实现。
智能制造的九大场景有六大场景着眼于产线的微观智能，分别是自适应控制、生产工艺优化、能耗优化、专家知识系统、智能质检、预测性维护；另外三大场景着眼于大型组织的数据归一与协同的宏观智能，分别是数据移动在线、产销协同与柔性制造、工业数字孪生。从微观到宏观，这九大场景已经基本覆盖了智能制造的所有关键环节，完全可以作为回答智能制造现阶段问题的着力点。
场景一：数据移动在线化
去年12月工信部等八个部门正式印发《“十四五”智能制造发展规划》，明确到2035年，规模以上制造业企业全面普及数字化网络化，重点行业骨干企业基本实现智能化。中国工程院院士李培根进一步解读，“发展智能制造，数据是基础，数据是血液”。数据融合是制造企业降低生产各环节成本、提高生产效率的关键。
人员的排班排产、产线的调度优化、货物流转、金融周转等运营效率的提速，都需要生产经营数据的在线化与移动化。数据的在线可以让企业管理人员在生产、经营过程中，依据实时数据不断调优决策。
钉钉发布的制造行业解决方案2.0从对生产状况影响最大的人和设备着手，让设备数据、成本数据实时呈现。“设备上钉”产品实现了人与设备的连接，每一台设备都是一个钉钉账号，管理人员可在钉钉上查看设备运行状况，任何设备故障都可以通过钉钉自动通知到人，让风险在第一时间被发现、被处理；设备上的生产进度，成为采销、生产计划的依据。
除了“设备上钉”产品，“码上制造”的专属行业底座，通过生产码、库位码、报工码、物料码等四个生产环节的二维码，解决制造企业最核心的进（采购）、销（销售）、存（仓储）、生产环节数据在线化和移动化的难题。
这些能力全面开放给钉钉生态，在钉钉“制造工作台”“行业广场”上开发千人千面、个性化的工作界面，让企业自主选择符合需求的SaaS应用，让更多类似设备上钉、码上制造、计件日结的创新在钉钉的行业平台上长出来。
中国民营企业500强的东方希望集团于2017年开始使用钉钉，过去五年间，东方希望在钉钉上开发了67个针对不同场景的应用，集成到钉钉上，实时呈现工厂里的生产状况和工艺，一旦出现产线异常，便由钉钉自动通知责任人。
场景二：自适应控制
利用生产装备和工艺的自动化是智能制造在过去几十年追求的重要目标，但是由于生产设备和生产现场的复杂性、生产原料的不稳定性和环境变化，生产产线完全依赖传统的PLC（可编程逻辑控制器）、DCS（分散控制系统）很难做到自动控制，依赖产线工人根据经验判断各种异常进行频繁的操作控制，也会因为疲劳和经验的差异出现波动。
融合数据感知和AI决策的自适应控制应运而生。自适应控制基于产线的机理进行建模，根据历史记录，生产结果数据对模型进行训练和优化，将模型下发到生产端根据产线实时数据推理生产参数并推荐，最后结合控制技术对生产线进行闭环控制。
清洁能源行业的瀚蓝环境拥有22个生活垃圾焚烧发电项目，日生活垃圾焚烧发电总规模33100吨。仅是广东佛山南海厂区的六台焚烧锅炉，每天就能“消化”近3000吨垃圾，发电150万度，足以满足南海区16万户40万人的生活用电需求。
整个垃圾焚烧发电的过程，为了尽量做到让垃圾的燃烧更充分、蒸汽更稳定，主要是靠锅炉师傅调节焚烧炉的各种参数。限制发展的最大阻碍，就出在焚烧过程对人工经验的过度依赖。不同工艺专家技术水平不同，调出来的效果相差较大。而培养一位合格的工艺专家需要1--2年的时间，一旦离岗，经验也随之带走。
