技术融合创新打造未来工业

绿色智能制造技术融合创新报告

群内每日免费分享5份+最新资料

300T网盘资源+40万份行业报告

为您的创业、职场、商业、投资、亲子、网赚、艺术、健身、心理、个人成长 …… 全面赋能！

关注公众号获取更多资料

添加微信，备
注“入群”
立刻免费领取
200套知识地图+最新研报

致终身学习者社群

行业报告/思维导图/电子书/资讯情报

收钱文案、增长黑客、产品运营、品牌企划、营销战略、办公软件、会计财务、广告设计、摄影修图、视频剪辑、直播带货、电商运营、投资理财、汽车房产、餐饮烹饪、职场经验、演讲口才、风水命理、心理思维、恋爱情趣、美妆护肤、健身瘦身、格斗搏击、漫画手绘、声乐训练、自媒体打造、效率软件工具、游戏影音……

扫码先加好友，以备不时之需

前言

中国制造2025时间节点临近，回顾这10年时间，中国工业增加值增幅将近一倍，以光伏、风电等为代表的新能源产业做到了全球规模前列。但是，目前在关键核心技术、产业基础等方面依旧存在短板。同时，叠加中国ì3060î双碳目标承诺，国家对中国制造迈向中国创造的步伐速度提出新的要求以及对可持续发展理念愈发重视。

本报告重点分析在碳中和背景下，工业制造智能技术融合、应用场景落地和服务商生态化合作的现状与未来趋势。绿色智能制造将由顶层规划自上而下驱动，对信息技术(IT)、运营技术(OT)、通信技术(CT)、数字技术(DT)、能源技术(ET)进行融合，整合供应链资源构建生态合作体系，绿色智能制造解决方案将满足更多场景需求，从而创建智能化且可持续的未来工业！

当前国际形势错综复杂，世界经济增长动能有所减弱，国内经济运行面临新的不稳定不确定因素，困难挑战依然很大，但是我国经济长期向好的基本面没有改变。

我国经济社会发展正处于重要战略机遇期，在新时代全面建设社会主义现代化国家的新征程上，实现工业高质量发展显得尤为重要。党的二十大报告提出要ì推动制造业高端化、智能化、绿色化发展î，积极引导企业智能化绿色化转型，探索形成新的产业生态体系，有助于提升我国工业整体发展质量。

在全球工业智能化绿色化转型的大趋势下，立足绿色智能制造应用场景，编制发布《绿色智能制造技术融合创新报告》，总结典型技术融合场景方案和相关科创企业生态圈构建思路，形成企业转型升级ì路线图î，有利于激发企业的创新活力，打造形成绿色智能共赢的生态圈，进而助力企业的高质量发展。

李毅锴

工业和信息化部

国际经济技术合作中心副主任

创新是驱动经济社会持续增长的必由之路。全球范围内，创新已成为国家、企业占据科技制高点的重要手段；在中国，二十大报告指出，科技是第一生产力、创新是第一动力。数字化、低碳化正在塑造全新的产业面貌，创新越来越成为企业发展的核心竞争力。明晰创新环境，优化创新模式，促进创新落地，推动创新演进，是每个创新主体、每位决策者需深入思考、躬身实践的必答命题。

当下，全球新一轮科技革命和产业变革深入发展，新技术与先进制造技术加速融合，制造业正处于迈向高端化、智能化、绿色化发展的历史机遇中。面对企业发展阶段各异、意识不统一、改造环节多、工业基础与技术支撑不足、外部形势多变等困境，ì技术融合创新î正是题解。同时，由于技术与专业领域的多样性，企业需要引进更多合作伙伴，构建共赢的创新生态圈。作为全球能源管理与自动化领域的数字化转型专家，施耐德电气将创新融入基因，从硬件创新到软硬件一体化，从自主创新到联合创新，都建立了扎实的创新能力、形成了完善的创新机制。

顺应逾30万的制造业企业并行的数字化和低碳化双转型需求，绿色智能制造将成为未来最具潜力的蓝海市场之一。在这一背景下，施耐德电气ì绿色智能制造创赢计划î融合创新技术专家委员会汇聚了产、学、研，用多方智慧，联合发布《绿色智能制造技术融合创新报告》，从绿色智能制造概念、技术背景、行业场景、生态角色及未来展望等角度渐进深入，力图勾画制造业技术融合创新全景，以期为绿色智能制造创新生态和发展布局提供必要的、有效的理论支撑和实践参考，为实现开放、高效、韧性、可持续和以人为本的未来工业贡献力量。

