數字化 || 智能制造走(zǒu)向深(shēn)水區
經過幾十年發展(zhǎn)，我(wǒ)國逐步建立起了門類齊全、獨立完整的工業制造體系，制造業增加值連續12年居(jū)于世界首位。中國制造業企(qǐ)業在各個細分領(lǐng)域的(de)市場份額(é)不斷攀(pān)升，例如在锂電池(chí)行業(yè)，2021年全(quán)球動(dòng)力電池裝機量TOP10企業中中國企業(yè)就占據(jù)6席，市(shì)場份(fèn)額達到48.6%。中國制造的龐大産能規模優勢也體現在出口方面，2021年我國出口21.73萬(wàn)億元，同比增長21.2%。家電、手機、計算機、集成電路等8類機電産品出口均超千億美元。但是，出口貿易總量或貿(mào)易順差額并(bìng)不能真(zhēn)實反映中國(guó)制造業的競争力。從全(quán)球價值鍊上來看，中國制造業核心競(jìng)争力仍然不強(qiáng)。具體從貿易增加值和國民收入視(shì)角來看，生産出口賺得的一部(bù)分收益其實是要被劃(huà)分為外國國民收入[1,2]。在全球價值鍊中，中國制造(zào)業主要還是在(zài)賺取加工費，一(yī)部分中國(guó)企業仍然依賴于(yú)外國資本要素和(hé)技術要素，歐美國家則掌握着通過專利技術等要(yào)素來獲取收益的方(fāng)式。
目前我國制造業面臨“雙向擠壓(yā)”的局面沒有發生根本性扭轉。一方(fāng)面在中低端領域面臨其他發展中(zhōng)國家的競争，我國已經不能延續21世紀初期依靠人口紅利(lì)的發展模式，即繼續依(yī)靠人工(gōng)大規模生産低附(fù)加值(zhí)工業品。另一方(fāng)面，在中高端領(lǐng)域，我國制造業企業自動化、智(zhì)能化程度相較于發達國家還較低，還沒(méi)有完(wán)全掌握重點行業的關鍵核心技術，在研發設(shè)計(jì)和國際标準制定(dìng)等方面還沒有足夠(gòu)的主導權。正是在這種情形下，我國政府(fǔ)提出要實(shí)現智能制造，在“十三五”、“十四五(wǔ)”期間(jiān)連續編制智能制造發展規劃，促進(jìn)制造業企業實現(xiàn)數(shù)字化、網絡(luò)化、智能化轉型，向制(zhì)造強國邁進。本文将(jiāng)結合筆者觀察到的一些産業前沿(yán)進展來重點闡述如下(xià)幾個方面：談及智能制造(zào)，首先就(jiù)需要從企業需求角度出發。制造業企業最關心的是質量能不能更好？成本能不能再低一(yī)些？怎麼讓交付更快？說到底是制造業本身對規模效應的(de)追求，特别是(shì)在當今市場需求愈(yù)發多樣化、個性化，企(qǐ)業需要具備(bèi)更強的柔性制造能力(lì)和産(chǎn)品設計創新能力。智(zhì)能制造正(zhèng)是要回應企業對規模效應和柔性(xìng)化制造這兩方面(miàn)的訴求。智能制造(zào)是要貫穿企業(yè)研發設計、生産制造到服務的全過程，核心落腳點是在制造環節(jiē)，特别是在工藝和裝(zhuāng)備兩方面上。我們的分(fèn)析也将從裝備工(gōng)藝開始(shǐ)逐步延伸至設計仿真、服務環節。中國制造要(yào)向中高端領域邁進，生産出更高性(xìng)能、更高精度(dù)的高質量産品，勢必将對工藝和裝備以及企(qǐ)業正向設計能力提出更高的要求。實現智(zhì)能制造，企業需要使用智能化的(de)裝備，在(zài)生産過程中形成更優的(de)生産工藝，做出全局最優(yōu)的生産(chǎn)和研發決策(cè)。而(ér)不是僅僅(jǐn)停留在看一個顯示生産過程數據的大(dà)屏系統，又或者是單純的可視化渲(xuàn)染界(jiè)面，新技術的應用還是要(yào)深入生産過程中去，避免“高大全的花架子”。從控制論的角度來看(kàn)，實現智能制造應理(lǐ)解(jiě)為是要打造一個閉環控制系統，控制目标(biāo)即為實現最佳生産工藝流程，達(dá)到最佳生産狀(zhuàng)态。控制(zhì)系統運行的關鍵在于可以實(shí)現良好的負反饋調節，以及實現從決策端到執行端的打通。閉環控制(zhì)系統的覆蓋範圍可以是一台機器(qì)或者一條生産(chǎn)線，也可以是一個車間、一個工廠甚至是一條産業鍊。同(tóng)時，這個系統具(jù)有自适應性。由(yóu)此可見，智能制造包含感知、決策和執行三個要素，通(tōng)過工業物聯網、邊緣計算等技術收集系統内産品、設備、車(chē)間和企業的(de)運行狀态，這些數據經過處理後會彙總(zǒng)到工業數據平台上。最(zuì)為核心的是決策中樞，過去企業的生産決策都是以依靠人(rén)的經驗判斷為主，智能(néng)制造系統中決(jué)策将逐漸以數(shù)據驅動+工業機理融合模(mó)型的判斷(duàn)為主，決策(cè)中樞将具有自适應性。執行系統也是必不可少的，現在也有(yǒu)企業将RPA技術應用到一些固定的機台聯動操作流程上，減少人工(gōng)操(cāo)作，進一步提高生産的自動化程(chéng)度。新一代信息技術與制造(zào)業深度融合，引(yǐn)發出一個重要變化(huà)：數據作為(wéi)一種新型生産要素逐漸得到(dào)産業(yè)界的重視。可以(yǐ)看出(chū)，智能制造的底(dǐ)層基礎是數字化，即數據需要在系(xì)統内得到精準的采集、傳(chuán)輸(shū)、存(cún)儲和分析。智能制造(zào)的核心數據來自裝備和工藝過程，在此基礎上包含裝備與生産管理(lǐ)軟件(jiàn)間的交互，以及(jí)軟件間的交互。整個系統(tǒng)要對數據實現整合分析和閉環控制，就(jiù)需要(yào)面向工業物聯網場景的數據接入(rù)和(hé)轉換協(xié)議方案、消息中間件、時序數據庫或實時數(shù)據庫、邊緣AI推理框架或工具乃至一整(zhěng)套的雲邊(biān)端AutoML平台。