分享MES国际联合会：发布新的MESA智能制造模型

MESA国际发布了新MESA模型的第一个模型：智能制造框架。从历史上看，从业者、学术界和其他业内人士一直使用MESA模型对制造或生产企业中发生的情况进行分类和定义。MESA多年来发布了多个模型，所有模型都在各种各样的作品中被引用，从教科书到提案请求和架构描述。本次发布的新MESA模型旨在帮助定义智能制造与生产的当前和未来前景。它虽然只考虑了制造和生产部分的概念，但深入探讨了如何通过集成相关功能和采用新的或先进的技术使这些概念变得“智能”。

最新的MESA模型背后的意图是更好地认识到生产信息在直接部门和监督角色中的重要性和使用，以及与企业和行政应用程序（如企业资源规划、，客户关系管理、产品生命周期管理和供应链管理。利用工厂信息支持企业战略举措背后的思想，如精益制造、实时企业、产品生命周期管理等。

MESA模型：智能制造框架集成了三个相关概念。

第一个概念是生命周期。

生命周期中的步骤确定了范围、利益相关者及其对智能制造的看法。生命周期表示需要优化的制造业所需的业务流程和价值流。智能制造致力于提高企业所有层面的连通性和透明度，影响所有生命周期。

MESA已经考虑了模型的几个生命周期，如下所示：

Lifecycles 生命周期:

• Production
• Production Asset
• Product
• Supply Chain
• Workforce
• Order-to-Cash

这些生命周期适用于所有制造和生产企业，尽管它们在不同行业或不同成熟度的企业中的应用可能有所不同。随着图形化表示，各种书面作品正在开发中，在这些作品中，每个生命周期都被深入探讨。定义了每个生命周期中的常见功能以及特定于行业的变化。这些工作的主要重点是定义什么可以使每个生命周期“智能”。

任何制造或生产环境都涉及多个相互交织的过程。其中一些过程跨越生命周期。因此，该模型还探索了一组跨生命周期线程，如下所示：

Cross-Lifecycle Threads 跨生命周期线程:

• Quality
• Compliance
• Energy
• Analytics
• Security
• Digital Twin / Thread
• Modeling / Simulation

跨生命周期线程有助于将不同生命周期之间的功能链接在一起，以实现特定目标，如规定的质量级别、法规遵从性或节能。某些跨生命周期线程具有广泛的目标，如分析、安全等。最终，它们确保生命周期以一致而非独立的方式运行。这些跨生命周期线程也将在即将出版的著作中进行描述。

智能制造和生产通常由现代技术实现。新的MESA模型还考虑了这些使能技术。

模型中描述了以下技术：

Enabling Technologies 使能技术:

• IIoT
• Big Data
• AI / ML
• VR / AR
• Edge to Cloud
• Blockchain
• Additive
• Robotics
• Wireless

所示图形将生命周期、跨生命周期线程和启用技术作为三个单独的卷盘进行了说明。上面的图形是静态的，但实际上是动态的。通过将一个或多个生命周期与特定的跨生命周期线程对齐并启用技术，可以实现特定的期望业务结果。随着MESA继续开发描述模型的其他作品，将有其他静态版本的图形来说明具体的组合和结果，MESA还打算发布该模型的交互式版本。

一、设计概要

下图描述是ISA-95信息系统结构模型。

其中：

level 1定义传感和操作物理过程中的活动

level 2定义监控和控制物理过程的活动

Level 3定义生产最终产品工作流程的活动

Level 4定义需要管理制造组织的商业相关活动，主要是针对ERP和PLM。

横轴描述的是数据总线（digital thread）。

二、数据总线定义

数据总线（digital thread）的定义，一方面是通过使用IIoT设备，消除和改进传统MES中许多人工流程；另一方面，要实现通过统一的流程治理和智能分析，实现高校的数据管理和智能分析。