企业亟需将经验中的隐性数据转化为显性知识，嵌入到自适应控制中，让机器协助人类来完成焚烧过程的复杂决策与控制。垃圾的充分稳定燃烧，过程中充斥着复杂的物理与化学变化，涉及多达2000个实时测点数据。
第一步需要大量的数据计算，识别出最关键的30个测点数据，包括推料进程、推料动作、一次风量、一次风压、二次风量、炉膛温度、烟气含氧量、主蒸汽压力等。
第二步，锁定关键参数后，输入到工业大脑平台上的仿真预测模型，进行垃圾焚烧过程的模型训练，实时预测焚烧产生的蒸汽情况。通过对每次垃圾推料的前后关系分析，比如推料前的炉型状态、推料动作，以及推料后的焚烧反应，构建数据的输入输出关系模型。训练过的焚烧炉蒸汽量仿真预测模型可以准确预测90秒后的蒸汽量，准确度到达95%，为后续推料提供决策依据。
第三步，算法模型分析的结果通过API接口把推荐工艺参数实时提供出来。构建人机交互界面，部署到工厂控制室,辅助工人决策什么时候该推料，以及如何推料等操作建议。过去操作员4个小时内需要操作30次，才能让垃圾焚烧过程保持稳定，而如今在AI的协助下，干预6次即可。工业大脑辅助对比单纯人工操作，可以提升约1%--2%的蒸汽产量，锅炉蒸汽量稳定性提升20%。
第四步，算法直接与锅炉系统连接，实现对垃圾焚烧过程的自动控制。由人控制机器转为人监测机器、无需干预，降低对人工经验的依赖。
场景三：工艺优化
工艺，是一家企业如何利用生产工具对各种原材料、半成品进行加工或处理，使之成为产品的方法，包括铸造、锻压、机械加工、热处理、焊接、装配、油漆等工艺类别。
一方面，各个行业都有自己的通用数字工具和自动化设备，如CAPP（计算机辅助工艺过程设计系统）。另一方面，企业自主研发创新、经验总结的加工方法，可以成为企业自己的独门秘籍，比如毛坯制作、机械加工、热处理等各个环节先后顺序的优化，都可以提高生产效率、降低生产成本、提升产品质量，是一家工业企业最核心的竞争力。
每家制造业企业都规定了产品的工艺路线、机器设备和加工模具的种类、品名及编号、检验方法等，是组织生产和工人进行生产操作的重要依据。
过去20年中国制造业的工艺优化，主要聚焦于两个方面：引进国外的辅助工艺设计系统和培养有经验的专家。今天，则转向了数据智能。
工艺优化的案例是攀钢集团。脱硫是钢铁生产过程中的一个重要环节，硫工艺的好坏可以拿来评判中国钢铁与德国钢铁的重要差距。由于硫化物会降低钢的韧性，所以工人师傅倾向于多加脱硫反应剂。但反应后产生的脱硫渣会带走大量金属料，每个炉次以220吨计，脱硫渣量均值为5吨，其中铁损占比约为40%--55%。假设脱硫剂的加入量降低10%，理论上可降低0.8--1kg/吨的钢料消耗。
第一步，构建仿真模型：基于历史数据与实时数据，构建脱硫预测模型。通过结合脱硫剂加入量、喷吹速率等十多个关键参数，模拟脱硫全过程，并配合参数优化模型，检验不同组参数的合理性及有效性。
第二步，参数寻优模型：结合机器学习与老师傅的经验，识别脱硫过程中的对脱硫结果影响最大的参数，包括钝化镁加入量、钝化石灰加入配比、平均流量、喷吹时长等，通过寻优模型识别参数间的最优关系。再回归到仿真模型中进行反复验证，最终得到最优参数：在满足脱硫效果的前提下，找到最小脱硫剂加入量的那组“配方”。
第三步，脱硫操作人员根据推送的推荐参数，动态调节脱硫剂的加入量，减少脱硫剂的消耗。
对年产值400万吨钢的攀钢西昌钢钒基地来说，每年减少1700万元损失。
生产工艺优化的解决方案，已经在钢铁、水泥、固废、化工、光伏等多个行业场景中得到实践。