李瑞

施耐德电气高级副总裁、

战略联盟＆创新投资中国区负责人

在数字化时代，所有的企业都将是数据驱动型企业。制造业企业已经意识到自身拥有丰富的数据，而这些数据是实现智能制造的关键推动因素。来自设计团队、工厂车间、生产成品和用户行为的数据可以帮助优化生产运营，提升交付给客户的产品品质，并为设计和工程团队提供反馈以创造更好的产品。这些来自每个环节的数据将产生积极的飞轮效应，持续优化包括工业设计，制造流程，供应链管理、产品交付和客户连接等环节在内的制造业企业全生命周期运营。

在全球范围内，我们已看到多家制造业领先企业基于亚马逊云科技的云计算、大数据、工业互联网、人工智能等新兴技术，以及Amazon Monitron （机器远程监控）, Amazon Lookout for Equipment （预测性维护)等工业解决方案，充分发挥数据价值，并成功应用在包括工业数据湖，云上数据工程及设计，互联工厂，工业视觉检测，供应链控制塔和智能互联设备，应用创新和现代化等诸多场景，实现互联互通、自动智能及个性化服务，帮助企业实现降本增效，加速数字化转型与创新。

中国正从制造业大国走向制造业强国，在“碳达峰，碳中和”、“中国智能制造2025”等强有力的政策引导之下，“绿色制造”和“智能制造”已经成为中国制造业转型与创新的两大主旋律，其中孕育着巨大的潜在机会。亚马逊云科技将依托广泛而深入的云服务以及服务全球工业客户的丰富经验和最佳实践，愿携手深耕制造业的合作伙伴，共同打造针对不同行业、应用场景的节能、减排、提质、增效的云端综合解决方案，为中国绿色智能制造的发展贡献一份力量。

倪殿令

亚马逊云科技大中华区

创新成长企业及合作伙伴生态系统事业部总经理

全球制造企业数字化转型的浪潮正在推动世界走向 ì连接无处不在，智能无处不在î。人工智能、边缘计算、5G将成为推动企业数字化转型的技术核心。到2025年，超过75%的数据将在边缘侧处理，以ì智能移动到边缘î为核心发展方向，边缘计算满足实时人工智能推理、数据安全和隐私保护要求，成为数字化转型的关键要素。同时高效技术的引入将提升产品制造各环节的效率，对环境的影响减少到更小，资源利用率提升至更高，使企业经济效益和社会效益协同优化。

随着IT信息技术在制造业的探索和发展，利用IT信息技术推动制造业的研发、生产、管理等环节的变革将成为突破点。作为信息技术的一部分，边缘侧的新应用程序、服务和计算任务需要全新的体系结构支撑，从而解决数字化转型中来自技术、产品和组织复杂性的挑战。同时，IT、OT乃至CT的深度融合和协作也是业内探讨热点，现阶段是否适合数字化转型、转型时又会遇到哪些问题等ì黑匣子î问题仍需长期讨论。《绿色智能制造技术融合创新报告》为这些问题提供了解题思路，它将激发智能技术与制造业深度融合产生的创新活力和无限可能。

邹鹏程

中科创达执行总裁

目录求 CONTENTS

绿色智能制造概念与发展背景01. 04. 绿色智能制造生态角色分析
1.1 绿色智能制造概念 4.1 绿色智能制造场景生态部署逻辑
1.2 绿色智能制造发展背景分析 4.2 绿色场景方案解决服务商
4.3 绿色智能制造生态伙伴评价模型分析
02. 绿色智能制造技术发展与融合 05. 绿色智能制造发展展望与建议
2.1 绿色智能制造技术成熟路径与中外差异 5.1 绿色智能制造发展机遇与挑战
2.2 绿色智能制造5T技术 5.2 绿色智能制造发展展望
2.3 5T技术融合创新总结
2.4 5T技术融合创新未来趋势
03. 绿色智能制造行业场景研究
3.1 绿色智能制造发展象限图
3.2 流程行业（电子元件、钢铁冶炼）
3.3 混合行业（石油化工、医药制造）
3.4 离散行业（专用设备、食品饮料）
3.5 绿色智能制造技术与场景分析象限图
3.6 应用场景商业化潜力分析

D

绿色智能制造概念与发展背景

1.1 绿⾊智能制造概念

绿⾊智能制造是以可持续发展理念为指导，将物联⽹、云计算等IT技术和⾃动化、精益⽣产、能效管理等先进OT技术相融合，并与通信技术、数字技术、能源技术协同应⽤于制造业的整个流程。

