智能供应链在智能制造领域的应用(上）

一、智能供应链在智能制造领域的典型应用

智能供应链在智能制造领域的应用主要体现在五个方面：

1.智能研发、设计与智能供应链过程仿真

《中国制造2025》将创新摆在了制造业发展全局的核心位置。“智能研发”是实现强大的创新能力的支柱和必要条件，是智能制造先决水平、提升企业竞争力的核心要素之一。

智能化研发需要实现产品数字化、研发数字化、业务数字化（主要信息数据可以分为关联知识、项目管理、技术参数、产品系列、运营过程等）；不仅仅是就产品本身展开的研制与开发，而是更多的需要强调产品的可制造性、可流通性、安全性、有效性、可销售性（终端销售人员对于产品研发初衷和价值的传递）和客户的满意度，必须站在全价值链的高度来思考和模拟仿真。智能化研发的终极目标只有一个，就是让产品更加顺应中国乃至全球市场的需求。智能研发需要从庞大的用户基盘、用户数据、产业发展导向数据等，以有助于进行完善、可信的市场调研，而超强的研发实力和长期的技术积累、对市场的精准把握，更是研发更好产品的基础。

比如，汽车开发中心使用虚拟化技术，在正式进行撞击测试之前，首先模拟多次撞击实验结果，减少撞击测试的整车数量，从而减少成本和装配时间，大幅提升研发效率。同时，智能化研发也要求研发团队拥有统筹贯穿产业链智能化的要求的能力，进行相应产品研发设计，以支撑之后的智能制造、智能物流、智能销售管理等产业链可视化联动，进而实现灵活协同为终端客户加速提供高度定制的产品和服务。

达到智能化的研发管理，将进一步推动制造、物流、销售环节实现智能供应链。研发部门可以在研发过程中结合制造、物流、销售的智能化需求，设计开发产品，以更好地加快制造、物流、销售环节效率，缩短产品开发生产周期，实现大规模快速定制化生产，提高消费者、客户对产品或解决方案的满意度。例如，通过实现模块化管理技术，优化产品模块设计，可以使客户能在最短时间完成解决方案配置，同时将模块化设计运用到生产线制造流程管理，从而达到快速定制生产的目的。

通过信息化技术实现的数字化的研发管理将大幅提升研发效率、降低研发风险，增强创新能力。在研发过程中运用数字化技术实现虚拟模拟及个性化技术，帮助企业在开发前期即进行产品模拟，产品测试不需要等待硬件到位，即可进行性能测试，将大大帮助缩短研发周期，提高研发效率。通过智能嵌入、大数据和实时数据的管理、分析和分享，以及全面使用贯穿产品周期的开发、制造、物料和使用数据，将大幅降低研发风险，从而降低产品周期管理中其他环节因研发问题导致的潜在损失。

与传统的供应链现场数据收集后再进行人工整理、输入系统不同，智能嵌入技术将帮助实现实时环境和使用数据的采集和传输，确保了供应链全过程数据的准确性、完整性、实时性。实时数据能大幅加强研发设计产品的可靠性，减少因数据不精确、数据滞后或差别环境造成的产品问题（如样品测试失败、生产停线、质量退回等），从而降低产品开发风险。

应用可视化技术，智能供应链能够针对具体的单个产品进行数字化描述，以便在产品周期各（关键）阶段都可以快速的追踪到产品及配件、元件、电子件等各类部件，以帮助研发部门得到及时产品数据，进行产品设计或解决方案优化。这将帮助研发部门减少不必要的数据收集、确认、再收集的过程，从而加快优化效率。

2.智能预测与计划的维度、内容、任务发生了变化

供应链需求预测和计划的目标是形成一个精确可靠的关于市场需求的认识。传统供应链环节多、利益诉求不同、信息不共享，容易导致订单交付流程长，从而对于客户需求的响应周期延长，于是，从订单到交付（order to delivery，OTD）的长短以及供应链响应策略，通常决定了供应链过程环节中的库存高低，从而最终决定了企业的盈利能力。通常情况下，订单交付周期越短的企业，响应能力就越强，反之就越差，面对客户对于交付的效率要求，只有不断地备库存，一旦需要备库存了，就涉及到预测和提前期、计划的问题。