场景四：能耗优化
能耗优化直接关乎“十四五规划和2035远景目标”中“双碳目标”的达成，已经成为流程制造企业发展的重中之重。《中国上市公司碳排放排行榜（2021）》显示，登榜的100家A股和港股上市的高碳排放公司，分布在石化、化工、建材（水泥）、钢铁、有色、造纸、电力、航空八大高耗能行业。八大重点高能耗行业中的六个，都属于“大制造业”。传统制造业的高端化、智能化、绿色化，提高了制造业对新技术的发展要求。
水泥行业有着很高的煤耗和电耗，水泥的“两磨一烧”工艺（生料磨、回转窑与水泥粉磨），是保障水泥品质稳定的主要因素。
2021年，海螺水泥作为亚洲最大的水泥熟料供应商，敏锐地洞察到传统的APC（生产优化系统）迭代能力跟不上业务需要，软件适应性不强、数字化沉淀和复用受限，造成全局优化能力不佳的结果，果断利用阿里云工业大脑AICS平台，聚焦于水泥产线的“两磨一烧”核心场景，完成能耗优化和工艺优化，分为下面几步。
第一步：数据采集与清洗。结合工艺专家经验，水泥工业大脑首先将生产系统、控制系统、设备管理系统、能源管理系统中的海量数据进行提取，包括质检数据、DCS数据、环境数据等。同时对数据进行清洗，剔除噪音数据或无效数据，补充缺失数据，为下一步模型训练提供高质量的数据资产。
第二步：模型搭建。采用先进的机器学习算法、神经网络算法，结合先进过程控制模型，对所收集到的多维度数据进行建模，真实还原水泥产线上的实际生产过程。并通过对大数据模型的参数进行调节，以实现从输入参数到输出参数的非线性映射关系。
第三步：机器学习。通过采集六个月的历史数据，分析多达上百个变量之间的耦合关系，并对模型的输出进行预测，使风、煤、料的最佳组合范围可量化、可视化，达到同等产量熟料质量最好；同等质量情况下，产量最高；或是同质同产情况下，能耗最低。
第四步：在线控制。最终生产线工艺参数的设定，会结合工艺参数范围、步长信息、工艺参数实时值等，由水泥工业大脑进行多变量综合分析，实时针对各工况的产量、质量、能耗多目标进行寻优，推荐一组最佳的工艺参数实时反写回分散控制系统，实现水泥核心生产过程的自动驾驶、无人值守。
海螺水泥仅仅两个月时间，就实现了高自动控制的水泥工艺优化。在这个过程中，降低了2%--3%的能耗。对于水泥日产量1.2万吨的工厂来说，这一能耗节省非常可观。在后来的一段时间，逐步完成了全局优化的节能测试。结果显示，该系统的节能水平超过了国外知名厂商同类型软件的节能水平。
以上自适应控制、工艺优化、能耗优化的案例能够清晰地看到，基本解决方案路径：收集历史数据--锁定关键参数--构建算法模型--用实时数据验证算法模型，并进行调优--输出动态参数推荐，或连接自动化控制系统。
路径和方法都是一致的，难度就在于找到海量参数里的因果关系，并构建优质的算法模型，这两个节点的突破，则取决于数据智能的科学家和行业老师傅都具备卓越的专业能力和合作能力，同时需要一套专家知识系统。
场景五：专家知识系统
从以上场景，不难发现：在工业领域，传统经验知识的总结环节非常需要数据智能技术的加持。即便是有些制造业企业建立了数字化的专家系统，把专家经验进行文档累积，但是实际情况中，把数据经验输入到专家系统费时费力，每条记录的经验数据之间缺乏联系，仍然很难形成“数据资产”。
在智能制造的时代，AI知识图谱作为人工智能的一个分支领域，具有“知识抽取”和“知识关联”的能力，值得被作为一个单独的解决方案提供给更多的制造业企业，在业内被称为专家知识系统。