1.1.1 产业智能化

产业智能化由传统制造业体系向智能制造体系转变，传统制造业垂直流程、生产效率低效，环节之间无互动，而智能制造体系从生产、销售、物流、运维、设计规划到采购形成闭环，各环节之间高效协同，达到自感知、自决策、自执行的完善系统。

1.1.2 产业绿色化

产业绿色化即绿色制造体系，由绿色产品设计、绿色供应链、绿色工厂、绿色园区组成。绿�园区是基于绿�基础设施的集成平台，综合能源资源一体化解决，能源资源利用效率的大幅提升；绿色工厂的特色是用地集约化、生产洁净化、废物资源化、能源低碳化，实现资源能源及污染物动态监控和管理；绿色供应链是以绿色供应标准进行采购、运输、销售及回收等；绿色产品设计即按照绿色全生命周期设计，引导绿色生产的流程体系。

1.1.3 绿色智能制造六大理念

第一理念为智能化，也是其精神内核，内容是实现各项使能技术以及软硬件解决方案之间的融合和协作，提升企业端到端的管理与决策水平。第二理念为软件化，是工业经验的载体，软件使制造过程在虚拟世界实现快速迭代，并不断优化物理世界的运行，帮助企业实施绿色智能制造。第三理念为可持续化，是绿色智能制造的价值主张，需做到厂房集约化、原料无害化、生产洁净化、废物资源化、能源低碳化等目标。第四理念为渐进化，也是量身定制，判断企业工业发展阶段，梳理业务需求，从顶层设计和评估切实可行的绿色智能制造的转型最优路径。第五理念为数据信息安全化，企业需要构建数据安全体系。第六概念为人身与资产安全化，保证企业进行正常生产制造中工作人员与企业资产的完整性。

绿色智能制造六大理念

Smart

智能化：精神内核

各项使能技术以及软硬件解决方案之间的融合和协作，提升企业端到端的管理与决策水平

Software

软件化：工业经验载体

软件使制造过程在虚拟世界实现快速迭代，并不断优化物理世界的运行，帮助企业实施绿色智能制造

Sustainable

可持续化：价值主张

厂房集约化、原料无害化、生产洁净化、废物资源化、能源低碳化等目标

Stepwise

渐进化：量身定制

判断企业工业发展阶段，梳理业务需求，从顶层设计和评估切实可行的绿色智能制造的转型最优路径

Security

安全化：数据安全、信息安全

企业需要构建数据安全体系及满足合规要求

Safety

安全化：人身安全、资产安全

工业生产中保证人身安全、资产安全

1.2 绿色智能制造发展背景分析

1.2.1 政策方面

作为制造强国建设的主攻方向，制造业的发展水平关乎我国未来制造业的全球地位。发展智能制造，对于加快发展现代产业体系，巩固壮大实体经济根基，构建新发展格局，建设数字中国具有重要意义。全球新一轮科技革命和产业变革深入发展，新技术不断突破并与先进制造技术加速融合，为制造业高端化、智能化、绿色化发展提供了历史机遇。我国要求在2025年达到数字化、2030年达到碳达峰、2035年达到智能化、2060年达到碳中和。

在产业的导向方面，要求对有色金属、石油化工、钢铁等重点行业强化环保、能耗、水耗等要素约束，能效水平对标行业能耗限额先进值或国际先进水平；扶持新能源车、新材料、高端装备等能源资源消耗低、附加值高的战略性新兴产业融合，并进行生态化集群发展。具体的扶持表现在对绿色工厂、绿色园区为代表的绿色基础设施进行经济补贴。

1.2.2 经济方面

中国绿色投融资分布以绿色贷款为主，占比85%，绿色债券占比10%，保险资金、信托占比约5%；绿色贷款余额自2020年以来持续走高，年均增长约为28%；绿色贷款的主要投向为基础设施的绿色升级，占据约40%的贷款总量，清洁能源与节能环保分别占据30%左右；在智能制造方面，受到疫情的冲击及经济周期的震荡，2022年上半年智能制造领域融资金额约为119亿元。

注[1]：中国人民银行注[2]：亿欧数据注[3]：英国石油公司注[4]：国际能源署注[5]：清华大学能源环境经济研究所注[6]：澳大利亚报注[7]：石油圈注[8]：全球电子可持续发展倡议组织

2021年原油对外依存73%⁷

2021年Q3中国绿色投融资分布¹

2019年-2022年H1中国绿色贷款投向统计¹

2019年-2022年H1中国绿色贷款余额¹

2019年-2022年H1

基础设施绿色升级产业贷款清洁能源产业贷款节能环保及其他

1.2.3 社会与环境方面

中国绿色产业潜力较大，弯道超车优势明显；以中美光伏装机容量为例，根据2015-2020年中美新增光伏装机容量对比图中可知，中国在2015-2020年期间增长都远超美国，2017年的两国增量差值更是达到40GWH以上。