以數據存(cún)儲環(huán)節的數據庫為(wéi)例，由于工業物聯網場景下的(de)工業數據規模巨大，例如GoldWind每個風機部(bù)署(shǔ)有120-510個傳感器，數(shù)據采集頻率最高會達到50HZ，2萬台風機(jī)每秒就會有5億個時序數據，這些海(hǎi)量數據的存儲和(hé)實時計(jì)算就會對數據庫提出更高要求[3]。在實際訪談(tán)和調研中發現，工業數據的收(shōu)集、協議的轉換确實是一個令人頭疼的問題(tí)，因為采集的物理量(liàng)會有很多，工業協議又有很(hěn)多種(zhǒng)，業界也(yě)有在(zài)探(tàn)索應用OPC UA over TSN等技術解(jiě)決這類問題。但更重要的問題是采集哪些數據更有用，以及(jí)數據收集後怎麼把數據用起來。這裡面還是要以工藝優(yōu)化(huà)、生産決策優化(huà)為導向，不能為了采(cǎi)集而采集，為了上數據平台而(ér)上數據平台。數字化、網(wǎng)絡化和智能化是(shì)相(xiàng)互支撐(chēng)的，不實現智能化變(biàn)革，數(shù)字化轉型也會(huì)失去方向(xiàng)和價值支(zhī)撐。僅以生産過(guò)程為例，生(shēng)産過程中(zhōng)自動(dòng)化設備産生的生産數據沉澱下來，網絡化就是指通(tōng)過網絡技術将數據傳(chuán)輸至數據平(píng)台或現場控制系統中，更重要的(de)是對數據進行分析處理，實時決策控制(zhì)裝備和工藝過程，實現智能化生産。實現智能制造應當(dāng)聚(jù)焦(jiāo)裝備和工藝智(zhì)能制造涉(shè)及裝備、生(shēng)産工藝、生産決策、産品全生命周(zhōu)期管理、研發設計等方面，這些方面始終圍繞的(de)核心(xīn)是質量。質量是制造業企業的生命線，而質量依賴于可(kě)靠的裝備和(hé)先(xiān)進的工藝。裝備承載(zǎi)工藝(yì)，工藝引導(dǎo)裝備，兩者不可分割并且會相(xiàng)互促進。因此智能(néng)制(zhì)造的重點首先是要(yào)深入工藝生産環節，落在裝備智能化和生産智能(néng)化上。裝備和生産工(gōng)藝智能化特别需(xū)要企業将新一代(dài)信息技術與先進制造技術融合，但(dàn)不是一味強調AI一類的新技術。認為有了(le)新技術可以解決一切問題或者彎道超車的觀點(diǎn)是有失偏頗的，實現裝備和工藝智能化需要立足制造規律(lǜ)和工業基礎。裝備方面，機(jī)床是最為重要的機械裝備(bèi)，主要分為切削加工和成形機床兩大類。其中(zhōng)切削加工機床的智能化主要在(zài)以下方面(miàn)：通過實時采集(jí)振動、主軸溫度、切削力具備感知力，進而可以(yǐ)針對外界環境(jìng)和(hé)機床及刀具本(běn)身狀态的變化進行(háng)自适應決策，即動(dòng)态實時優化控制進給深度、進(jìn)給速度和切削速度以及溫度誤差補償等，同(tóng)時(shí)防止刀具(jù)過度磨損。但是機(jī)床的加工工藝目前仍然需要工藝(yì)規劃人員人工設置，尚未實現自主規劃和自适應的優化，無法高效應(yīng)對多品種小批量(liàng)的柔性生産(chǎn)需(xū)求(qiú)[4]。再以金屬塑性(xìng)加工中的鍛壓裝備為例，目前鍛壓裝備正在數控技術基礎上向智能化邁進，通過分散多動力、伺服電動機直接驅動和集成一體化等技術途徑滿足智能化鍛壓設備生産過程高(gāo)效、柔性、高(gāo)精度(dù)的要求[5]。在新興的增材制(zhì)造領域，國外公司Markforged通過嵌入AI算法驅動的軟件(jiàn)并結合IoT傳感器提(tí)升裝備的智能化程度。其增(zēng)材制造裝備可以自适應地打(dǎ)印零部件，實時進行公差補償和路徑優化。而(ér)且(qiě)每一台3D打印(yìn)機的(de)打印流程數據都會沉澱(diàn)在雲端平台，于是整個增材(cái)制(zhì)造系統将通過這種聯合學習(xí)實現自我優化，用戶也将得到(dào)更精确的制造流程。對于(yú)增材制造這種成型同(tóng)時成性的制(zhì)造方式，軟件提供的智能化價(jià)值更(gèng)加重要。在(zài)工業機器人智能化方(fāng)面，自适應編程軌迹規(guī)劃的需求日益(yì)增長，學術界和(hé)業界都在進行探索。業界如摩(mó)馬智能自主研發認知智能算法訓練平台，将基于AI的自适應軌迹規劃算法下發到邊緣端，使得(dé)機器人可以根據不同産(chǎn)品的生産工藝及周圍環境的(de)變化，實時做出動作決策。如此，工業機械臂的部署時間可以縮短到十幾小時甚至是幾個小時。對企業來(lái)說，節省換線部署成本和人工調試成本是具有很(hěn)高價(jià)值的[6]。工藝方面，目前主要通過機理模型和數據驅動模型兩種建模方式來實現(xiàn)智能化。又因為實際(jì)工業場景中的諸多工藝過程大多具有非線性、時變性及複雜多尺度(dù)的特點，有的場景甚至無(wú)法建(jiàn)立完整的機理模型或者建立難度非常大(dà)，所以通常會将機(jī)理模型和以AI技術為(wéi)基(jī)礎的數據(jù)驅動模型融合起來，實現(xiàn)工(gōng)藝過程的自主學習叠代(dài)和智(zhì)能決策控制。流程行業中張夢軒等總結了将化工過程的第一性原理(lǐ)及過程(chéng)數據和AI算法相結合的混合建模方法。混合模型可以綜合(hé)機理模型和數據(jù)驅動模型各自的(de)優點，應用在化工(gōng)過程中的監測、優化、預測和軟測(cè)量方面[7]。離散行業中(zhōng)的塑性加工的鍛造成形過程(chéng)也是一個複雜的非線性時(shí)變過程，加上實際場景中還可能存在油液洩漏等衆多不确定(dìng)的(de)幹擾因素，所以精準鍛造過程控制難度很(hěn)高。