在智能制造中，预测和计划已经有了新的维度、工作内容和绩效要求。

在智能供应链中，采用大数据预测和智能算法模型，通过趋势结合动态实时需求感知、预测市场和重塑市场，从而主动掌控洞察需求。通过产品价值引导和有竞争力的订单响应周期承诺，完善企业的产销协同计划（sales、inventory、operation and planning，SIOP）系统提供支持，使得管理层能够长远全局战略洞察产销平衡，也能短期柔性应变产销的波动；同时通过工业互联 实时掌控设备与产线的实际能力约束，对不同优先级的订单进行智能排产，把人工智能融入高级排程系统（advanced planning system，APS）中，结合不同的场景，适应性的、分布计算优化。通过制造大数据部署预计库存计划，实时监控智能供应链过程中的差异，应对不确定性。

智能供应链体系通常会评估每一个产品的产品生命周期并进行持续跟踪，预测产品数量的递减和递增，以确定其进入和退出市场的节拍和方式。引入新产品必须综合上一代产品的供应链过程中的库存和采购渠道中的半成品及零部件数量。从而保持产品的新鲜度和减少新老产品的市场冲突，保持消费者的满意度和忠诚度。

智能供应链系统中拥有完整的跨企业智能预测和供应链资源计划工作流程，在物联 环境下协作的各方能及时准确地传送需求信息。于是预测可以从供应链的任何一个环节发起，从而促发所有环节的实时响应，即供应商可以给客户发出一个基本预测以便客户在此基础上作回应，也可以是客户先提供一个对基本面的预测然后让供应商作出评估。除了预测信息，关于销售速度、消费者现场体验满意度、库存水平和补货需求等方面的信息同样可以通过大数据的方式在企业和客户间沟通传递。由此也减少了供应链中不同环节采用囤积库存以弥补信息不灵通造成的影响，大大降低了效率损失和运营风险。

即使在智能供应链环境下，各个环节难免受到各类变数的影响而产生动态调整，而影响需求预测和计划的正常进行，需求分析既要最大程度的减少预测错误同时又要充分考虑需求的变数，一般需要设置应急模式和自我修正、调整的缓冲模式。依据产品形态、工艺路径、客户需求、交付和结算模式的不同，反应缓冲保护区的设置也就不同。正因为如此，表现出来的生产和物流计划也会相应的有所区别。

由于智能供应链大大降低了产品研发周期，互联的智能制造工厂也是实时生产，在智能物流的配送下，消费者获得产品和服务的时间，能够比传统供应链缩短30%～50%，大大提高了供应链的响应能力和消费者满意度。由于订单到交付时间的缩短，反过来提高了预测的准确性和计划的有效性。

3.智能化采购与供应商协同到货

在传统的运营中，各个部门并不是在高度认同的供应链战略和价值导向下运作，同时，鉴于采购业务是整个供应链体系中最晚得到供应信息，却是最早需要提供物料，以保障和支持安定生产，于是由于各类运营过程中差异和风险的存在，容易导致无效供应（还需要面临库存降低压力），从而事实上难以保证生产的正常运作。由于没有实现数字化协同，所以各类变数无法在同一时间传递给所有环节，导致供应链敏感度下降，最终各个环节只能依靠经验（即所谓“拍脑袋”）来做安全库存，以应对变数，随着管理变数的层级增加和时间延长，累积误差自然随之加大，到最终形成了“库存冰山”，反而掩盖了所有的问题。在这种情况下，各个环节KPI指标无法在同一个逻辑上兑现和协同，于是容易产生职责推脱和部门壁垒，供应链一体化自然也就无法实现。

智能化采购中，要求所有的流程必须拉通，其运作战略是基于高度认同的一个供应链战略协同下开展，各个部门和环节的KPI指标也是基于供应链战略绩效的协同和分解而来，于是所有的参数和指标都在同一个逻辑下展开，形成数字化的作业单元，由于有了智能供应链协同中心，得以将所有环节的计划-执行-信息-物流等串联起来，形成端到端的纵向管理体系，同时，由于每个订单、每个物料（产品）都有自己的资源要求，容易导致资源再分配计划，所以，供应链运作部门还需要将不同运作逻辑的物料和订单横向协同起来，最终形成互联互通的供应链体系。