绿色智能技术赋能优化制造业能源供应结构，减少工业及发电碳排放，助力可持续发展。绿色智能制造技术融合应用于生产与运营等各个环节，并与之串联，帮助企业进行数字化、自动化、智能化、绿色化、网格化转型。2020年中国碳排放比例中，电力占比超过50%，基于放任气候变化的情况下，本世纪末，气候变化对我国的经济损失可达7.5%，最高可至30%。此外基于全球变暖南极洲融化的假设，海平面上升，将导致不可逆转的灾难。如果大力进行绿色转型，根据研究显示，绿色智能技术会带来超过10倍杠杆效应的低碳化8。

2020年中国主要行业碳排放³

经济损失⁵

基于放任气候变化的情况下，本世纪末，气候变化对我国的经济损失可达7.5%，最高可至30%。

其他损失⁵

基于澳大利亚塔斯马尼亚大学和澳大利亚国立大学科学家的保守估计，南极冰盖融化会使本世纪的海平面上升50厘米。

· 绿色智能技术将会以超过10倍的杠杆效应低碳化⁵

旧能源对外依存度高，新能源助力工业绿色化发展

2021年天然气对外依存45%⁷

1.2.4 技术方面

通过企业的运营技术（OT）、能源技术（ET）、通信技术（CT）、数字技术（DT）、信息技术（IT）五维技术融合，助推企业实现能源与自动化融合，实现效率提升和节能降耗；实现终端与云端结合，实现底层设备、中间边缘、顶端云和应用纵向打通；实现全生命周期融合，从建设到运营一体化联通；实现企业管理集成化融合。

2030年碳达峰及2025年数字化目标的时间节点愈发紧迫，绿色化与智能化的融合发展正在以前所未有的速度在工业制造的领域普及，对制造的流程、市场格局甚至商业模式产生了积极影响，在政策引导及加大金融支持的背景下，以5T技术(信息技术、运营技术、通信技术、数字技术、能源技术)为主的技术融合已经成为常态，背后的逻辑在自动化、数字化、智能化的推动下，工业制造即将迎来下一轮升级革命。

0 02.

绿色智能制造技术发展与融合

2.1 绿色智能制造技术成熟路径与中外差异

绿色智能制造技术在21世纪后进入快速发展阶段，从应用角度看，目前我国在OT领域上有一定差距，在其他4T方面，目前已经与欧美几乎站在同一起跑线。

绿色智能制造5T技术发展路径图

从5T技术发展时间看，OT技术发展较早，普遍在90s之前基本成熟；以工业软件为代表的IT技术跟随着OT技术进入成熟；基于IT技术的DT技术在2010年前后得到较大的应用；CT与ET技术发展依托于IT、DT、OT技术发展与绿色生产两者产生的新诉求。

在应用方面，我国与欧美国家在OT领域有一定的差距，但在其他4T方面已经几乎平行。OT技术和欧美差距在五种技术中最大，但中国借助体量带来的数据、知识积累，通过不断迭代，有望追上世界前沿的步伐；中国在IT技术的应用位于世界前列，通过新技术解决旧问题的期望持续推动前沿科技的应用落地；中国在数据技术方面对算法的研究目前还有一定欠缺，但中国在大数据及数据挖掘层面存在明显优势；得益于对以5G为代表通信基础技术的重视，中国在通信技术方面的应用位于前列，与欧美几乎没有差距；依托于电力技术，比如新能源及特高压的积累，我国对于技术应用处于前列，但在虚拟电厂、分布式储能等技术中略显不足。

2.2 绿色智能制造5T技术分析óOT技术(运营技术)

OT技术是实现对企业资源、体系、流程、工艺及事件的全面管控，覆盖企业运营的各个方面，其中包含生产运营、能源运营、设备资产运营、服务运营。OT技术将硬件技术软件化、自动化技术数字化，同时进行技术标准化。

近年来传统行业（电力、石油化工等）景气度下降与新兴行业（新能源、汽车、集成电路等）迸发对OT技术的需求形成对冲，整体来看，现代制造业对OT技术的进步提出更高要求，OT与IT的融合才可以深度挖掘需求及生产规划，助其更好发展。

主要优势：

OT和IT技术融合主要能降低工业成本和过程风险，优化工业业务流程以及提高数据的可访问性，同时降低技术迭代难度。IT软硬件可以便捷地访问OT设备及其运行数据，另一方面，IT的云技术和数字孪生等新技术，提高OT工业设备和数据的可访问性、稳定性和流动性，同时减少工厂服务器，易于实施更新。此外，OT系统通过IT基础设施，与DT等技术融合，利用各种算法模型有效开展风险边界预估，降低工业组织的潜在风险。