單純依靠機理模型的控制策略存在偏差。将基于物理動力學的機理模型和具有(yǒu)在線(xiàn)樣本學習能力的數據驅(qū)動模型結合起來，可以在(zài)鍛造過程(chéng)中對鍛造工藝參(cān)數進行實時調整(zhěng)與補(bǔ)償，實現鍛造(zào)過程的智能化控制[8]。再(zài)比如工業(yè)中應用場(chǎng)景最為廣泛的工藝：焊接。還是動力電池組的(de)電阻點焊，大多依(yī)賴人工焊接[9]。正式焊接前通常需要進行大量嘗試各種焊(hàn)接參數組(zǔ)合，才能得到制造需求的最優(yōu)參數，這種“試錯法”耗(hào)時(shí)長(zhǎng)、材料消耗大(dà)。星雲(yún)電子的徐海威等研究發現利用貝葉斯極限梯度提(tí)升機(Bayes-XGBoost)與粒子群優化(PSO)算法結(jié)合預測最優參數，可以幫助(zhù)電阻點焊(hàn)工程師面對新的動力電池組生産需求(qiú)時(shí)快速選取合适工(gōng)藝參數，提升人工焊接生産效率(lǜ)，避免耗費大量材料[10]。其次，無論是(shì)人工焊接還是機器(qì)人焊(hàn)接，其焊接過程仍屬于開環控制。即使是高度自動(dòng)化焊接機器人産線，其焊接過程和質量都不是完(wán)全可控，單機的誤差累計和多機之(zhī)間的相互影響(xiǎng)都會影響焊接質量(liàng)，而焊接質量直接決定了産品(pǐn)安全性(xìng)能。比如一台汽車白車身的焊點數量在4000~7000個(gè)，為了保障焊點質量，國内外車企都會在自(zì)動化(huà)焊接後進行(háng)人工抽樣(yàng)檢測，再根據抽檢結果進行焊接工藝參數的離線調整(zhěng)。但這種事後抽檢無法做到100%質量保障，一(yī)旦出現問題就會(huì)批次召回，損失很(hěn)大。這就迫切需要(yào)針對工藝過程環(huán)節的在線控制(zhì)和實時質量評價技術[11]。對于人工焊接，工藝智能分析技術可以将IoT層面收集的實時信息和(hé)分析結果通過MES下(xià)發到現場，幫(bāng)助企業實現生産加工缺陷實時智能診斷。對于焊接機器人，可以采用基于焊工智能技術的方法提升焊(hàn)接機(jī)器人智能化水(shuǐ)平，思(sī)路是使機器人具備類(lèi)似人類焊工的學習(xí)動态焊接問題的能力，主要通過(guò)視覺、體覺和思維上在線(xiàn)感知實時焊接狀态(tài)，并具(jù)備類似焊(hàn)接工(gōng)人對焊接場景形成(chéng)記憶的學(xué)習能力。在焊接過程中，機器人主要基于熔池動态(tài)捕捉和識别算法實現對熔池的動态監測，并通過調整焊接速度和焊(hàn)接電流(liú)兩個工藝參數對熔池進行實時控制，最終得到受控的連續均勻(yún)焊縫[12]。該方法屬于一種基于質量在線評價的工藝實時閉環控制技術。應(yīng)用這類智能(néng)化(huà)焊接技術可以有效(xiào)解決焊接(jiē)機器人的自(zì)适應決策控制難題，不僅可以幫(bāng)助企業實現加工過(guò)程的精确控制，獲得最佳的材料組(zǔ)織性能與成型質量，還可以幫助企業節省(shěng)下來(lái)日常調試和換線部署機器人的時間成本和高昂的人工成本。上述參數尋優、質量在線評價及實時控制技術在(zài)業界也已經開始了相關(guān)産業實踐，比如蘊碩物聯和大熊星座，大熊星座更側重(zhòng)視覺技術上的焊縫識别。從以(yǐ)上(shàng)例子可以看出，就工藝智能化而言，其控制目标是生産條件達到最優，産(chǎn)成品良率得到提升，減少(shǎo)交付時的殘次品數量。我們會(huì)很自然地發現，相較于在質檢環節單點式地運用檢測技術(shù)，工藝智能(néng)可以從源頭上解決(jué)質量問題(tí)，因為前者隻是一種(zhǒng)事後檢驗評價。誠然，廠商需要對缺陷等産品殘次情況進行(háng)檢測，目前AI技術在工業中的應用也主要(yào)集中于視覺檢測，但廠商更需要形成對(duì)殘次原因追根溯(sù)源和精細化工藝參數(shù)反饋控制的能力。由此，單(dān)純的(de)機器(qì)視覺、設備(bèi)制造乃至工業軟件(jiàn)等公(gōng)司都可以從自身産(chǎn)品出(chū)發逐步擴展，實現更大(dà)範(fàn)圍内的智能優(yōu)化。這(zhè)方面舉一些(xiē)半導體行業中将工藝制程優化和視覺檢測結合的(de)案例，例如應用材(cái)料公司将機器學(xué)習算法融入ADC（自(zì)動缺陷分類）技術中，其Purity II ADC技(jì)術拓展了應用(yòng)材料SEMVision G7系統的機器學習能力。基于ML算法進行(háng)實時自動分類、缺陷檢測和根本原因分析(xī)，可(kě)以促進半導體制(zhì)造企業工藝和良率(lǜ)管理水平的提升[13]。國内的初創公司哥瑞利、昆山潤石科技等也在(zài)進行類似(sì)工作，将工藝制程(chéng)管理的(de)FDC（自動失效分類系統(tǒng)）和ADC系統結合起來(lái)，使用AI算法并融合IoT設備采集的過程數(shù)據，共同形成了一個可實(shí)現負反饋調節的制程優化控制系統，幫助企業快速定位缺陷産生原因、優(yōu)化工藝，進而(ér)可以縮短産(chǎn)線調試周期和提升良率。上述列舉了裝備和工藝智能化方面的典型案例，這些案例都是(shì)從制造業(yè)最關心的質量問(wèn)題出發，以實現生(shēng)産過程的實時自适應決策控制(zhì)為目标(biāo)。這些智能化技術将以軟件形态交付給設備使用企業甚至是設備制造商。持續(xù)沉澱(diàn)積累的工藝數(shù)據(jù)将不斷加強(qiáng)這(zhè)類工藝智能(néng)軟件的技術壁壘。對于裝備制造業企業(yè)來講，需要從單(dān)純提供硬件産品(pǐn)轉變(biàn)到同時交付軟件和硬件産品，提高客(kè)戶粘性(xìng)，加強自身技(jì)術(shù)壁壘。制造工藝和設計仿真