这就要求采购方在选择供应商伊始，就要求供应商能够与采购方实现软件互联互通，运营时更是要求实时可视、预警和协同。比如采购方（智能工厂）的计划和预测需要直接传递给供应商的主生产计划系统，供应商的发运计划必须与采购方的作业计划系统对接，先期发运通知（ASN）需要由软件系统完成，而没有人工的参与；并且要求全过程必须条码化（或者采用RFID技术），对交接货物时的标签和信息都有严格和统一的规定。

从运作逻辑而言，就是通过信息平台，承载所有的模块联动，以供应链交付计划为驱动力，联动成品物流计划，形成主生产计划、细化为作业计划，从而拉动供应物流计划、物流配套计划以及产线工位配送计划。在不同的环节和模块协同过程中，总是会出现各类执行误差和数据差异，那么智能化系统需要自我反馈、逐渐主动减少运作误差，从而形成计划-信息-执行的一致性，如图1。

从表现形式上而言，形成了“计划—采购—物流—信息”一体化；其任务的本质不再是保证供应，而是有效供应。

比如，假设某产品有A、B、C、D、E、F六个零部件，其采购到货周期分别为A5天、B10天、C15天、D20天、E25天、F30天，生产计划本月1号提示，本月30号需要生产某个产品，传统的采购“保证供应”，直接在1号之后就下了订单，供应商也“按照要求”准时交付，能够在约定的交付周期内到货，于是效果如图2。

图2中阴影区域就是库存，而这个部分通常就直接进了采购方的仓库。此时，采购完全达成了其业务的KPI指标，能够保证生产，而库存压力居高不下，管理成本随之上升。但是，由于利益诉求的不同，买卖双方往往不愿意承担库存成本的压力，加上盘点和信息管理的时间—数量差异，形成了累积误差，于是成了供应链上巨大的瓶颈。

在智能化采购中，通常采用计划倒排模式，形成精益化、数字化采购，以保证采购-到货的有效性。如图3所示。

图3中所示为主生产计划在1号发出提示，而在30号正式生产，根据各自不同的交付周期，进行倒排，强调实物齐套，以有效保证生产的安定化。图中阴影部分为相对于传统采购带来的收益。此时不是以采购业务KPI指标为唯一依据，而是协同作业计划、到货计划、实物齐套情况以及可能发生的过程差异（比如考虑质量有效性）进行实时监控和响应，形成“计划—信息—采购—物流—生产”的一体化。

在实际采购业务中，先期的主生产计划发布之后，企业供应链计划协同平台根据各个环节的运营参数进行细分，排布详细的作业计划（包含制造作业计划、配套作业计划和物流作业计划），然后进行人工或者自动化作业，过程中追踪差异和变数。如图4是某典型企业数字化采购详细作业计划。

图4中所示为某物料执行数字化采购以支持精益生产的作业计划倒排表，从上往下为计划的倒排逻辑，从下往上为实际采购及入厂物流运作过程（蓝色区域为采购业务与入厂作业计划）。

在通常的运作中，各个环节通过扫描条码或者RFID感应进行过程数据的收集，以实时形成计划达成率（采购计划达成率、供应方到货计划达成率、入厂物流计划达成率等），如果该过程中出现运营规则和计划要求的标准之外的偏差和变数，系统将自动抓取该数据，进行实时分析和应急。

但是，在智能供应链中，上述逻辑通常不出现在操作界面中，实际的运作界面大多数情况下是某个具体的指令或者需求信息，如图5是某典型企业数字化采购的简单界面（人们称之为“一张纸”one page模式）。