主要挑战：

科技是双刃剑，OT和IT的融合也存在着一定的难点和挑战，一方面OT与IT融合带来了诸如外部攻击、内部恶意漏洞、错误操作等潜在安全风险；另一方面OT软硬件自设计初衷，都是与网络隔离的，因此不会考虑到来自外部的网络安全威胁，联网之后，SCADA、PLC等面临的安全风险也趋于显现。其中风险具体表现有：PLCóó面临自助保障和信息安全的问题，且自身扫描式工作的设计存在误读可能性；RTUóó较多采用嵌入式实时操作系统，存在漏洞及缺乏安全监控和防护机制。同时通信协议以明文方式进行传输，容易被监听和攻击；SCADA系统óó启动后将长期运行，很难及时修复漏洞，同时会面临未授权访问等问题，另外所在计算机被感染病毒甚至会扩散影响至RTU¹。

从应⽤⻆度分析，国内重要OT技术为：

PLCóó在自动化升级和智能制造逻辑下，PLC在中国的应用愈发广泛，其中在新能源、环保等新兴行业突破较多；SCADAóó目前第三代SCADA体系（网络化）是我国应用较为广泛的体系，以电力、冶金等行业应用为主。未来第四代体系将会与互联网、神经网络、嵌入式体系、数据库等集合，满足安全、经济运转及商业化需求；

DCSóó受电力、建材、石油化工行业影响，近几年的应用有所下降；

CNCóó由于高精尖制造需求的提升，CNC近几年在汽车船舶、国防军工、机械制造、石油化工等行业应用较多；机器人óó中国机器人装机量在2020年占据全球总量44%，用工成本上升、产业升级、规模效应凸显等逻辑支撑机器人行业中长期内将会维持高速增长。目前主要的应用场景有汽车、3C电子、金属制造、锂电、食品等领域。

2.2 绿色智能制造5T技术分析óIT技术(信息技术)

IT技术发展趋势

生产设计类工业软件

CAD	设计绘图
CAM、 CAE	仿真测试
PLM、 PDM	产品数据

经营管理类工业软件

ERP	企业资源管理
FM	财务管理
HRM、HCM	人力资源管理
EAM	资产管理
CRM	营销管理
SCM	供应链管理
BI	商业智能
OA	办公协同

运营控制类工业软件

MES 制造执行系统DCS 分布式控制系统SCADA 数据采集与监视系统EMS 能源管理系统

运维服务类工业软件

APM 资产性能管理MRO 维护维修运行管理PHM 故障预测与健康管理

工业互联网是数字化、网格化、智能化转型的基础设施，也是云计算、大数据、工业软件融合的载体

IT技术（Information technology）是智能制造融合基础，推动工厂走向全面绿色智能制造。智能制造的IT技术包含支持企业功能的系统，例如人力、财务、供应链等，这些系统具有跨行业的通用性。IT技术作为基础，与其他4T融合推动工厂智能化改造。

目前IT技术以生产设计类、运营管理类、运维服务类这三类工业软件为基础推动工厂：

一、数字化óó对设备进行数字化赋能或利用数字化生产设备，提高生产效率，此外生产与运营各环节采用数字化的管理方式，告别纸质文档管理方式；

二、网络化óó将原本独立的各个工业系统进行网络化连接，使其具备统一操作性，实现工业生产要素、各个生产环节的互联互通，提升使用主体效率；

三、智能化óó利用人工智能、大数据等技术，实现单点或简单流程智能化，实现生产制造设备、系统的智能感知、智能决策，并最终实现智能执行。

从应⽤⻆度分析，国内重要IT技术为:

ERPóó源于企业对管理水平的日益重视。由于近两年竞争愈发激烈，企业数字化转型需求不断拉高，18-19年放缓的ERP增速于2021年重新回到两位数增幅，为近5年新高。目前ERP软件主要应用于制造业、电力、石油化工等行业。

超级计算机óó中国目前的算力在TOP500榜单上占据34.6%的份额。超算的主要应用领域在国防、气象、石油勘探及大型基础设施项目，但近年来，得益于计算成本的降低，应用场景下沉到互联网、金融、制造业等领域。以制造业为例，广汽、小鹏及中国商飞项目在设计方面受到超算赋能，快速优化了产品性能，减少研发成本。

