隨著近年來物聯網、AI、5G 等新技術的應用，“智能制造”熱度高居不下。但機遇往往與挑戰并存。無論是研發設計環節的低效、生產管理環節的排期缺乏彈性、傳統經營管理中存在的供應鏈管理剛性固化，還是傳統運維存在無法實時反映設備運行態勢、警告分析不夠智能、警告根因難以確定等問題，都為工業雙轉型增加了障礙。

仔細觀察這些難點不難看出，所涉及的問題分布在制造業的不同生產環節，要想實現制造業全生命周期的數字化，要落地到行業具體的應用場景，需要產業鏈上下游企業共同努力，包括設備提供商、軟件開發者、系統集成商、服務提供商、終端用戶等共同參與。

一般來說，智能制造生產環節分為：研發設計、生產管理、運營管理、運維服務四個階段

首先，在研發設計環節，傳統制造企業研發設計面臨市場需求響應慢、團隊內部溝通低效、產品設計與生產條件不匹配等問題。

其次，隨著企業生產規模不斷擴大、產品定制屬性不斷增強，傳統生產模式引致的庫存管理滯后、排期缺乏彈性、物料采購難以滿足生產管控等問題逐漸成為企業發展的重重阻力，如何將數字化、智能化技術應用于企業生產管理，成為企業的“燃眉之急”。

以冶金行業為例，設備管理領域普遍存在著基礎管理、點檢管理、檢修管理、備件管理等方面問題。

再到企業運營管理環節，當前客戶需求多元化、定制化趨勢愈加明顯，傳統經營管理中存在的供應鏈管理剛性固化、庫存管理和訂單管理缺乏彈性等問題，成為企業發展軟性桎梏。如何在有限產能的背景下，靈活、快速滿足客戶個性化需求，提升企業經營管理效益，成為數字化轉型背景下急需解決的問題。

而以電力行業為例，當前發展面臨電量增長乏力、低效和無效投資、購電成本過高、資金使用浪費等諸多挑戰。

通過支持各種類型的數據源和數據接入的方式，將數據接入系統后對數據進行充分地整理和歸納，并生成對應的數據業務模型。再基于先進的 AI 技術，例如文本解析、實體識別、語義理解、 圖像識別，構筑一整套的語義分析與圖像分析的底層引擎能力，并結合系統內置的行業知識圖譜和 算法模型，提供智能問答、文檔搜索、決策分析、數據預測等多項頂層功能。

對于工業企業而言，安全、穩定生產是底線，傳統運維存在無法實時反映設備運行態勢、警告分析不夠智能、警告根因難以確定等問題，做到故障預先提示，實現設備的遠程、快速診斷和維護，顯得越來越有必要。

目前，國內電源結構仍將以火電為主，火電中則是以煤電為主。煤電機組在運行過程中，設備故障造成的非計劃停運較多，給電力生產帶來諸多不利影響，其中鍋爐水冷壁磨損泄漏故障是造成機組非計劃停運的重要原因。針對鍋爐水冷壁磨損，目前采用的措施為定期停爐人工檢測維修。但傳統人工檢測中存在以下問題:

第一，作業周期長，檢測效率低。典型的電站鍋爐爐膛高度可達 50-100m，傳統的檢測方式，費時費力。

第二，檢測可靠性差。水冷壁磨損主要靠人工手持設備進行點檢，受時間和人員精力所限，一般抽取代表點檢測，經常出現漏檢、誤檢。

第三，成本較高，易出事故。檢測時工作人員高空作業，往往和爐內其他施工交叉進行，存在較大的安全隱患。

數字化如何實現制造業快速減碳？

從2020年做出“碳中和”、“碳達峰”的承諾之后，每年都有重磅政策出臺。2021年，雙碳工作被列為“十四五”開局之年的重點任務之一；2022年7月，工業和信息化部、發展改革委、財政部等六部門聯合發布《工業能效提升行動計劃》，將工業“減碳”的窗口期縮短到三年，要求2025年將節能提效作為工業減碳的首要舉措。

隨著“減碳”時間窗口期越來越短，碳排放重點行業通過數字化、智能化技術進行碳減排資源的優化配置，快速實現減碳的需求日漸凸顯。

但是，目前在碳管理中面臨不少難題：

首先，由于缺少碳管理專業知識和數字化工具，傳統碳資產認證體系復雜，認證周期長，認證行業少，且只有納入碳排放配額的企業才能參與，其他企業或個人主動參與度低，入手難。

其次，碳管理數據易造假篡改，利用可編輯監測報告模板篡改關鍵監測數據，從碳排放源頭到碳減排，碳 排放報告質量控制缺失，重要原始數據缺乏真實性和準確性，容易造假和篡改，缺乏有效監管。

如何解決這些難題，其基于區塊鏈技術，通過終端數據展示模塊清晰呈現產品的綠色可持續屬性，或者引入第三方服務進行全鏈路排放計算、碳足跡追溯，從根源減少供應端碳排放。

顯然，在通往雙碳的路上，數字技術將在支撐工業節能提效上，展現出巨大的潛力，也會成為目前“減碳”工作中十分具有亮點的一條技術路徑。