阿里云知识图谱系统，汇集各种应用场景下的数据，向知识图谱的开发人员以及运营管理人员，提供了可视化的工具平台，将留存在企业系统中的结构化、标注、规范、案例记录和人的经验等知识数据源转化为计算机可以识别的知识图谱数据，简化了传统知识累积的方法，有效提升了知识图谱的构建效率，降低了经验获取和传承的成本。
电网等工业企业经常会在极端天气情况下紧急处理设备故障，利用知识图谱，把设备检修规程导则、以往故障报告和设备维修专家的知识数据，形成电力行业的专业知识图谱，开发基于知识图谱的故障研判算法引擎。
故障发生时，拍照或语音问询，利用图像识别和自然语言处理能力，为故障抢修人员提供相关案例，提供引导式的修复方案，辅助执行，迅速提升故障处置能力，降低故障处理难度，缩短了故障处理时间。
近年来，城市配电网规模爆发式增长。
以杭州城区为例，10KV的线路从1200条增加至2000多条，对效率、安全作业提出了更高要求。国家电网下属杭州供电公司是杭州的配网指挥中枢，负责电网监测、电网检修、故障处置等工作。每个杭电调度员每天需拨打100多个电话，实时监控500多条电力信息。碰上早晚高峰，40多通电话一齐涌入，调度员需同时协调4--6个执行单位，故障现场也要长时间等待。
针对这些问题，“虚拟配网调度员”应运而生，阿里云为电力行业引入前沿的阿里云知识图谱技术。
如今，“虚拟调度员”对数千条城市电网电路如数家珍，可提前安排作业、现场核对作业、事后自动归档。一旦突发停电、断电，“虚拟调度员”通过钉钉可在1分钟内安排好相关人员，启动检修。
“虚拟调度员”还学习消化了30多万份的检修历史记录，总结出可供实时决策的数据，形成了电力配网知识图谱。在钉钉上，一线电工可以和虚拟调度员直接对话，实时获得协助。设备历史信息随问随答，是个“问不倒的机器人”。
知识图谱生产是一整套系统，涉及结构化、半结构化和非结构化数据，需要大数据技术。半结构化和非结构化的知识经验、信息处理，则需要自然语言处理技术，处理为算法框架可以分析的数据。另外，知识图谱本体构建管理、知识图谱抽取前端交互、知识图谱查询和计算服务、知识图谱存储，后台的系统管理和调度运维服务组件，甚至包括部署环境等技术能力也是知识图谱构建的一部分。最终作为PaaS级产品，知识图谱会基于通用底座，结合商业系统定制开发适合不同企业的知识图谱平台，提供应用能力。
场景六：智能质检
制造业的质量检测，可以应用于产品的最终质检、物料制造的表检，利用AI视觉识别技术来模拟人的视觉功能，从客观图像中提取信息，加以理解并进行处理，最终用于实际检测、测量和控制。AI视觉系统被应用于各行业的生产中，如触摸屏、激光加工、太阳能电池板、半导体、食品饮料、制药、消费电子产品加工、汽车制造等提升产品成品率和良品率，是一种应用较为广泛和成熟的解决方案。
因为依靠人的视觉进行的质量检测，会受到疲劳程度、精神集中程度的较大影响，所以只能采用抽检的方法，才能节省相应人力，即便如此，准确的稳定性也会因为人的原因出现波动。阿里云机器视觉智能技术采用深度学习和图像处理算法，比传统机器视觉检测更精准、漏检率更低。在数据中台的基础上，进行数据的采集、标注、训练和算法模型调优，自动识别图像中的瑕疵或故障。
