徐靖

随着新—代信息技术的应用，实时态势感知、远程故障诊断和预测性维护成为可能

基于机器视觉，深度学习等技术，对产品开展智能质量检测，可减小检测分级误差

电子行业具有产品种类多、技术含量高、产品质量要求高、生产周期要求短等特征，面临设备管理精度不够、不同产品间的生产排产切换慢、生产管理效率低、产品质量管控不够等痛点，亟须加快基于工业互联网平台的数字化转型步伐，全面提升设备管理、研发、生产管理、产品质量管理、供应链管理等环节的数字化水平。

提升人与机器

协同合作水平

（一）设备管理从粗放管理向精密管控转变

传统电子制造业的流水线方式需要依赖大量的生产设备，特别是对产品一致性和可靠性要求高的电子元器件领域、对加工精度要求高的精密零组件和精密模具领域，生产设备的微小偏差都会造成产品质量的大幅下滑。随着新一代信息技术的应用发展，覆盖设备全生命周期的实时态势感知、远程故障诊断和预测性维护成为可能。

（二）制造生产从手工组装向人机协同转变

我国是电子产品制造第一大国，但是从国际产业价值链分工来看，我国仍处于全球价值链的中低端，以生产组装为主。虽然我国电子制造业自动化水平比较高，但是组装环节仍需要大量八力。以富士康为例，作为苹果手机的主要代工制造商，其在深圳有超过20万名生产制造员工。在工业互联网平台上，人的知识和经验以机理模型的形式被共享、复制、传播，赋予机器人类的智慧，提升人与机器的协同合作水平，降低人力成本，提高生产效率。

（三）质量检测从人工检测向智能检测转变

随着电子技术的飞速发展，电子产品加速向小型化、精密化、集成化演进，对电子制造工艺的速度、精度、可靠性提出了更高的要求。传统人工检测方法存在主观性强、精确度低等问题，基于机器视觉、深度学习等技术，对产品开展智能质量检测，不仅可以排除主观因素干扰，还能够对这些指标进行定量描述，减小了检测分级误差。

构建产品数字孪生模型

提高生产效率

（一）设备智能管控

一是设备故障诊断。实时采集设备运行状态数据，基于专家库和自学习机制建立故障智能诊断模型，实现设备故障精准定位。二是预测性维护。基于工业互联网平台分析预测设备关键部件变化趋势、产品寿命和潜在风险，提前预判设备零部件的损坏时间，主动提前进行维护服务。

（二）研发生产管理优化

一是研发设计。构建产品的数字孪生模型，开发者不需要实际试验测试，即可验证产品在真实环境中的性能。二是智能排产。在新产品实际投入生产之前，利用数字孪生预先对生产计划排程建模测试，找出最优方案，帮助企业缩短新产品导人周期，提高产品交付速度。三是精益管理。实时采集企业人、机、料、法、环运行情况，发现不合理和低效的管理流程，提出改进方案，提高组织管理效率。

（三）产品质量检测

一是产品质量检测。在产品生产过程中，实时采集质量检测点的检测数据，利用机器视觉、人工智能技术，结合产品质量分析模型，及时发现潜在质量问题实现异常品快速响应。二是产品质量全流程追溯。基于工业互联网平台，打通原料供应、元器件生产、零部件生产、组装加工、集成销售、运维等产品全生命周期的质量数据，结合质量追溯模型，实现产品全生命周期的质量跟踪，提升产品质量控制精度。

（四）供应链协同

一是企业内部供应链协同。实时采集企业内的设备、工具、物料、人力等数据，实现生产、库存的动态调整优化。二是企业间供应链协同。以工业互联网平台为枢纽，实时采集供应链上下游企业的排产、生产、库存、质量、物流方面的运行数据，结合供应链协同模型，优化全供应链资源配置。

聚焦模型开发

推进应用场景落地

（一）聚焦边缘数据，打造高效边云协同体系。一是在边缘数据采集方面，安装智能传感器、摄像头、三维扫描仪等数据采集工具，实现对企业运行状态的全面感知。二是边缘数据分析方面，将云端机器学习和深度学习算法，部署在生产设备端，在边缘控制器上集成分析引擎，实现设备的自动调整和优化，在模型、数据、服务三方面实现边云协同。

（二）聚焦模型开发，强化机理模型供给能力。一是开发设备状态监测、设备故障分析、研发设计、预先排产、精益管理、供应链协同等模型。二是开发产品质量检测、产品全生命周期质量追溯等模型。三是开发模型管理引擎，构建知识图谱，实现模型标签化管理、智能化搜索和精准化调用。

（三）聚焦應用场景，深化解决方案应用推广。一是打造研发创新、预先排产、精益管理等解决方案。二是打造产品质量检测、产品全生命周期质量追溯等解决方案，提高产品质量管控精度。三是打造企业内和企业间的供应链协同解决方案，提高供应链整体的资源配置效率。