ligent Manufacturing，IM）/数字化转型（Digital Transfmation，DX）作为制造业未来发展的重要方向，也是支持制造业从高速发展向高质量发展的重要推动手段。近年来，很多大小型制造企业纷纷加入到IM/DX的行列，开始大量投入资金，但部分项目实际效果却不如预期，其原因是缺乏系统化思考与有效的项目评估。

　　很多企业在推进相关IM/DX工作时多为效仿，缺少对企业自身存在问题原因分析，在总体规划、目标制定、方案评审、效果评估方面相对薄弱，缺少闭环管理；在项目推进中往往采取业务外包，外包的技术厂商难以在短时间内准确把握企业自身业务痛点与真实需求，导致在IM/DX推进中困难重重，效果难以保证；项目完工后，因之前缺少与目标的联动评审，致使效果难以真正体现在生产运营中，对成本、品质、效率贡献有限，甚至导致效率降低，以上都是近年来IM/DX中的常见问题。为此，本文通过梳理产业政策与行业态势，提出在检讨IM/DX项目时，需采取科学的策划与管理方法，文中提出建立以DST-PDCA为基础框架的分析模式，助力企业在IM/DX项目推进中做好立项评审、过程推进及效果评估，旨在为我国企业实施智能制造和数字化转型提供借鉴参考。

　　智能制造与数字化转型本质是把机器智能融合于制造的各种活动中，满足企业相应的目标要求。国家工业信息化部、财政部发布的《智能制造发展规划（2016—2020年）》中指出：“智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。”体现在智能制造的技术基础与应用的各个环节。智能制造的核心是数据驱动，需要有数据的支持，因此数字化是实现智能制造的前提。由此可知，IM/DX的内涵是利用物联网、大数据、人工智能等先进技术认识、控制和驾驭制造系统，达到降本增效、提升质量的目标。

　　广汽集团“十四五规划”的智能制造行动，提出通过电气化、智联化、数字化、共享化、国际化五大提升实现集团高质量发展。在汽车新四化进程中，应用智能制造，实现新一代信息通信技术与先进制造技术深度融合。工业制造存在大量的重复性场景，如设备点检、品质检查、零件手工安装等，在机器视觉机器学习等智能化技术助力下，可依靠智能化设备及系统辅助完成，大幅提升传统企业生产效率。

　　IM/DX是全球制造业变革的重要方向，给人类经济和社会可持续发展展示了美好前景，各国纷纷出台相关战略规划：2012年，美国发布“先进制造业国家战略计划”，大力推动以“工业互联网”和“新一代机器人”为特征的智能制造战略布局；2013年，德国实施“工业4.0”战略，巩固其制造业领先地位；作为全球工业机器人装机数量最多的国家，日本政府于2015年1月发布《机器人新战略》。2015年，我国出台制造强国中长期发展战略规划《中国制造2025》，全面部署并推进制造强国战略实施，坚持创新驱动，智能转型，强化基础，绿色发展，加快我国从制造大国向制造强国转变。

　　前瞻产业研究院在2019年颁布《中国智能制造发展现状及趋势分析报告》里提到：目前，中国仍处于“工业2.0”（电气化）的后期阶段，产业结构不佳、资源转化率低、质量基础较为落后、行业信息化水平薄弱、劳动力成本持续提升。“工业3.0”（信息化）进一步提升空间较大，“工业4.0”（智能化）以试点形式开展为主，制造的自动化和信息化已逐步布局推广。

　　目前各行业中通过智能制造，创新了生产方式和销售方式，实现了效率的大幅提升，其中汽车行业尤其具有代表性，如广汽埃安、上汽大通等通过订单式生产供应方式，为客户提供个性化产品，提升对用户的吸引力。未来几年，还有一批新兴的智能汽车工厂落地投产，如东风日产武汉工厂、上汽大众安亭工厂、北汽新能源-麦格纳智能工厂等等。智能制造工厂的投入将大幅提升各汽车生产企业的生产效率，有助于将我国从制造大国推动成为制造强国。

　　IM/DX是手段，而不是目的，其核心价值是帮助企业提升生产与经营效率，降低成本并构筑长期竞争优势，行业现状普遍存在以下问题。

　　1）战略不清晰导致IM/DX方向迷失。部分企业没能准确识别自身问题点与未来竞争的着眼点。企业存在孤岛式盲目部署数字化的普遍情况，尚未能从数字化投入中洞察到核心价值，中投顾问发文指出52%的企业在IM/DX贡献度小于10%。

　　2）局部试点现象明显，全面系统化思考与布局不足。企业原有的系统老旧，管理流程复杂且基本定型，IM/DX基础不牢固，在原有基础上修补往往出现兼容性差的问题，很多制造企业缺少数字化人才，多为已有业务人员转型或兼职对应，总体来讲，缺少将精益管理与智能制造匹配的管理基础。