随着钢铁行业受到环保、双碳等政策压力越来越大，钢铁企业的竞争越来越激烈，开始从原有的拼产能，向拼质量、拼效率发展的趋势越来越明显。钢铁产品的金相组织评级是反映产品质量高低的重要方法手段之一。该方法采用定量金相学原理，由二维金相试样磨面或薄膜的金相显微组织的测量，来确定合金组织的三维空间形貌，从而建立合金成分、组织和性能间的定量关系。金相分析技术在钢铁行业应用最为常见，产品越高端对金相检测要求越严格，尤其是特钢和工业线材。
以攀钢西昌钢钒和韶关钢铁为例，他们的产品分别为汽车板材和建筑用钢，钢铁厂每生产一批次相同牌号的钢铁产品，需要在钢卷产品中选取2--3卷进行取样分析，钢卷中不同部位的钢铁试样，送往检验中心完成专业的组织性能检验。每天检验的试样数约为90个，一个检验中心配备3位检验工程师，平均每人需要完成30个金相试样的检测。除了金相检测任务以外，他们还需要完成样品制作、性能试验、质检分析等各类工作，金相检测工作人员的工作任务非常繁重。钢铁企业的产品质量评估，承担着重大风险，金相组织性能偏差带来的产品质量异议，建筑企业等产品用户带来生命财产的安全隐患，钢铁企业也会有巨大的经济赔偿。与此同时，金相检测的专业要求，也是钢铁企业招聘和培养专业人才的一大挑战。
基于此，阿里云结合深度学习和人工智能算法和积累的金相图谱数据，为钢铁企业建立了一套智能金相检测系统，打造了一个“虚拟金相检验专家”，通过软硬一体的方式，实现了金相检测的自动化和无人化，普通的检验工在完成试验制样后，通过简单的软件操作即可完成金相评级工作。智能金相检测系统，已经积累了上万张金相图谱样本，能够准确完成钢铁行业80%的金相检测任务，包括晶粒度评级、非金属夹杂物识别、脱碳层深度测量、索氏体占比测量等。极大地解放了检验专家的工作量，为钢铁产品质量标准化和人员效率提升带来了重要的技术支撑，也为缺乏专业知识人才的民营钢铁企业带来了一位久经沙场的金相“老师傅”。
视觉AI能力不仅仅用于生产流程中，类似废钢定级也是用视觉进行质量分类定级的一种方法。废钢定级作业环境一般比较恶劣，质检员每次需要攀高四五米的大货车车顶，对车内废钢进行近距离观察。不仅劳动强度大、作业风险高，而且依赖肉眼识别，难以量化和标准化。
晋南钢铁集团与阿里巴巴达摩院、西安智者云集云计算有限公司合作，研发了废钢AI定级系统。这套系统借助深度学习算法和AI视觉识别技术，可以实时抓拍废钢车辆的卸料过程并逐层采样，对卸货过程进行单层判级和最终整车判级，识别不达标废钢和杂质、异物，计算出整车扣重的预估值，还能对异物报警提示。
目前，阿里云质检场景已经应用到钢铁、电力、化工、光伏等多个领域。
场景七：预测性维护
工业企业的设备管理维护手段的发展经历了四个阶段：被动性维护（RM）、状态性维护（CM）、预防性维护（PM）、预测性维护（PHM）。
顾名思义，被动性维护（RM）就是在设备坏了之后再开始相关的维护维修工作，比如场景四给出的“虚拟配网调度员”解决方案；状态性维护（CM）是基于设备运行状态和现象对设备进行相关的维护维修工作；预防性维护（PM）就是在设备出现问题之前，基于可靠性分析和设备运行经验定期对设备进行维护工作；预测性维护（PHM）是在设备出现问题之前，结合可靠性分析、设备机理、设备运行维护的历史经验以及设备运行状态对设备的寿命、故障、异常及健康情况作出相对应的分析和预测，让设备维护团队能够在故障发生之前，提前做好维护措施，避免设备故障发生，提前做好备件储备、降低设备的停机时间。
预测性维护能减少设备周期性的维护成本和备件成本，实现对设备全生命周期的精准把控。做到设备故障提前预防，维护维修策略精准高效，设备管理维护成本精细可控。