CAD、CAE、CAMóó应用广泛，目前主要在制造业和重工业应用较多，例如建筑设计、工程机械、能源化工等行业。研发设计类工业软件需要基础科学研究及交叉型的研发人才，目前国产化进度一般。

2.2 绿色智能制造5T技术分析óDT技术(数字技术)

DT（Data technology），即数据处理技术，是对数据进行存储、清洗、加工、分析、挖掘，以数据创新、激发生产力为主的技术。

自动化和机械化的过程中产生了大量数据，但大多数制造商不能很好地使用这些数据。在DT时代下，充分挖掘海量数据的价值，利用“云大物智”技术指导企业经营决策，已成为制造企业最为关注的问题。

发展现状

IT时代向DT时代进化，其体现的主要特征有：数据开放资源共享，提供数据决策能力，定制化的新制造，推进实现降本增效。IT是以控制管理、积累数据为主，强调标准化、规模化。DT是以数据创新、激发生产力为主的技术，强调独特化、个性化、灵活性。

DT驱动的难点和挑战

一、成本与安全óó工业互联网安全涉及终端设备升级、数据中心、云计算等方面的成本，前期大规模投资回报短期难以衡量，另外工业互联网的数据面临泄露和网络攻击等风险。

二、数据接口协议不统条生产线涉及大量不同的设备底层通信和数据交互协议等，要实现设备之间有效的数据流动和融合有难度，以及工业互联网设备的专用软件难以通用也是当前工业互联网发展的一个较大瓶颈。

三、DT人才要求较高óó熟悉工业生产的流程和工艺，懂得企业的痛点、需求及价值所在，拥有管理有价值、可计量、可读取的数据资产及进行分析的能力。

⽀撑DT驱动的ì云⼤物智î正在逐步融合，并迸发出新兴应⽤：

云计算óó简化现有IT架构，服务器利用率从40%上升至80%，降低能源消耗及运维难度，减少70%维护时间，并提高系统可用性与数据安全性；

大数据óó大数据是绿色智能制造的基础，是重要的生产资料，其在制造业大规模定制化场景中的应用包括数据采集、数据管理、订单管理、智能化制造、定制平台等。定制化场景中的数据达到一定的数量级，就可以实现大数据应用；

人工智能óó人工智能有八大关键技术在制造业中有广泛应用，分别是深度学习、增强学习、模式识别、机器视觉、数据搜索、知识工程、自然语言理解和类脑交互决策。这些技术持续推动制造业得以做到自感知、自适应、自学习、自决策；

物联网óó物联网使制造业迈向万物互联，在采集数据、智能分析方面有巨大优势，为制造业提供在生产过程当中所需的数据支撑，是传统工厂向智能工厂升级的基础；

数字孪生óó以数字孪生为代表的技术群，利用数据库资源，映射现实并构建出能够独立运行的虚拟工厂；

AloTóó以人工智能物联网（AIoT）为代表的技术群，采集、连接、融合现实世界中的数字信息，形成动态、静态等各类数据库资源；

MRóóAR、VR等技术融合，作为虚实世界通道，发挥着促进数据双向反馈、快速迭代作用。

2.2 绿色智能制造5T技术分析óCT技术(通信技术)

CT（Communication technology），即消息传播的发送技术，主要包含传输接入、网络交换、移动通信、无线通信、光通信、卫星通信、支撑管理、专网通信等技术。当今社会已经进入了一个信息化通信的时代，移动通信和短距无线通信的发展十分迅速。在工业领域，5G的应用虽然刚刚起步，但未来智慧工厂、工业互联网的发展必然离不开5G这样的移动无线通信技术。另一方面，兼具可靠与低延时性的TSN技术和灵活的5G技术的结合非常适合智慧工厂。

从应⽤⻆度分析，国内重要CT技术为：

移动通信系统¹óó目前，移动通信系统的广泛应用为第四代移动通信系统（4G）和第五代移动通信系统（5G）。随着企业数字化转型需求提升，绿色智能制造园区数据资产体量呈现指数级增长，生产制造各个环节对通信技术的高带宽低延时提出更高的要求。5G可以提供高数据速率、高系统容量、更低的延迟、提高能效、降低每bit成本和大规模设备连接的能力。截至2022年12月末，根据GSA数据，155个国家/地区的487家运营商正在投资5G。其中，中国的5G基站数量全球领先，根据工信部数据，截至2022年10月末，目前全国有225万个5G站点，占全球总数70%以上。全国所有地级市都实现了5G全覆盖，5G已在包括工业制造、矿业、港口、医疗、教育、娱乐等国民经济97个大类中的40个行业得到广泛应用。