協同促進正向設計
上一節闡述了應用裝備和工(gōng)藝的智能化技(jì)術實現精(jīng)準過程控制，進而保證(zhèng)産品質(zhì)量和(hé)良率。但是産品(pǐn)良率提升并不是從(cóng)生産環節的設(shè)備控制和工藝優(yōu)化開始的，而是在設計仿真環節就可以開始介入，特别是在正向設計開(kāi)發新産品新工藝(yì)的(de)階段。例如在锂電池制造過程(chéng)中，塗布、幹燥(zào)、輥壓、pack這些工(gōng)藝中的參數變化以及工藝間的相互作用會怎樣影響(xiǎng)最終電池性能（能量(liàng)密度和循環次數）。現在業界主要還是使用“試(shì)錯法”來對工藝進行驗證，但是效率較低、耗費成本較高。這就需要利用設(shè)計仿真軟件平台進行虛拟測試驗證，節省下真(zhēn)實世界中(zhōng)物理測試的成本。Alejandro A. Franco主導建設了(le)一個名為“ARTISTIC”的項目，該(gāi)項目受到(dào)歐盟地平線2020科研計劃的資助。該項目(mù)團隊建立(lì)了一個模拟锂離子電池(chí)制造過程并預測(cè)其電化學性能的計算平台。該技術平台(tái)通過離散元法和粗粒化分子動力學（coarse grained molecular dynamics）模型基于工藝參數預測電極介觀結構，再基于(yú)連續介質模型利用介觀結構數據(jù)預測電池宏觀上的(de)電化學性能表現。可(kě)以看出該項目在(zài)嘗試建立(lì)一個材料-工藝-（極片）結(jié)構-性能的多尺度仿真平台[14]。圖片來源：ARTISTIC項目官網
此外(wài)，該項目(mù)綜合利用DoE試驗設計（Design of Experiement）、物理模型和機器學習算法的混(hùn)合建模方法，來預測材料、電極制造和電池性能之間(jiān)的最(zuì)佳組合。即将DoE試驗和物理模型(xíng)得到的結果，經過一(yī)個數(shù)據驅動的随機電極(jí)介觀結構(gòu)生成器擴大樣本，再将這些樣本用于訓練機器學習算法，以求得(dé)到制造工藝參(cān)數與電極性能之間的關系[15]。這意(yì)味(wèi)着該平台甚至可以(yǐ)用(yòng)來(lái)基于目标需求(qiú)進行反向規劃，例如給定一個電池(chí)目标性能和材料，确定合适的制造(zào)工藝參數，比如幹燥環節中的溫度(dù)控制[16]。锂電池設計仿真與制造工(gōng)藝協同方面，國内業界在探索類(lèi)似實(shí)踐的有易來科得和海仿(páng)科技等。其(qí)實不隻是電池行(háng)業，許多(duō)行業的正(zhèng)向設計環節也需(xū)要通過制造工藝-設計(jì)仿真協同來(lái)提(tí)升研發效(xiào)率，以更快速度、更低成本實現技術創新(xīn)和産品創新。在半導體行業，随着芯片技術節點進一步變小、設計和工藝複雜性進一步提高，開發(fā)新技術(shù)節點(diǎn)工(gōng)藝的成本激(jī)增、周期拉長。晶圓廠為加快工(gōng)藝節點的開發速度，需要與半導體設計企業更緊密地(dì)協同開發叠代，集成電路(lù)設計企業(yè)也需要更早地(dì)介入到工藝開發階段中，使得器件設計和工藝開發能夠進行針對性的優(yōu)化從而滿足自(zì)身定制化需求。于是設計-工藝協同優化（DTCO）的理念方法就(jiù)在14nm技(jì)術節點以後逐(zhú)漸發展起來，其(qí)主要作用就是(shì)在合理優化和利用新工藝技術節點工藝能力的基礎上，同時優化系統PPAC（ 性(xìng) 能 performance, 功 耗power, 密度 area，成本cost）[17]。DTCO對于新工藝開發及(jí)良率優(yōu)化非常重(zhòng)要。從DTCO的角度看，良率優化貫穿設計(jì)到制(zhì)造的全過(guò)程，需要多環(huán)節協同叠代。例如在版圖設計環節(jiē)上，如何有效識别壞點圖形，并且據此優化對基于同一工藝的其他芯(xīn)片設計方案，可以提升後續設計(jì)和制造的良率。除了設計和(hé)制造環節(jiē)之間的協同外，材(cái)料因素也非常重要。應用材(cái)料公司在DTCO的基礎(chǔ)上提出(chū)要實現materials to device simulation，原因在于(yú)器件尺寸不斷縮小、更多複雜3D幾何形狀被采用以及新材料的引入，半(bàn)導體(tǐ)器件仿真變得越來越複雜。這(zhè)就需要采(cǎi)用新的多物理場多尺度仿真工具，将器件性能與材料特性聯系起來，系統研究(jiū)材料、幾何形狀以及工藝的變化将如何影響器件的電學性能，以此優化器件(jiàn)設(shè)計[18]。圖片來源：應(yīng)用材(cái)料公司(sī)官網materials to device simulation和DTCO在應用材料手中開始呈現融合的趨勢，應用材(cái)料公司在2021年發表的一篇論文中提出了Materials to Systems Co-Optimization，希望(wàng)實現從材料(liào)到系統的多尺度(dù)協同優化[19]。可以發現這個思路就和上述我們提到的锂電池“ARTISTIC”項目的非(fēi)常類似，都是希望(wàng)将設計仿(páng)真從微觀尺度(dù)的材料一路(lù)擴展(zhǎn)到宏觀(guān)尺度的終端産品，并(bìng)以此确定最佳工藝路線和參數（覆蓋前道、中道及後道中多個工藝環(huán)節）。