图5所示为某汽车行业采购-供应商协同运作表单，运营流程如下：

（1）采购方供应商管理平台系统（SRM）根据已有的供应商管理数据，自动寻源、锁定供应商，同时根据先期对供应商的ABC分类评估，自动分配订单和交付计划给供应商；

（2）供应商在交付前的某个窗口时间，通过授权登陆ASN（先期发运通知）界面，打印表单（携带条码或者RFID标签）出来，由于采购方和供应商之间实现了数据的互联互通，该计划制定过程中不允许人为的干扰，而且所有采购方对于同一家客户的表单（或者指令格式）都是标准的、符合行业或者国际要求的。供应商按照表单要求的时间和数量进行生产，等待物流公司提货，此时含有条码的单据卡（或者RFID嵌入）在智能化的包装单元（带有条码或者RFID标签的周转箱或者托盘），实现信息对应，直到配送到工位使用之后。

（3）参与milk-run（实现数据的互联互通）的第三方物流公司将会在相应的时间内打印类似的表单信息，其中的量产区分、计划代码具有相同的逻辑，会在指定的日期和时间内到达供应商发货区域（拥有条码或者RFID标签）；

（5）采购方卸货人员（条码或者RFID实时对应卸货设施和作业时间）根据卸货作业时间要求实时卸货；

（6）卸货后物料进入排序区域，这些区域也有各自的货位代码（条码或者RFID），形成货位-物料的实时捆绑和对应；

（7）根据总装工位（条码或者RFID实时对应操作人员、机器人、作业设施和作业时间）的数字化拉动需要，通过智能物流（条码或者RFID实时拉动）配送到工位使用；

（8）智能化的包装单元（带有条码或者RFID标签的周转箱或者托盘）中物料使用完后该表单被专门收集起来，通过条码阅读器读取上述关联数据，于是该被使用后的物料数据就被实时传输给了供应商，以及计划、采购、物流、制造和财务部门，供应商进入后续作业。

上述业务针对每个供应商、每个物料、每个订单实现，以保证横向+纵向管理的协同性和同步性。这些工作的顺利运作，解决了以下问题：

（1）智能化选供应商的问题；

（2）信息流端到端的一致性问题；

（3）实现了全价值链拉通的数字化；

（5）解决流程导向的纵向链接；

（6）解决单据（信息）流的一贯性；

（7）解决单个环节管理的时序性和唯一性；

（8）保证不同环节运作的横向逻辑关系；

（9）各个环节KPI实时化、自动化抓取，以保证考核的客观性。

显然，快速的、可靠的、整合的、实际的和标准化的信息流通是必要的，以减少有形实物和管理流程上的提前期，从而提高采购业务和入场物流的效率。

在智能供应链中，供应商需要根据客户要求和相关的工业标准，必须有发送和接收电子通讯的能力。传统的电子数据交换（EDI）或基于 络的EDI是可以接受的电子通讯方式，而E-mail和传真是不可接受的电子通讯方式（因为需要保证存档和一致性、和客观性）。

在实际的供应链运作中，通常需要对供应商进行交付能力的评审，规定所有供应商、分承包方和后勤提供者，必须实施电子通讯，包括发送和接收的能力。根据客户的要求，对目前沒有能力发送和接受电子格式的供应商、分承包方和后勤提供者，规定一个时间段，建立电子沟通的能力；要求供应商物料的装运通知信息整合进采购方的接收系统内，且沒有人为的介入。传输的频率和计划时段要适合供应链协同平台的综合管理要求，且满足采购零件和物料的提前期。

4.智能物流配合智能制造强力发展，成为生产的基础和前提

智能制造需要以智能物流作为前提和基础，越来越多的智能制造工厂，（在规划时）将智能制造设施嵌入到智能物流系统中，成为流水线化物流系统的一个不可缺少的环节和部分，从而实现有效运营过程中的无缝对接和联动，由此，通常也称之为“制造工厂智能物流中心化”。与此同时，企业智能化物流也日趋向供应链方向整合和提升（遵从遵守于智能供应链计划和资源协同），其涉及到的智能化要素也越来越专业化和精准化。智能物流系统包含采购环节智能物流、制造环节智能物流和成品环节智能物流，以及回收环节智能物流。