预计到2030年，6G技术将开始试点部署。6G可以提供高保真全息图、通信感知、地空通信、太赫兹(THz)通信和通用人工智能(AGI)。

时间敏感网络óó即在非确定性的以太网中保证确定性的最小时延的协议族，是一套旨在改善当前以太网实时性能的标准，实现工业网络中IT与OT的融合。作为移动通信的5G与TSN结合，能充分发挥5G的灵活性和TSN的极低延迟性，非常适合智慧工厂如工业移动场景、电网等场景应用。其中端到端确定性通信服务指TSN在现有的以太网QoS功能基础上增加了包括时间同步、流量调度、无缝冗杂等一系列技术，根据业务流量的特点，确保流量的高质量确定性传输的结合。TSN和5G是未来有线和无线工业互联网的关键技术。因此TSN和5G技术的融合需要关注有线和无线异构融合的架构设计。

2.2 绿色智能制造5T技术分析óET技术(能源技术)

ET（Energy technology），即为能源技术。新一轮的能源技术革命正在孕育兴起，新的能源科技成果不断涌现，正在并将持续改变世界能源格局。在“双碳”目标的推动下，传统能源的无害化、清洁化，新能源的开发和利用，先进的储能技术以及能源互联网的构建成为主要发展方向。

传统的煤炭、石油、天然气和水电等能源正在向太阳能、风能、生物质能、地热能等新的能源技术过渡，同时新的能源管理方式出现，如微电网等。

在“绿色智能制造”时代，云计算、物联网、数据分析、机器学习、人工智能、自动化、智能终端、增强现实等技术组成错综复杂的生态系统。

ET技术与多技术的融合，就是发展智慧能源的基础，即引导能量有序流动，构筑更高效、更清洁、更经济、更安全的现代能源体系，对能源选择、利用、存储进行智能管理，助力制造业绿色化与智能化。

这里列举主要的能源技术类别：

针对传统能源

煤炭无害化开采技术：地质保障与安全建井关键技术、隐蔽致灾因素智能探测及重大灾害监控预警技术、深部矿井煤岩、热动力灾害防治技术、矿山及地下工程重大事故应急救援技术及装备、煤炭高效开采及智能矿山建设关键技术等。

煤炭清洁高效利用技术：先进煤气化技术、先进低阶煤热解技术、中低温煤焦油深加工技术、半焦综合利用技术、超清洁油品和特种油品技术、煤制清洁燃气关键技术、新一代煤制化学品技术、煤油共炼技术、煤化工耦合集成技术等。

二氧化碳捕集、利用与封存技术：新一代大规模低能耗二氧化碳捕集技术、基于IGCC系统的二氧化碳捕集技术、大容量富氧燃烧锅炉关键技术、二氧化碳驱油利用与封存技术、二氧化碳驱煤层气与封存技术、二氧化碳驱水利用与封存技术等。

针对新能源

大型风电技术：100米级及以上叶片设计制造技术、大功率陆上风电机组及部件设计与优化关键技术、陆上不同类型风电场运行优化及运维技术、典型风资源特性与风能吸收方法研究及资源评估、远海风电场设计建设技术等。

氢能与燃料电池技术：大规模制氢技术、分布式制氢技术、氢气储运技术、氢气/空气聚合物电解质膜燃料电池（PEMFC）技术、甲醇/空气聚合物电解质膜燃料电池（MFC）技术、燃料电池分布式发电技术等。

生物质、海洋、地热能利用技术：生物航油（含军用）制取关键技术、绿色生物炼制技术、生态能源农场、生物质能源开发利用探索技术、波浪能利用技术、潮流能利用技术、温（盐）差能利用技术、干热岩开发利用技术等。

针对能源管理系统

微电网：由分布式电源、用电负荷、能量管理系统等组成，是一个能够基本实现内部电力电量平衡的供用电系统。基本以清洁能源（光伏、风力等）为主，一般应用于偏远的场景及用电质量需求较高的场景。微电网对电网系统有支撑作用，可以为用户提供并网/离网的切换。

虚拟电厂：虚拟电厂是一种将不同空间的可调（可中断）负荷、储能、微电网、分布式能源等一种或多种资源聚合起来，实现自主协调优化控制，参与电力系统运行和电力市场交易的智慧能源系统。

先进储能：智能电网中最重要的环节之一，对光伏、风电厂送出的电进行储存，解决新能源发电不稳定对电网造成的冲击。目前主流的储能技术以抽水蓄能、化学电池（钠硫、铅酸等）、超导电力技术、P2G（power to gas 电转气技术）。