现阶段的工业企业还停留在状态性维护和预防性维护的阶段，大多数企业都是通过周期性的人工定检以确保当前状态下设备无异常，先进的企业还会基于可靠性做一些设备状态分析的巡检计划以实现预防性的维护。
鉴于IoT的成本优势和部署灵活的优势，很多企业开始积累关键设备上的传感器、检测仪表等数据，对设备的故障及时发现，预先处理，降低停机损失，已经逐步向预测性维护的方向发展。但受制于工业企业薄弱的数据和算法基础，即便是拥有了大量的设备运行数据，也无法高效、合理地管理数据和利用数据，隐藏在这些设备数据之中的价值很难发挥出来。这给工业设备预测性维护的先行企业带来了极大的困扰。
基于此，阿里云结合5G在园区和厂矿等有限空间的高带宽、低延时的优势，建立集中设备、生产线、厂房内系统运行监测平台，各类监测数据可以实现一定空间内业务的全链路连接；并且整合了多年的大数据存储、计算和算法技术积累，构建了一套综合了专家积累经验的智能设备管理操作系统，以实现预测性维护为目标，在传统的设备管理基础上形成了一套体系化的智能设备管理工具。
例如，通过工业大数据引擎，解决设备数据实时、高效、便捷的存储、管理和调用问题；通过传统的基准管理、标准管理、巡检管理、备件管理等业务模块解决企业的传统设备管理体系缺失问题；通过智能自主设备诊断系统，解决企业设备的故障诊断分析过程中，缺乏懂设备、懂振动知识的专业人才问题；通过数字孪生工具，解决企业的巡检人员覆盖不足、提升巡检效率的问题；通过构建VR、AR和数字孪生的结合搭建虚拟检修环境，解决设备管理人员的技能培训和知识沉淀问题；通过知识图谱和虚拟检修专家，解决设备故障高效的问题；通过钉钉低代码构建移动设备管理体系，解决设备管理及时性、便捷性和敏捷迭代的问题；通过智能备件库存调度，解决设备维护的备件库存成本优化问题......
预测性维护是一套系统化工程，必须从管理模式创新、专家经验沉淀、人员效率提升等多方面，为工业企业提供技术支撑。
场景八：产销协同柔性制造
在离散制造场景中，如快消品、小家电、家具、消费电子产品的制造，随着消费者定制化需求越来越多，随着需求侧秒杀、促销活动变得越来越频繁，多品种、小批量按需生产的柔性能力要求越来越高。
但按订单组织生产是离散制造业的行业惯例，传统APS（排程排产系统）在订单在突然涌入临时变更时，很难发挥效果。
为了实现产销协同、柔性制造，阿里云给出的“调度优化-产销协同”解决方案主要包含六个方面：
一、通过MRP（物资需求计划）运算计算精确的物料需求；
二、精细化设计工序与设备的生产计划和人员需求，提升主计划排产速度和效率；
三、使计划结果可视化，提升计划协同性；
四、与MES、ERP信息化系统联动，滚动计划；
五、分析物料欠料的需求时间和数量，推送欠料信息，辅助物料跟催；
六、进行订单的预测，计算预计产能需求，预估产能的瓶颈工序，提前预测转发订单。
在实践中，阿里云帮助蒙牛用商流驱动供应链物流，用大数据技术打通从“牛”到“人”的端到端信息流，实现横跨“三大产业”的供应链市场化高效协同。生产计划与市场销售高度同步，“奶源--工厂--仓储--客户”布局一致。在工厂一级，利用基于数据中台的“调度优化-产销协同”解决方案应对突然变化的产能挑战。
根据阿里云对30多家服务企业的统计，构建于数据中台和业务中台的阿里云产供销协同体系，可实现制造周期缩短34%，用工成本降低15%，报表统计和汇总时间减少65%，沟通时间减少55%，成品库存降低20%，生产零部件的库存降低35%。