對于我(wǒ)國半導體企業來說，DTCO預計可能成為優化成熟技術節點下的産品競争力、降低先進工藝開發(fā)成本并縮短工藝開發周期的優選方案，可以(yǐ)幫助中國Fab/IDM加快先進工藝開(kāi)發，縮短TTM（time to market）, 提升相同技術節點下芯片(piàn)制造良率和可靠性，從而(ér)提升核心(xīn)競争(zhēng)力。DTCO也(yě)将幫助EDA企業沿着産業鍊拓展用戶(hù)群，類似的邏輯在剛(gāng)才提(tí)到的锂電池行業也存在。從锂電池和半導體(tǐ)這兩個行業的前沿案例可以看(kàn)出，制造工藝與産品設計仿真的協同趨勢(shì)日益凸顯，而制造業的核心競争力最終會歸結到如何更加快速(sù)地找到匹配材料的最佳制造(zào)方法，以及材料方面的(de)開發。因此，我國工業設(shè)計仿真軟件需要在(zài)實現自主可控(kòng)的基礎(chǔ)上，進一步實現制造工藝-設計仿(páng)真協同優化。在協同優化中，設計仿真也可以應用于裝備優化，以此實現更佳的工(gōng)藝(yì)效果。例如北方(fāng)華創在PVD設備研發方面掌握使用了(le)自主研發的腔室設(shè)計與仿真模拟技術，其矽(xī)外延設備(bèi)在感應加(jiā)熱高溫控(kòng)制技術、氣流場、溫度場模拟仿真技術等方面取得突破，可實現更優異的外(wài)延工藝(yì)效(xiào)果。再比如锂電設備頭部企業先導智能(néng)組建了40人的博士仿真設計團隊集中攻(gōng)關疊片工藝中的粉塵問題。為什麼要解決粉(fěn)塵問題？因為疊(dié)片時産生的細微粉塵堆積在電池(chí)芯的表面(miàn)會影(yǐng)響電池芯質量以及組裝後的電池性能。該團隊通過多(duō)物理場仿真模拟對(duì)疊片機進行優化設計，保(bǎo)證裝備達到車(chē)規級電池(chí)制造要求，實現更好品控[20]。綜合上述兩節内容，我們(men)的視角從裝備工藝環(huán)節拓展到了設(shè)計仿真(zhēn)環節，可以看出裝備、工藝、材料和産品之間是(shì)緊密聯系的。裝備工藝的嵌入式軟件使裝備可以應對不斷(duàn)變化(huà)的材(cái)料工藝，在柔性生(shēng)産(chǎn)情況下形成最優參(cān)數組合，獲得(dé)高質量産品。研發設計平(píng)台也需要協同制造工藝仿真來優化新産品的開發，降低正向(xiàng)設計耗費成本，提升研發效率和産品良率。網絡化支撐企業設計仿真
生産(chǎn)制造及服務全流程協同
上一節談到設計仿真，當前企業對(duì)于實現高(gāo)效協同設計仿真的需求(qiú)越來(lái)越迫切。協同設計仿真需要統(tǒng)一的數據接口(kǒu)以及應用雲計(jì)算、HPC等技術。以汽車行(háng)業(yè)舉例(lì)，産品設計的(de)數據可能會在車企内部的不同部(bù)門間流轉，也可能會和(hé)外部供應商(shāng)進行數據交互，但是不同部門使用的軟(ruǎn)件平台不(bú)同(tóng)導(dǎo)緻數據交互阻(zǔ)礙很大，具體比如電氣控制、機械、材料、工藝和智能駕駛等各方面的建(jiàn)模各成一(yī)個系統，各系統間也(yě)缺乏統一的協同交互(hù)。為了解決協同仿真的難題，目前(qián)業界開發了仿真模型交(jiāo)互接口FMI（Functional Mockup Interface），可适(shì)用于不同仿真軟(ruǎn)件之間的模型交換，并可将模型封(fēng)裝為FMU（Functional Mockup Unit）用以協同仿真。此外，如果涉及一個大型項目研發，不同部門會希(xī)望能(néng)夠實現同時(shí)在線設計仿真，而(ér)這就需要雲計算和HPC（High performance computing）技術的支(zhī)持。例如在CAD領域，當前設計方式已經逐漸(jiàn)由單(dān)人離線設計向多人在線協同設計轉變。華天軟(ruǎn)件研發了基于雲架構的CrownCAD。CrownCAD包(bāo)含(hán)其(qí)自主研發的三維幾(jǐ)何建模引擎DGM、2D以(yǐ)及3D約束求解引擎DCS，具有高效的參數化應用層機制，這(zhè)種基于雲存儲、雲計算、雲渲染技術的(de)CAD可以支持超大規模的協同設(shè)計[21]。其實不光(guāng)是設計仿(páng)真環節需要網絡化協同，制造業企業還需要将研發設計、生産制造及服(fú)務各個環節的數(shù)據和信(xìn)息(xī)模型都打通，以此提升自身經營效率。由此，我們(men)讨論的範(fàn)圍就從前兩節的生産和(hé)設計仿真環節(jiē)，進一步拓展(zhǎn)到産品的運營服務環節。目前業界嘗試通過搭建工業物聯網平台（Industrial IoT Platform）或者說工業PaaS平台來實現全流程協同管理。即制造業企業基于IIOT平(píng)台實現研發設計(jì)、生産制(zhì)造及服務(wù)全流(liú)程的提升和産品的全生命周期管理。從這一(yī)點上來說，工業物聯網平台或(huò)者說工業PaaS平台是要搭建一(yī)個(gè)多(duō)方協(xié)作(zuò)的橋梁。例如位于Gartner IIOT魔力象限中位于頭部位置的PTC ThingWorx，就是一個具備(bèi)設備互(hù)聯、數據存(cún)儲（集成第三方時序數據庫）、數字建(jiàn)模、智能分析、應用開發及增強現實的整體IIOT解決方案。PTC在ThingWorx的基礎上，結合自身CAD/PLM/AR等産品線(xiàn)，将制造業研發、制造(zào)及(jí)服務的業務(wù)線整體聯系起來，幫助制造業企(qǐ)業客戶實現内外部協作和産品(pǐn)的全生命周期管理。上圖以PTC客戶德國的e.Go汽車制造商(shāng)的情況為例：在研發設計階段，供應商(shāng)和制造商可以在同一個CAD和PLM系統中(zhōng)基于統一的産品(pǐn)數據進行協作，提高交付效率。