企業信息化建設三駕馬車：ERP、PDM與MES，ERP管理的是企業的資源。比如人員、設備折舊等，PDM管理的是產品的設計過程，比如產品圖紙、工藝等，MES管理的是制造的過程，比如生產計劃、生產作業等。ERP是從客戶開始，到訂單，到主計劃，回答的是為什么生產；PDM從產品需求開始到工藝編寫，回答的是怎么生產，MES是從計劃到具體加工，回答的是到底是怎么干的。

       綜合來看，ERP、MES與PDM都屬于管理系統，MES（ManufacturingExecution System）全稱是制造執行系統，主要面向的對象是管理層：

       戰略層：戰略層如企業總經理、型號總師等，主要獲知生產的趨勢性數據，如生產問題發生率、任務完成率、額定工時統計等等，都屬于分析統計類數據，簡稱為高階數據；

       管理層：管理層如計劃員、調度員等，主要獲知生產的實時數據，如生產進度、現場問題等，屬于實時性數據，對數據的實時性要求較高；

       如現場問題發起之后，管理層希望第一時間獲知該信息，所以MES的現場問題模塊目前會增加一個需求：當現場工人/班組長發起問題之后，問題信息以軟安燈（系統報警）、硬安燈（報警燈）或者短信的形式第一時間告知相關負責人。

       執行層：執行層如班組長、現場工人，主要獲知的是相對靜止的信息，如產品的操作手冊、加工工藝或者臨時工藝通知等內容。

       綜上執行層雖然處于數據采集最核心的位置，但對于他們工作KPI（工時/件數）等均沒有增益，甚至會影響產量。

       雖然MES大部分功能是面向管理層的，主要解決計劃員、調度員、廠長的核心痛點，但是MES能不能用起來，或者用的舒適度，主要靠執行層來表現的。

       管理層希望看到更多更全面的信息，輔助工廠決策，但是管理層所有的信息都來源于執行層，所有管理層迫切的希望執行層將工廠所有的數據傳送到系統當中，然后根據數據模型或者管理模型像漏斗一樣篩選出自己需要的數據，如上圖所示。

       執行層的數據主要來源有：機器采集、手工錄入、上游系統傳遞、硬件集成，但是根據離散型制造業企業性質來分析，執行層數據基本來源于手工錄入。所以上線MES之后執行層首先面對的是工作方式的更改，需要學習MES系統操作；接下來是由于管理對數據的需求，造成工人置根本而不顧（生產任務是執行層的根本）去在MES系統當中錄入數據。

       1.系統培訓浪費時間，造成本職工作未按時完成；

       2.沒有減少工作量，反而因為要錄入數據降低了效率；

       以上原因最終造成的結果就是執行層很排斥MES系統，影響MES系統的應用效果，這也是提出MES系統是“一把手”工程的根本原因，只是利用行政壓力去實施是一種手段，但并不能解決根本問題。

       造成了一個智能制造之殤：管理層需要更多更全面的數據，執行層希望更具備效率更簡單舒適的工作工具。如何輕松簡潔的獲取數據，再將數據串聯起來，打破信息孤島，實現業務融合是目前智能制造的重中之重。

二、智能制造的解救之鑰

       由現場工人倒逼式的實施方式是最優的解救方案，但是“自掃門前雪”的形式風格造成了信息化系統需要牽頭人，相當于政變領袖，帶領的是一種方向，解決的是內部矛盾。

       所以信息化建設除非是企業的單點應用（如本來一直需要手抄紙質數據，通過軟件自動解讀，我們稱之為工具型軟件）執行層可以提出之外，比如MES、ERP或者PDM等管理型系統，執行層提出的難度相當于讓農民少吃飯去支持國防建設是一樣的，實屬難為人之舉。

       其實在我國工廠的很多車間里，各個生產設備之間、生產設備和控制器之間，都已經基本實現了連通。再牛B一點的公司里，整個工廠已經通過制造執行系統（MES）連通起來，而業務部門全部通過ERP連通起來了。

       但ERP和MES其實并沒有連起來！所以當ERP給MES下達生產計劃指令后，MES在生產過程中發生了與計劃偏差的事項（比如設備壞了，原料不合格等等），MES會根據車間的實際情況進行調整。但是ERP是不知道的！所以它會繼續按照原本的計劃執行訂單，時間久了，財務系統和工廠的實際情況就會出現非常大的偏差。