　　3）缺少对IM/DX科学有效的评估与推进方法，没有长期思维做指导。只有全面部署、系统深入才能最大化体现数字价值。如果急于见到成效，用传统的绩效指标衡量转型效果，没有根据企业实际去建立策划、推进与评估体系，IM/DX效果难以显著体现，价值常常受到管理层的质疑，对投资持续减少，造成恶性循环，长此以往实现工业4.0也就成为空谈。

　　DST-PDCA框架主要用于中长期规划和年度事业计划，也可用来解决某些重要课题，IM/DX是典型长期布局及实施的课题，该框架适用于IM/DX总体规划与统筹思考。

　　DST是英文单词Draw、See、Think的缩写。Draw是先要描绘一个理想的目标。See是要将现状与理想目标对比，提取出问题。Think是在对提取问题的思考，深入挖掘问题存在的原因，确定对策方向。对IM/DX项目而言，是一项持续性工作，需要基于长期主义思考，通过系统性思考与方法，建立系统性的规划与管理框架，做到有的放矢，既要解决企业短期面临的急迫问题，更要与企业未来发展相匹配，将业务战略与业务规划相结合。因此DST框架方法适用于对IM/DX项目的规划制定。

　　PDCA是计划（Plan）、实施（Do）、检查（Check）、处理（Act）的首字母组合。PDCA循环是推进目标达成的有效手段，需要经过制定计划、执行计划、检查计划、对计划进行调整并不断改善这样4个阶段。 对IM/DX项目而言，涉及人、机、料、法、环各因素，需要持续夯实与提升企业基础条件（如工业工程、精益管理），实施中除面临具体的技术问题外，还会涉及对现有流程与机构的调整等复杂问题，是一个需要持续推进问题解决的过程，PDCA框架非常适用于在问题明确后将其关闭的全过程管理。通过相互作用，逐步形成牢固的推进体系，以实现质量提升、成本降低、效率提高为子目标，以实现企业利润改善为主目标，图1给出了企业推进智能制造与数字化转型的体系架构。

　　本节以G公司发动机机加工车间IM/DX实例说明DST-PDCA框架的应用模式。

　　G公司发动机机加工生产线主要对发动机缸体和缸盖进行加工与组装，设备数量多达200余台，涵盖及加工专机、差压式试漏机、气电转换测量机、多工位清洗机、压装机、拧紧机等，工艺复杂且品质要求为微米级，是典型的离散型高精密的加工车间，具备深度实践智能制造与数字化转型实践的基础。

　　1）建立了机加工车间IM/DX规划与目标。根据国家标准发布的《智能制造能力成熟度模型》，从人员、技术、资源、制造4个能力要素评估成熟度等级，成熟度等级分为一级（规划级）、二级（规范级）、三级（集成级）、四级（优化级）和五级（引领级），机加工车间现有智能制造水平基本处于二级（规范级）：虽然大量运用了自动化和信息化技术进行生产，但数据及业务未实现跨领域共享，未充分利用数据实现核心业务的精准预测和优化。首先，通过DST方式建立了“打造QCD领先的数字化标杆车间”三年规划，确立了以四级水平为规划管理总目标。

　　2）根据业务架构建立了系统大数据平台，并通过大数据平台实现数据关联，打破数据孤岛，并搭建总体系统架构：基于总体架构，通过头脑风暴、专项研讨等方式企划制定并评审通过推进的技术路线图，其中充分结合当前系统与流程的问题点，面向目标明确各项工作的要件，实现生产模式、管理模式、生产技术、信息技术、人才培养、设备革新充分融合，再通过数字赋能实现数字化与业务变革的双驱动，形成技术路线图指导团队开展工作。

　　缸体AI项目是机加工车间IM/DX规划中的一个具体项目，在技术路线规划指引下，运用PDCA框架推进完成的一个典型案例。

　　缸体为发动机核心部件，缸体表面复杂且对密封要求高，在不同的密封部位可容许的缺陷大小基准有不同的要求，一旦缺陷大小超出允许基准将会产生漏气、漏冷却液、漏油等市场不良。

　　1）问题与原因分析。缸体是通过铝液高压铸造+机加工铣、钻、铰等工艺而成，不可避免地会产生表面缺陷，行业内缸体表面缺陷率达到40%～50%。根据缺陷类型、缺陷大小、所在区域以及失效影响，制订《外观缺陷判定基准》，作为检查标准区分合格品和待返修品，常见缺陷多达14种，主要有气孔、缺肉、冷隔、裂纹、伤痕、刀纹、毛刺等，行业内主要采用人工目视检查。由于人员存在疲劳等客观影响，人工目视检查的检出能力较低，存在缺陷流入市场风险，影响品牌口碑；此外，由于检查时间受限，目视检查难以在60 s的节拍内对所有缺陷大小及缺陷所在的区域做出精确判断，存在较高误判率，约20%；而且检查人员长期对视光源，容易造成视力疲劳和损伤等。