制造過程中，操(cāo)作員可以借助(zhù)平闆電腦上的AR 應用程序來識别他們正在查看的産品的配置，并可(kě)實時調用質量檢查的标準以便對照。另外在産品售後服務環節中，企業通過物理(lǐ)VIN編碼追蹤汽車各個零部件；持續更新的部件(jiàn)數字孿生(shēng)模型将反(fǎn)映發動機、傳動系統等部件的後續變化，企業以此為汽車提(tí)供預測性維護服務，保障(zhàng)産品壽命，并将(jiāng)實際運行數據反饋(kuì)給設計(jì)端。綜合來看，制造業企業實現内部高效協同的挑戰(zhàn)有很多，比如硬件(jiàn)設備種類多(duō)，沒有(yǒu)統一的數據接口，各環節不連貫(guàn)。這也就是為什麼提出推進兩化融合，這也就是為什麼工業4.0的一個終極(jí)目标就是讓軟件定義制造。試想一(yī)下，如果所有的制(zhì)造單元都可以通(tōng)過軟件柔性拼接（中(zhōng)間由AMR連接(jiē)工序(xù)），所有子系統内的設計仿真模型都(dōu)可以相互交(jiāo)互，整個工廠(chǎng)具備了強大的互(hù)操作性，運(yùn)營效率就将得到極大提升，制造業企業将不再這麼笨重。當然實現這個(gè)圖景絕非朝夕(xī)之間就能達成，需要長久的努(nǔ)力(lì)。數字化支撐制造業提(tí)升管理水平
&企業生産決策智能化
以(yǐ)上闡述(shù)的主(zhǔ)要是側重技術方面的創新應用(yòng)，但是對于企業來說技術和管理不可(kě)偏廢。現在很(hěn)多(duō)制造業企業的(de)日常管理方式還很粗(cū)糙，例如在紡織業中，印(yìn)染廠的訂單下放、報工、坯(pī)布入庫、領料、成品出(chū)庫主要通過人員手工填報完成，實時性差且受人為因素影響大。管理者如果想了解(jiě)一個(gè)訂單的情況可能(néng)得花上幾個(gè)小時才能準确得知(zhī)全貌，車間管理者(zhě)處理生産異常事件效(xiào)率較低。這些又不是MES系統所能完全解決的。對于任何一(yī)個制(zhì)造業企業，管理水平(píng)的提升是非常重要的，比如如何對知識進行有效的管理、如何轉變日(rì)常生(shēng)産(chǎn)活動的管理方式和手(shǒu)段等等。數字化技術對管理的(de)支撐作用(yòng)不可(kě)忽視(shì)，目前出現一批初創公司開始幫助制造(zào)業(yè)企業進行移(yí)動端(duān)的數字化(huà)改造，通(tōng)過交付生産管理SaaS軟件提高企業工廠管理水平，可以提高企業車間管理的協同效率，如專注(zhù)紡織業的數制科技(jì)，還有服務離散制造行業的羚數智能等。企(qǐ)業日常管理中最重要的部分是生産決策，決策覆蓋的層次會從裝備、産線一(yī)直到車間、企業乃至(zhì)整條上下遊供應鍊。幫助企業實(shí)現生産決策智能化是智能制造的一(yī)個重要方面。目前在企業層次(cì)的生産決策方面，大部分企業主要通過(guò)高級排産人員依靠自身經(jīng)驗和業務規(guī)則進行排(pái)産，工具上還在使用Excel，算法方面(miàn)仍以啟發式規則算法或遺傳(chuán)算法(fǎ)等算法為主。但是，單純依賴高級排産人員的經驗很(hěn)難實現決策的精準性和合理性，特别是在柔性生産的場景中。這就需要基于運籌學和AI算法的APS系統來幫助企業(yè)進(jìn)行排産(chǎn)決策。企業生産過程中，有(yǒu)效加工時間(jiān)其(qí)實占比很(hěn)少，90-95%的時間其實都(dōu)是在等待物料運輸、上下料和定位等中間(jiān)環節上消耗(hào)掉了。部署AGV/AMR可以幫(bāng)助企業(yè)實(shí)現生産(chǎn)搬運和倉儲管理(lǐ)的自動化，提升(shēng)廠内物流的自動化(huà)程度，進而可以使生産線上各設備之間的(de)運作更為協同高效，提升企業OEE。在實際實施過程中，AMR的實時調度算法非常重要，而(ér)且AMR的實時調度也(yě)要和APS系統對企業整(zhěng)體生産調度結合起(qǐ)來，确保決策計劃層和執(zhí)行層之間數據互通。值得注意的是，無論是APS還是AMR，都需要注(zhù)重提煉與企業生産工藝密切相關(guān)的調度規則和産能平衡設計，将(jiāng)企業制造資源和工藝流程完全融合(hé)，如此才可能滿足(zú)客戶對生産(chǎn)過(guò)程(chéng)中産能和效率的需求。生産決(jué)策也可以從一家(jiā)企業延伸至一條産業鍊的上(shàng)下遊，在上下遊企業之間實現協同制造。例如浙江省(shěng)正在對30個(gè)細分行業推行的産業大腦，通過産業鍊的整體數據(jù)輔助企業動态決策，可見政府(fǔ)也在這方面進行有益的嘗試。還有比如深圳的雲工廠(chǎng)、上海的捷配(pèi)科技等(děng)在嘗試打造(zào)分布式制造系統，分布式制造系統在競(jìng)争格局分散的行(háng)業環節中具有市場(chǎng)價值，如紡織、機(jī)加工和SMT等行業。中小型企業由于具有産能利用率(lǜ)不高、外協程度高、信息不對稱，通(tōng)過制造平台公司可以實現集中(zhōng)訂單和供應鍊采購，整合産能共享協同(tóng)，提(tí)升整體行業交付(fù)效(xiào)率。國外的Protolabs可以算是這個領域的一個标杆。智能制(zhì)造領域的人(rén)才和初創(chuàng)企業人才對于任何一個行業都是非常重(zhòng)要的。這(zhè)裡需要(yào)強調的是制(zhì)造過程本身積累的知識需要通過人才沉澱下來服務于設備設計、工(gōng)藝優化(huà)，逐步凝結成新一(yī)代的硬件設備和工業軟件。