采购环节智能物流主要是供应商的成品如何送达至采购方（供应链核心企业），可能涉及上门收货、先期发运通知（ASN）、EDI互联互通、精益包装、精益配送、经过评审（并且可以互联互通）的第三方物流、到货计划协同、通过式检验、智能化收货、空容器回收、全过程物料足迹追溯等。

制造环节智能物流主要是厂区内部智能仓库、WMS/WCS、智能输送上工位（与智能制造设施对接）、条码/RFID数据识别、智能单元化包装（与机器人对接）、自动化装配技术、双箱制、空容器回收、成品包装下线以及制造过程数据化追溯等。

成品环节智能物流主要是成品进入智能化成品仓库、智能化装车算法、快速智能化装柜技术、智能化成品运输、发货计划协同、分仓流通、经销商智能仓库、全过程导航与追溯等。

回收环节智能物流主要是包装材料、容器具、不良品的智能循环、智能追溯的过程。

在传统的制造型工厂，物流流程一般包括物料包装、收货、检验、仓库、装配线、拣料和发货，大量采用领料、脉冲式送货方式，主要模式是人工、叉车、牵引车、液压托盘车等独立元素（物流作业计划缺乏或者不连接，信息是断档模式、变数不易控制、管理过程不闭环等），即使偶尔采用了自动化物流设备，也只是实现了局部的自动化，且生产主要面向批量生产，不具备柔性化、定制化和智能化的生产特点。在设计初期没有将智能物流纳入智能工厂规划范畴的企业，在运作时容易导致过程不均衡，能力不匹配，数据过程衰减、变化和错位，虽然购买了先进的智能制造设备，但是仍然无法在同一逻辑下联动和完成制造计划。

在个性化的智能制造工厂里，智能物流已成为核心元素。

智能制造需要面向客户定制的产品，属于小批量、多品种生产，物流模式需要采用节拍精准、移动灵活、数据互联互通、实时可视、实时监控的物料输送策略。如通过AGV（或者连续输送模式）从收货区（通过式检验或者免检）到自动化仓储中心（可能使用堆垛机模式、密集存储模式或者多向穿梭小车模式），再连续输送到工位（或者收货后直接输送到工位），设计出面向智能制造的物流输送技术。

智能工厂采用订单驱动式的生产模式，主要按照客户需求，每个产品订单有可能只有一台或两台，但产品种类会多至上万个。需要通过精益、柔性化的生产，模块化物流配套保证，以支持生产计划和物流作业计划的有效性，支持智能制造，同时保证产品零出错率。

智能物流包含智能方案、智能输送和数字仿真。从信息驱动到通讯，再到控制，再到智能物流设施动态管理，实时提供更加智能的系统控制解决方案。

在智能物流的初始阶段，绝大多数工厂愿意采用一台或者多台AGV代替叉车负责拉动式精益物流配送到工位，遵循的是高级排程中的配送时区和拉动计划倒排节点；此后AGV变得更加智能，起到了衔接各个组装、补装等前置工位，以及联动总装的作用；对于周转率高、流量大的物料和产品（比如家电、手机、服装、家居产品等，通常需要大规模定制）经常会有特殊的物流规律分析（plan for every party，PFEP），提出连续物流计划和智能化作业模式，采用连续输送（智能输送机、智能悬挂链等）到工位，形成多点对多点的智能配送模式，减少了过程中的在制品暂存、等待、包装、中转、交接、信息二次采集等断点，从而使得制造和物流浑然一体。对于离散型制造特点相对明显、产品体积相对庞大、生产节拍相对缓慢的制造（比如电机、发动机、坦克、飞机、轨道交通产品等），可以直接采用专用的智能流转设备（如大型AGV），此时工厂里见不到传统的组装流水线，取而代之的是一个个AGV移动工作台，沿着工艺路线自动行走，且能够携带产品在装配过程中的重要信息穿梭于工厂，这些信息在工人实际操作时可以有效避免人为出错。随着产品产量的增加，可以有越来越多的AGV环绕在装配线周围，协助物料的智能搬运，不再有传统流水线的刚性束缚，大大提升了生产的柔性。