针对IIoT设备，西门子等厂商已经有了成熟度很高的数据采集方案。

针对流程治理，数字主线的工作：

（1） 统一数据源。包括数据采集可能产生的异构数据源；产品设计；外协组件；工艺流程设计；生产制造系统；QMS与品质追溯等

（2） 统一产品有关的数字化模型采用标准开放的描述。一方面，应用主数据管理，统一各厂商系统的数据建模，建立统一的数据集市。另一方面，通过工业标准化交换协议，如B2MML、OAGIS等，贯穿异构系统。

（3） 生产数据可以逐级向下传递而不失真。重点在于流程治理。一方面，通过构型管理（Configuration Management），来确定项目中可交付成果物统一的基线和状态；另一方面，通过BPEL、BPMN等标准化流程建模工具，实现活动的配置、执行、追溯。综上，规避部分厂商无引擎化的系统中产生的问题，如数据一致性低、变更管理的可用性低等。

（4） 保证生产活动可以回溯。同样通过构型管理和流程建模，统一如交付成果物、项目计划、任务活动执行、缺陷分解、异常跟踪，不单单让生产活动不单单在各个厂商子系统中可追溯，而是在数据总线中保持一致。

二、数据总线中包含的不单单是企业服务总线

数据总线是新时代下，针对ESB的升级。很多公司在风口浪尖下尝试建立工业大数据体系。他们的思维更多的是，通过工业数据采集，依赖智能设备，实现生产的自动化；然后依赖于生产数据做trick，通过调参，给出经营决策支持。

这方案在工业企业走不通。

（1） 工业企业的数据量难以支撑起大数据分析 。

（2） 生产作业的决策基于市场，变更频繁；而模式识别的学习过程很长，除非投入大量算法工程师和解决方案专家，很难支持企业计划调整的节奏。

（3） 风口下，算法工程师团队的成果本身过高，一线城市靠谱的应届算法工程师的年薪要超过50万；而通过trick的方式，算法工程师和企业管理人员有方言的问题，有需要大量解决方案专家。团队成型的成本每年至少数千万。

（4） 数据采集做trick的方式，默认是忽略了企业经营计划中的关键决策信息。企业的每一个关键决策，从年度的人力资源计划，到一个QC异常的追溯，都可以作为大数据分析的先验知识，这比忽略了先验知识，直接通过plain data来建模，要靠谱的多。

三、基于数据总线的智能分析

先举几种智能分析模型

其中，智能分析的重点，都在于知识库中先验知识的获取和工作存储器中的事实数据。其中：

（1） 知识库，或者说规则，有两种方式可以建立。一个是通过算法团队中的解决方案专家，与运营团队（也就是企业管理团队）的沟通，由算法工程师形成规则的建模；另一种方式是，企业管理的日常决策，例如流程的制定，体系文件的指定，关键性项目式决策，都可以作为先验知识，进入知识库，算法团队只需要对规则进行评审和优化。因为企业运营的体系更多的体现在管理经验上，管理决策在知识库上的直接体现，更有效。

计划信息包含任何的决策，例如主生产计划，产线上的成果物分解等，都是不同维度计划。计划和活动执行在事务性系统中是有机的结合，相辅相成的。按照项目式的管控，优先解决企业的流程治理和数据可视化，避免智能分析和管理经营脱节。

（2） 工作存储器是面向事实（fact）的。Fact不单单只是数据采集的数据，在企业全面自动化之前，不可避免的会包含大量的人工作业，包括CAD、CAM中的数据、外协数据、MES数据、QMS数据等。

（3） 将事实数据，有组织的、结构化的，和每次计划的数据绑定，良构的组织，形成事实数据在知识库上的聚类，最终形成智能分析模型。智能分析平台就没必要一定要通过人工神经网络（AI）的方式，投入高成本实现。利用MATLAB、SPSS、SAS等工具，轻量级建模，降低成本，最终统一到TensorFlow等大平台上。

MESA的全球教育计划（GEP）为制造商、生产商和解决方案提供商提供培训，以帮助他们建立智能制造的知识基线。加入1000多名行业专业人士的行列，他们已经参加了MESA的教育和培训，并正在为他们的企业带来价值，推动他们的职业生涯！

参见：

MESA Model - Manufacturing Enterprise Solutions Association | MESA International

Courses | MESA International