因此在裝備智能化、生産(chǎn)過程智能化乃至設計仿真(zhēn)與工藝協同的發展過程中，設備工(gōng)程(chéng)師和工(gōng)藝工程師的作用不可忽視。未來也需要越來越多(duō)懂工業技(jì)術的軟件工程師參與工(gōng)業數字化、智能化(huà)的曆史進程中來，工程師(shī)的工作内容也将更多放在(zài)工業知識沉澱和數據分(fèn)析(xī)研判方(fāng)面。從供給端來看，國内經驗豐富的技術工人數量較少、培訓周期長，且部分領域(yù)呈現青黃不接的趨勢，逐漸成為稀缺資源。例如高(gāo)級焊接工人，高級排産人員，高(gāo)級工藝工程師（例如半導體刻蝕環節），以(yǐ)及機器(qì)人部署調試工程師等等。而這些高級技術人才面對的生産場景普遍具(jù)有多品種、小批量的特點，這一特點(diǎn)也在不斷加強。這(zhè)也意味着如何沉(chén)澱積累出(chū)可以媲美高端技術人才(cái)經驗能力的數據(jù)驅動-機理融合模(mó)型，并将其封(fēng)裝成算法軟件，是非常有價值的。另外初創公司也為制造業創新發(fā)展帶來了活力和(hé)人才。在近幾年的發展(zhǎn)中，智能制(zhì)造領域的初創企業數量不斷(duàn)增多，特别是湧現出更多聚焦生産和設計環節、聚焦某一細(xì)分領域的初創企(qǐ)業。工業(yè)領域門類很多(duō)，每一個子門類下面又會有(yǒu)很多細分領域和環節，這種(zhǒng)行業(yè)特點使(shǐ)得初創公司需要集中一點做出技術創新上的突破，即所謂專精特新。如(rú)果一直做跨行業(yè)的項目而無法沉澱出(chū)一個标準化(huà)的(de)産品，這麼走下去團隊隻(zhī)能是一個不斷接項目的技術服務商，沒有自己的(de)核心根據地。聚焦一個行業，行業内某個環節上企業的需求(qiú)特點(diǎn)大(dà)緻類似，這就為初創(chuàng)企業技術沉澱和規模化創(chuàng)造(zào)了條件。依托核心産品(pǐn)技術平台(tái)進行新産品開發，開(kāi)發過程中形成(chéng)的新(xīn)技術也會反哺平台，新産品也可能(néng)進一步衍生出(chū)新的産品技術平台。平台與産品相互促進，可以實現(xiàn)從單點突破到多(duō)環節覆蓋。硬件裝備制造商如此，軟件服務商也是如此(cǐ)。之後會再寫文(wén)章(zhāng)分析這一點。對于智能制造領(lǐng)域(yù)的初(chū)創公司來講，形成自身議價能(néng)力和技術壁壘主(zhǔ)要(yào)還(hái)是靠做深入(rù)生産和設(shè)計環節的工藝(yì)優化和産品優化，因(yīn)為客戶隻(zhī)有看到初(chū)創公司用技術和産品給他們明顯改善提升了他們的生(shēng)産(chǎn)和設計過程，客戶才(cái)會有較高的付費意願(yuàn)。設計仿真的重要性不言而喻。聚焦工(gōng)藝優(yōu)化在企業後續發(fā)展上也有規模化(huà)的潛力，因(yīn)為(wéi)一種工藝是可以用在(zài)多種工業場景和環節中的，初創企業(yè)可以将工藝智能化技術進行跨行業(yè)的複用，無論是在産品标準化(huà)和橫向拓展上都會有一定的優勢(shì)。當然光是焊接技術就有很多細分種類(lèi)，企業也需要有選擇地進行技術研發和市場拓展。無論是設計仿真還是工藝智能，初創公司都需要明确技術對應的是一個存量市場(chǎng)還是一個增量新(xīn)興市場，選擇什麼(me)樣的市場以及選擇什麼(me)樣的客戶群，會深刻影響企業(yè)的發展路徑和速度。好(hǎo)的客戶會對産品技術提出(chū)更高的要(yào)求，會加速公司産品技術研發上的良性循環。這裡客戶的優質與否不完全取決(jué)于客戶規模的大小(xiǎo)。中國制造(zào)業的信息(xī)化、自(zì)動化和智(zhì)能化程度在各行業之(zhī)間(jiān)分布(bù)并不均勻，如果(guǒ)初創企(qǐ)業選擇一個(gè)較為傳統(tǒng)的行業如紡織業，可以先通過輕量級的生産管理系統實現數字化(huà)改造，幫助中小紡織企業管理者看到數字化管理帶來的效益，再深入到印染工藝環節和排産決(jué)策中去，之後去幫助企業逐步實現上下遊間的協同(tóng)。因此對于數字化和自動(dòng)化程度不高的行業和企業(yè)，解決數字化是第一步(bù)，接下來需要創業團隊解決智能化的問題。初創(chuàng)公司能否滿足企業智能化階段的需求，這(zhè)就要考慮團隊的算法(fǎ)技術能力和對工業機(jī)理的理解深度。故(gù)而智(zhì)能制造領域的創業團隊既需要有掌握新一代信(xìn)息技術和先進制造技術的新生力量，也(yě)需要(yào)有懂(dǒng)工業場景需求、目标領域工業機理的老法師。綜(zōng)合以上對于智能制造各方面的讨論，本文(wén)着重(zhòng)強調智能制造需要(yào)聚焦本源，即裝(zhuāng)備和工藝(yì)，并将設計(jì)仿真和制造工藝協同起來，以滿(mǎn)足企業(yè)降低生産研發成本、提高(gāo)生産研發效率、提升産品良率的核(hé)心訴求。随着我國制(zhì)造業向中高端邁進，正向(xiàng)設計日益重要，創新的源泉将着眼于材料、工(gōng)藝（包含物理和化(huà)學的）以及兩(liǎng)者之(zhī)間的匹配(pèi)優化。企業設計仿真、生産制造及服務各(gè)環(huán)節内部和之(zhī)間的互操作(zuò)性和協(xié)同性對提升企業競(jìng)争力也非(fēi)常重要(yào)，這些需要(yào)新的網(wǎng)絡技術支撐。此外(wài)，企業還要通過數字化、智(zhì)能化技術提(tí)升管理決策水平和精準性。至此(cǐ)，本文分析了裝備(bèi)工(gōng)藝、正向設計仿真及生産決策這(zhè)三個智能制造(zào)的(de)重要支柱。最後我(wǒ)們再從企業經營和産業發展的角度分析一下智能制造的價值。