产销协同、柔性生产的需求，不只来自阿里云的客户，也来自阿里云客户的客户，与有搭建行业平台能力的企业合作，构建柔性生产的平台能力也尤为重要。
埃夫特是科创板上市的一家工业机器人和跨行业智能制造解决方案服务商，在焊装系统、智能喷涂系统、抛光打磨等领域，为合作伙伴提供智能机器人的解决方案。
埃夫特对柔性制造提出需求，是因为工业机器人的使用来自很多中小企业，它们的生产业务模式是小批量混线生产。
而大量批量小、来料规格差异较大的生产线，使用的机器人需要适应应用场景变化，一旦换线，机器人就需要重新编程和调试。本来整个机器人工艺算法编程工程师人才就非常稀缺，中小企业更没有能力储备专业的工程师，成本过高，导致很多企业无法承受。“有编程的功夫，还不如找个老师傅直接喷涂了”，埃夫特公司总经理兼总工程师游玮说。
埃夫特机器人联合阿里云，集合国产自研机器人技术开发基于“云+AI”的开放式物联网控制优化系统，实现智能机器人云平台的建模、仿真、优化、控制能力，完成云端模型训练、边缘计算、机器人执行三位一体智能协同，打造了行业内首个云边端一体化“机器人云平台”。
开发者可以利用业务编排工具通过拖拉拽的方式对数据组件、算法组件进行任意的组装，降低埃夫特的客户的工程师编程与算法应用的门槛，提高机器人典型作业场景下的智能化和小批量混线生产的柔性要求，并一定程度上弥补中小工厂工程师的不足，为用不起、不会用机器人的中小企业提供更友好的智能化解决方案，促进中小制造业企业的转型升级。
场景九：数字孪生
工业数字孪生，在不久的将来，将成为智能制造的核心环节，也是数字工厂的核心数字底座。它贯穿了制造业企业研发、采购、生产、销售、服务等全业务场景，打通企业设计仿真平台、订单预测、供应链优化、能耗优化、工艺优化、用户/经销商画像、营销推荐、智能客服、智能运维等系统数据，让企业决策者可以实时掌握工厂各环节的运作精细状况。
简单来讲，就是要从一个更宏观的层面，用数据构建和虚拟模型来精细化管理企业的生产运营情况，从而快速决策、指导生产。甚至，也可以模拟仿真各种决策的业务结果，实现决策和经营的弹性。
一汽红旗繁荣工厂就是一个正在实践工业数字孪生的例子，阿里云提供了智能工厂建设全方位数字化解决方案，在大数据平台、AI平台、数据中台之上，利用数字孪生技术，打造国内首个100%国产化的汽车智能制造标杆，打造实时在线、及时分析、智能决策的全链路智能化工厂。也是首次采用完全自研的数采监控软件，接入五大车间数百万个点位，数采频次最高可达200毫秒，超过国内外其他数采软件厂商。
在一汽红旗新能源汽车工厂，海量的数据汇入统一的数据中台，自动生成数据API服务，随时调取，全面融合传统信息化系统，形成“业务应用--数据沉淀--数据智能引擎--业务应用”的闭环管理，用数字孪生技术，全面提升企业生产管理及决策分析能力。
结语
上述九大智能制造场景，已经在领军和有前瞻力的制造业企业中打造标杆，但仍然是探索智能制造的初级阶段。
今天，很多智能制造还大都处于“智能+制造”的状态，智能技术对于制造业的生产系统来说，起到的是锦上添花的作用。但是已经能够看到部分智能技术逐步尝试成为生产的核心系统，中国作为制造业强国和大国，势必会有更多的制造业企业探索出核心产线系统的智能化路径，数据智能技术会彻底融入核心系统，成为生产经营的必不可少的部分。内生智能的路径探索和大范围落地，还需要业界伙伴的共同努力。（