智能工厂中的智能物流系统能够高效、准确、稳定地完成重复性工作，保证过程品质一致均衡。随着人与机器在产品装配过程中的交互更加紧密，不同的生产环节可通过操作人员（或者人工智能控制的机器人），按照定制产品的需要来使装配流程做出改变。更可以通过系统仿真，针对每个订单、每个物料、每个工位验证生产和物流的工艺流程，从虚拟连接现实世界，具体运作过程中可以是通过一个虚拟订单，看到工厂里的各种设备，通过仿真发现瓶颈并反馈信息，进行实时调节；当实际订单当运行时，协同不同的工厂模块，就可以反馈到监控/优化软件模块。

5.智能供应链保障生产能力和过程可视化，提高过程的偏差管理和自我协同和调整能力

智能供应链需要保证信息-物理系统（CPS）的一致性，从而减少执行过程中与计划或标准的偏差，保证企业级的“知行合一”。但是，在实际运作过程中，难免存在各类变数带来的过程偏差甚至瓶颈，偏差如果不能实现过程的可视化，瓶颈容易长期积累形成隐患，当其爆发时，往往导致供应链的“掉链子”，其后果轻则造成停产或者断供，重则可能为企业带来莫大的风险甚至灾难。

智能供应链在保证过程一致性的同时，需要建立过程偏差场景设定、识别和响应流程，更需要设定变数预警、瓶颈和风险识别、应急预案和应急物流管理模式。

常见偏差场景如：停电、设备故障导致的停产、配送过程中堵车、翻车、大批量不合格、火灾、台风、地震及其他灾害、由于环保问题带来的停产整顿、工人罢工、信息标签丢失、容器具损坏、检验不及时、模具损坏、总装不合格、货损等。针对上述可能产生的风险，需要有应急培训和实施演练，以避免实际情况的发生。

在智能制造中，这些供应链过程的可视化、偏差管理、实时应对问题显得越来越重要。否则，再好的智能制造工厂和设备都无法有效协同运行。

传统供应链管理过程中，可能有偏差数据的统计和可视化通知，通知的对象是操作团队或者监控团队，但是，往往不能保证偏差数据抓取、通知的实时性和真实性，从而难以保证应对的及时性和有效性，导致供应链系统的累积误差；比如，供应商端出现了诸如翻车、批量不合格、停电等因素导致的问题，主要是通过打电话、发传真（而不是系统）等方式告知管理人员；仓库端如果找不到物料，通过人工当面沟通或者对讲机通 ；制造端如果设施故障导致计划变更，通过开会或者对讲机沟通……都无法保证全过程的数字化和数据化，更无法给后续相关环节以足够的时间应对，容易导致无法交付、无法追溯、无法查询。

智能供应链偏差管理，是通过智能化的数据抓取方式，直接通过系统传递给关联系统或者智能设施，“看”偏差数据的可能不是人，而是整个供应链系统，实时的进行有效反馈和处理，形成自组织、自反馈、自调整的职能运作体系。以下案例能够说明偏差管理的逻辑和应急管理可视化的升级路径。

H企业位于某市近郊，交通便利、环境宜人，其有效使用面积近10万平方米，拥有五个仓库和三个零部件、总装分厂,分布于厂房的三个楼层。日最高产量达30000台，每天24小时连续运转，平均每分钟可生产20.83台；5条生产线同时生产，则每条线每分钟可生产4.16台。

按照该产品的品牌形象和市场上对该产品的需求以及该厂现有的各项资源，该企业的生产节拍期望值应可提到5台/分钟（即每天可生产3.6万台，潜在总资源占20%）。为了追溯制造潜力的约束瓶颈，随机抽取了任意两周的停线时间作为研究对象，发现供应链运行状况可以描述为：生产设施的高效率运转所带来的物料消耗与各类物料无法按照生产计划有效配送到工位达成安定生产之间的矛盾。由于供应链协同不均衡、信息不共享、数据逻辑与KPI指标考核不一致，从而造成生产上的瓶颈现象，降低了供应链整体系统的价值链传递效率，造成很大浪费。（未完待续）