1. 智能工厂架构与能力地图导论
智能工厂不是“把设备联网”这么简单，也不是一次性采购几套软件就能完成的项目。它更像一座需要长期演进的“工业能力城市”：底层是设备与产线，中间是数据与控制，上层是业务与决策，而贯穿始终的是标准、安全与组织能力。理解智能工厂，关键要抓住三个问题：它由哪些层次构成、这些层次之间如何协同、企业当前处在什么能力水平、下一步该补哪块短板。这正是“总体架构”和“能力地图”要回答的内容。
一、智能工厂的定义：从“自动化”到“自决策”
从工程视角看，智能工厂是以数字化、网络化、智能化为特征，通过设备互联、数据贯通、系统集成和智能决策，实现生产全流程可感知、可分析、可优化、可协同的制造系统。它与传统自动化工厂的核心区别在于：自动化解决“机器按固定逻辑执行”，智能化解决“系统根据实时状态动态调整”。
可以用一个简单判断来区分：如果一条产线换型时需要人工改参数、停线调试、凭经验判断异常，那它仍以自动化为主；如果系统能根据订单、设备状态、质量数据自动推荐或执行换型参数，并对异常提前预警，那它开始具备智能化能力。智能工厂的“智能”不体现在设备多先进，而体现在数据是否闭环、决策是否可执行、执行结果是否可反馈。
二、演进历程：四个阶段的跃迁
智能工厂的演进通常可归纳为四个阶段，每个阶段解决的核心矛盾不同：
- 阶段一：机械化/电气化——以动力替代人力，解决“做得动”的问题，生产依赖人工操作和纸质记录。
- 阶段二：自动化——PLC、DCS、机器人、SCADA 普及，解决“做得稳”的问题，但系统之间彼此孤立，形成信息孤岛。
- 阶段三：数字化/网络化——MES、ERP、WMS、工业网络和物联网平台接入，解决“看得见”的问题，数据开始跨系统流动，但分析多依赖人工。
- 阶段四：智能化——数据中台、AI 模型、数字孪生、边缘计算与云协同，解决“决策快、调得准”的问题，系统具备预测、优化和自适应能力。
需要强调的是，这四个阶段不是必须严格串行。很多企业可能同时存在自动化产线和数字化管理系统，甚至在局部场景直接引入 AI 质检。演进的关键不是“跳到第几阶段”，而是能力是否匹配业务目标。如果订单波动大、换型频繁，优先补的可能是柔性排产和数据采集；如果质量损失高，优先补的可能是过程质量追溯和根因分析。
三、总体架构与能力地图的关系
总体架构回答“智能工厂长什么样”，能力地图回答“企业现在能做什么、还缺什么”。两者是“目标蓝图”与“现状导航”的关系。总体架构通常分为五层：
- 设备层：机床、机器人、传感器、PLC、仪表等，是数据源头和执行末端。
- 控制层：SCADA、DCS、运动控制、边缘控制器，负责实时控制和数据采集。
- 数据层：工业网络、时序数据库、数据中台、标识解析，负责数据汇聚与治理。
- 业务层：MES、ERP、WMS、QMS、APS，负责计划、执行、质量、物流等业务闭环。
- 决策层：BI、AI 模型、数字孪生、排产优化，负责预测、优化和辅助决策。
能力地图则把这些层次拆解为可评估的能力项，例如“设备联网率”“数据采集完整率”“排产自动化程度”“质量追溯覆盖率”“异常响应时间”等。企业通过能力地图自评，可以定位自己处在哪个阶段、哪些能力项是短板，再回到总体架构中找到对应的建设内容。例如，若“质量追溯覆盖率”只有 40%，对应要补的是数据层的标识解析和业务层的 QMS 追溯模块，而不是盲目上 AI。
四、本课程的学习路径与工程实践目标
本课程围绕“架构认知 → 能力自评 → 场景设计 → 工程落地 → 复盘迭代”展开，共 30 章。学习路径不是从概念到概念的堆叠，而是沿着一个真实工厂的改造逻辑推进：先建立总体架构的全局视角，再学会用能力地图做现状诊断，然后针对具体场景（如设备联网、质量追溯、柔性排产、能耗优化）设计技术方案，最后落到实施、验证和持续改进。
工程实践目标可以概括为三条：
- 能画出一张属于自己工厂的总体架构图——明确设备层到决策层分别有什么、缺什么、数据怎么流。
- 能完成一次能力地图自评——用可量化指标定位短板，而不是凭感觉说“我们数字化程度低”。
- 能针对一个具体场景输出可执行的改造方案——包括现状、目标、技术选型、实施步骤、验证指标和风险控制。