　　2）对策制定。行业首创AI深度学习视觉检测，解决缸体缸盖外观缺陷检查效率低的行业难题，缺陷传统视觉检测技术主要采用相机拍照，然后将检测图像与事先生成的标准图像进行比对，找出差异，一般应用于缺陷类型比较单一、有无缺陷检测等场景。如果应用于缸体外观缺陷检测，将产生大量的误判，无法满足缸体外观复杂的缺陷检测要求。机加工车间经过技术评估研讨后，开创性地采用AI深度学习视觉检测进行缸体外观缺陷检查，通过对图片缺陷进行标注、深度学习、训练，建立最佳的检测模型并不断地自学优化、迭代，使得检测结果准确率不断提高，如同新员工，经过对缺陷和外观基准不断地学习和训练，逐步提高对复杂缺陷形貌、缺陷类型、缺陷大小、缺陷所在位置等检查的准确度和缺陷外观判定基准的熟练度。

　　基于计划与目标，以PDCA模式推进问题解决，通过创建“正向+方向”检测模型解决无法识别“未学习过”缺陷的难题，通过研发多角度蓝光技术特显缺陷特征解决特征区分不明显导致漏判误判难题，通过设计兼容性及柔性强的检测模型和算法实现不同机种共享共用，大幅缩短新机种导入的模型学习迭代周期。期间定期组织召开线上、线下会议，坚持以问题→原因→对策制定→效果确认的PDCA框架开展工作，累计解决问题300余项，解决问题快速、有效。

　　3）效果确认。AI深度学习视觉检测是行业首创，无成熟方案可借鉴，需要自主摸索。另外，AI深度学习视觉检测是对缺陷图片进行学习，但初期可能遗漏不常见缺陷，进而出现漏判，这也是行业的一大痛点，实施时要考虑这些特殊场景。经过约6个月持续的优化、迭代，达到漏判率为0%、误判率≤1%的行业标杆水平。

　　机加工车间规划与实施的IM/DX项目，通过采用领先的数字化技术，在人机交互、智慧集约上有着非常鲜明的独创性，实现了多机种高品质量产，取得了良好的经济效益和社会效益。

　　在品质领域，建立工艺参数与质量之间的数字模型，发动机质量处于国内领先水平，开发基于AI的产品缺陷视觉识别，提升工序品质保证能力，助力所在企业于2021年J.D.Power IQS（新车质量）、SSI（销售满意度）、CSI（顾客满意度）均获得第一名，处于中国汽车行业领先地位。

　　在产能领域，通过导入基于5G的工业互联网，革新传统工业通信架构，运用基于预防性维护的数字化技术，设备开动率显著提升，整体在原有1050 辆/d产能提升至接近1080 辆/d产能。

　　在成本领域，通过账票无纸化、大数据等平台，实现传统目视化管理的飞跃，多种业务流程通过大数据平台自动关联及计算，人员业务效率约提升30%，项目投入1年以来，项目整体已产生经济效益100余万元。

　　智能制造与数字化转型是一个综合性、系统性工程，需要将所涉及的人、设备、材料、流程、环境等要素联系起来，因此需要以更加宏观的视角去规划，并明确总体与分阶段计划。在项目实施中难免遇到各种流程、观念、技术问题与挑战，需要构建相适应的应对体制与方法。此外，通过持续加强对复合型人才培养，构建既懂技术又懂业务的复合型团队，也是智能制造与数字化转型成功的重要因素，并运用科学的方法指导工作开展。

　　本文案例中成功运用DST-PDCA的框架推进数字化转型工作，证明可以取得良好的效果。随着造车新势力的崛起和汽车智能化水平的提升，汽车行业正面临着史无前例的转变，借助智能制造技术，持续推动企业提质增效，并最终实现产品竞争力提升，将会更加有助于企业健康持续地发展。

　　文章出处：【微信号：mfg2025，微信公众号：智能制造】欢迎添加关注！文章转载请注明出处。

　　，这不仅仅是当前复杂市场格局的需要，也是未来企业长期发展、基业长青的基础。   而思考

　　的重要支撑 /

　　的呢？ /

　　是现代企业发展的关键环节，它不仅仅是技术的升级，更是企业文化、运营模式和市场战略的全面革新。一个成功的

　　架构的设计 /

　　工信部：2023年具有影响力工业互联网平台超340家，人工智能企业数量超4400家

　　基于 S32M276 集成解决方案 专为汽车和 PMSM 电机控制应用而设计

　　摩尔斯微电子推出社区论坛与开源GitHub资源库，新资源的上线将加速全球工程师与开发者的Wi-Fi开发进程

　　STC32G8K64 单片机 的P00（ADC8）脚短路到GND 会死机，怎么解决？