從企業經營角度看智能制造的價(jià)值，ROE=銷(xiāo)售淨利率×總資産周轉(zhuǎn)率(lǜ)×權益乘數實現柔性生産，縮(suō)短(duǎn)産能爬坡和中(zhōng)間換線周期等可以提高總資産周轉率，進而提高(gāo)ROE。實現實時(shí)參數控制(zhì)決策(cè)，優化工藝(yì)以降低生産成(chéng)本，即提升淨利率。降低對高(gāo)級技術人員的依賴及其人工成本也(yě)有助于企業提高淨利率。從産業角(jiǎo)度看，制造業一方面需要自動化智能化裝備(bèi)和工藝智能技術實現規模效(xiào)應和柔性(xìng)制造，不斷降低(dī)制(zhì)造成本、提高交付效率，特别是在産能擴張周期(qī)，這一點在锂電設備和锂(lǐ)電池行業近兩年的發展中表(biǎo)現尤為明顯。另一方面産業發展不可(kě)能一直停留在追求生産規模效應的階段，還需要通過設計仿真技術進行正向(xiàng)設(shè)計，以持續實(shí)現産品創新、裝備創新和工藝創新。值得注意的是，制造和設計(jì)兩方面不是割裂的，是可以協同優化、相互促進(jìn)的。從這一點上看，中(zhōng)國龐大的制造規模如果加上先進的(de)設計仿真(zhēn)技(jì)術，将會是如虎添(tiān)翼。最後需要強調的是(shì)，技術的經濟性和易用性永遠是決定技術能(néng)否大規模應用的重要(yào)因素(sù)。比如支撐(chēng)算法優化的硬件資源價格、算法叠(dié)代升級的(de)成本，還有企業能否直接獲得一個包含AutoML平台在内的産品方(fāng)便日(rì)後自己訓(xùn)練模型，軟件是否支持低代碼開發？這些因素都可能影響企業是(shì)否選擇新方案。還有在工(gōng)業軟件(jiàn)部署方面，部署周期如果很長或者拓(tuò)展性差導緻後期維護(hù)成本很(hěn)高，這些都會阻礙企業選擇上(shàng)一個新的軟件系統。所以也就出現了基于微服務架構的新(xīn)型MES軟件服務商，例如數益工聯等。智能制造對我國從制造大國邁向制造強國甚(shèn)至創造強國具有重要(yào)作(zuò)用。實現智能制造還有很多挑戰(zhàn)，中國(guó)還需要突破諸多關鍵核心技術和裝備，例如設計仿真、基于機理(lǐ)和(hé)數據驅動的混合建模、生産智能決策、協同優化等技術和五(wǔ)軸機床、大(dà)規模集成電路制造裝備、智能焊(hàn)接機器人等高端(duān)裝備。本文提到的DTCO、锂電池模拟平台(tái)、機器人自适應實時決策等也都存在諸多技術挑戰(zhàn)，比如DTCO中器件電學模型（spice model）的提取，這些需要無(wú)數市場主體去投入研發加快新技術的産業(yè)化。“科技創新對(duì)中國來說不僅是發(fā)展問題(tí)，更是生存問題[22]。”制造業是關(guān)鍵核(hé)心技術的策(cè)源地，也是核心技術應用的試驗田。無論是中小企業(yè)，還是大型企業，都必須實現技術創(chuàng)新(xīn)驅動的(de)高質量發展。從産業整體(tǐ)發展(zhǎn)階段來看，我國已經從來料加(jiā)工組(zǔ)裝、模仿創新逐漸向自主創新邁進。過去我國制造業主要通過加工和仿制産品向海(hǎi)外企業學習追(zhuī)趕，而模(mó)仿先進成熟的工藝和産品(pǐn)自然沒有正向(xiàng)設(shè)計的需求，自然也(yě)就沒有投入更多精力資(zī)源在正向設計方面。所以這一點上可以看出過(guò)去(qù)的發展特點導緻了(le)當前工業“五基”薄弱，特别是工業基礎軟件方(fāng)面。但我們不可能停留在模仿創新階段，主觀上沒有這個意願，客(kè)觀實際上(shàng)也不允許，因為産業發展如逆水行(háng)舟不進則退。技術的突破(pò)需要(yào)企業選擇自主開發産品，而不是依附在某一海外品牌的供應(yīng)鍊或者技術體系内。這一點在高鐵和汽車行業上體現得極為(wéi)明顯。當企業以自主研發理念創新、性能先進的商(shāng)業産品為目标(biāo)時(shí)，企(qǐ)業将(jiāng)産生更強的創新動力和學習能(néng)力[23,24]。企業在(zài)自主開發産(chǎn)品中突破技術瓶頸(jǐng)、掌握正向設計能力。這一(yī)點也已經在或将在新能源汽車(chē)、锂(lǐ)電池及設備、半導體等行業中顯現。如果這一産品(pǐn)尚未出現或成(chéng)形，同時又是先進生(shēng)産力(lì)的(de)方向，那(nà)麼意味着将創造一(yī)個新興産(chǎn)業，一如上世紀誕生的大飛機、汽車、半導體以及(jí)互(hù)聯網。希望中國未來可以成為這類科技創新的發源地，同時注重(zhòng)打造出面向大衆的品牌産品及(jí)産業鍊，實現C端品(pǐn)牌帶動B端制造産業鍊[25]。通(tōng)過研發應用數字化、智能化和先進制造技術，中國制造業(yè)企業将有能力進一步實現工藝流程和産品升級，逐步從價值鍊的低附加值位置躍遷到高附加值位置(zhì)，掌握(wò)新興産業的産業(yè)鍊話語權(quán)，不斷占據利潤率更高(gāo)、技術含金量更高的價值鍊，最終實現全球價(jià)值鍊框架内的産業升級[26]。微觀上企業的技術、産品和品牌(pái)每進(jìn)步一分，我國制造業的貿易利益獲(huò)取能力就有可能增強一分，就(jiù)将在宏觀上提升我國在全球價值鍊和收入鍊上的位置(zhì)。實現智能制(zhì)造道阻且長，十四五(wǔ)智(zhì)能制(zhì)造規劃中提出了到2035年，重點行業骨幹企業基本實現(xiàn)智能(néng)化。這意味着智能制造是一項長(zhǎng)期的系統工程。相信在(zài)未來十幾年的發(fā)展中，中國一定會湧現出越來越多創新驅動的智能制造(zào)企業！
股權代碼(mǎ)：668911