       沒連起來的原因：首先是ERP和MES的開發公司通常是兩撥人，搞財務的和搞生產的合作，不但互相不懂對方的職業術語，雞同鴨講，而且互相看不上對方。另外，業務部門和生產部門在公司里通常是分開運營，各自的領導有各自喜歡的供應商。當然這個問題工廠車間通常會定期把MES的調整項做成一個表，交給業務部門，然后由業務部門手動在ERP中調整過來。

       ERP和MES的問題只是工廠內系統斷層的一個問題縮影，事實上工廠里還有非常多的其他系統，設計、制造、采購等，這些系統都是一個個信息孤島，互相都不知道對方在干啥，到哪一步了。只有等到問題出現了，再一個個改。當然，這種事也不是第一天存在的，因為在工業時代，產品的生命周期很長，有些產品一個型號可以賣二三十年，這樣一兩年的研發上線時間也就顯得不那么長了，其余的問題，靠著人工溝通，雖然有錯，倒也都相安無事。但是現在產能過剩問題和互聯網時代的發展帶來了新的變化。

       全球性的產能過剩，導致企業的競爭越來越激烈，以往一款產品賣三十年的做法已經不行了，你跑不快，有的是快的。互聯網時代的到來，撼動了工業時代的一大基礎，信息不對稱。工業時代里，因為生產廠家無法低成本的了解每一個客戶的需求，所以往往采用一刀切的方法，就是把需求做多的性能組合到一起，成為一款產品。

       比如你想要一雙適合你的腳的鞋子，鞋廠是無法知道你的腳多大的，所以只能測量很多人的腳之后，把最集中的尺碼分成40號，41號，42號等，但是如果你的腳偏肥或偏瘦，對不起，概不伺候。互聯網改變了這個局面，人與人，人與廠商，可以低成本的實現連接，從而讓每個人的個性需求被放大，人們越來越喜歡個性化的東西。但是個性化的東西需求量沒有那么大，這就需要工業企業能夠實現小批量的快速生產。

       產能過剩和互聯網逼迫著傳統工業必須做一件事，一件工業社會最不愛做的事，就是快速、小批量、定制化的生產。

       所以這個時候最應該完成的就是把ERP和MES等等信息系統徹底打通，讓工廠原本的所有信息孤島實現連通。這個時候，就從完全的自動化和部分的信息化，進入了完全的自動化和完全的信息化，也就是工業3.0大圓滿階段。本階段不需要將某個單點功能做到盡善盡美，不需要做到深入，但是已有數據的融合是必須的。因為解決單點數據采集問題應該屬于AI 范疇。

三、智能制造的AI之路

       數據采集：

       智能制造之旅在管理系統當中注定是以采集數據為根本的，但采集數據的基礎條件是不增加勞動工人的工作量的基礎上獲取更多的數據。AI的興起已經為我們提供了諸多借鑒之處，如PDF的解析、人臉識別、噪聲獲取等等，所以在AI當中對于智能制造幫助最大的是極速獲取數據的能力，都是單點的應用，減輕人為錄入的工作負擔。

       所以工業的AI之旅注定達到的目的是：最大限度的獲取非隱私數據，極多數的單點工具，讓工人只做本職工作的事情，不再因為管理需求而做一些無用功。AI在數據采集當中能做到的就是盡大可能的提供各種單點工具。

       數據處理：

       由于AI系列中極大量的獲取數據，造成的結果則是需要強大的數據轉化、數據存儲能力，大數據處理則需要應運而生；下圖是大數據處理流程。

       工業的AI之旅會同步造成大量的數據，包含有效數據與冗余數據，而且來源于各種軟件、各種工業系統、各種控制系統與各種硬件，大數據的轉化、集成與儲存則會是最大的挑戰。

       會同步造成大量的數據，包含有效數據與冗余數據，而且來源于各種軟件、各種工業系統、各種控制系統與各種硬件，大數據的轉化、集成與儲存則會是最大的挑戰。

       數據分析：

       之前普通的報表是少量數據的可視化，展示的往往是二維信息或者三維信息（如時間與車間現場問題發生的頻率是二維的），但是到AI階段，由于大量的多面的數據存在，會要求更多的算法去處理數據，挖掘更多的深層的多維信息（如車間發生問題的天氣情況，貌似風馬牛不相及的事情，在數據處理之后可能會展示驚人的發現）。

       有種說法是未來是軟件的世界去，其實更多的應該是未來是算法的世界，因為AI輔助采集更多的數據，大數據處理幫助儲存數據，但是算法是發現數據規律的鐵鍬，才是最重要的。