特高压：特高压输电使用交流1000千伏及以上和直流±800千伏以上电压等级，是通过发电厂用变压器将发电机输出的电压升压后传输的技术，能减少输电时的电流，从而降低因电流产生的热损耗和远距离输电的材料成本。特高压输电线路输送容量更大，输电效率更高，运行损耗更小，节约更多土地资源，节省工程造价，输送距离更远。

2.3 绿色智能制造5T技术融合创新总结

当前智能制造竞争进入格局未定的战略窗口期，技术融合发展趋势较为明显。OT与IT融合可以打通边界，提高OT工业设备和数据的可访问性，从整体角度优化业务流程。CT对串联起整个生产流程信息流及运用产生至关重要的作用。DT技术则进行生产技术的赋能，优化生产工业，改善流程，而ET技术支撑OT、IT、CT、DT技术融合，保障生产的持续经营。

信息化与数字化：OT、IT、CT的融合

融合形成技术闭环，利用OT技术采集生产信息、IT分析并得出指令，CT将数据与指令发布到各个节点。

智能化与绿色化、未来化：5T融合

借助DT技术的大数据存储能力，将AloT采集数据实现长时间、大容量的存储。同时对数据进行清洗，并借助云计算、超算对数据进行深度挖掘。数据模型将会反馈至AloT，进一步提升设备使用效率和精度以及完整生产流程的持续优化。

另一方面，利用采集数据及数据模型构建数字孪生，孕育工业元宇宙。

ET技术支撑技术融合，提供负荷及能量转换、保护、监控等，通过自身储能设备及微型发电机等设备，维持生产流程持续工作。

2.4 绿色智能制造5T技术融合创新未来趋势

行业宏观层面趋势企业规划层面趋势	主动式转型
非领军企业：	领军企业：通过绿色智能制造咨询在战略层面制定绿色智能制造转型注重短期生存需求，优先构建数字化、自动化满足业务流程优化及协同改善		非领军企业：数字化、自动化深入融入业务流程，开始向绿色智能制造转型
技术突破层面趋势	5G、AI	云计算		未来 6G
	数据安全低代码 Al建模外包 3年内	边缘计算 CCUS	数字李生 WEB3.0	算力引擎交互感知

3年内，随着绿色商业价值的凸显，领军企业率先向绿色智造主动转型，同时降技低术成本，鼓励中小企业参与；10年内，绿色智造技术将会持续完善，同时基于双碳政策的要求，所有制造企业都将向绿色智造转型；10年以上，算力规模持续提升，制造业全面进入绿色制造阶段。

3年内的行业宏观层面趋势

主动式转型：以最终实现智能制造为目的的数字化转型向中小微企业持续渗透。

5年内的行业宏观层面趋势

全面自动：以电子元器件制造行业为代表的制造业将会率先进入全面自动化阶段。

5-10年内的行业宏观层面趋势

被动式绿色转型：基于2030碳达峰的要求，所有对绿色有抗性的行业都必须进行绿色智造转型。

10年展望的行业宏观层面趋势

全面绿智：制造业进行全面推动绿色智能制造。

1-5年企业规划趋势

非领军企业：注重短期生存需求，优先构建数字化、自动化满足业务流程优化及协同改善。

领军企业：通过绿色智能制造咨询在战略层面制定绿色智能制造转型。

5-10年企业规划趋势

非领军企业：数字化、自动化深入融入业务流程，开始向绿色智能制造转型。

3年内技术层面突破趋势

5G、AI：5G、AI商用落地在绿色智能制造领域将会加速铺开。

数据安全：目前在部分领域，例如金融、政府已经有大量落地。预计在未来三年内，随着工业IT与OT的打通，对数据安全性提出更高要求的背景下，隐私计算在工业制造的应用将会铺开。

低代码：低代码在未来3年内的高度增长(CAGR63.7%，3年内市值达到267.7亿元)，目前OCR识别、RPA已经应用于低代码，未来预计将会有更多AI、物联网技术接入。

AI建模外包：随着加密技术进步，涉及工业设计、数据分析等环节的AI建模和机器学习将会外包给第三方AI公司。

3-5年内技术层面突破趋势

云计算：目前在制造业的渗透率约为30%左右，预计在2025年前后达到50%以上。

边缘计算：目前在制造业的渗透率约为10%左右，预计在2025年前后达到30%以上，为云计算提供后端与支持服务。

CCUS：首个百万吨级项目已成功落地，未来3年-5年来商业化运营将会加速。

5-10年技术层面突破趋势

XR：近眼显示、渲染处理等技术已经逐渐成熟，目前在工业领域已经开始有所运用。

数字孪生：目前已诞生第一个ISO数字孪生，主要应用于以航空装备等为代表的高端制造业中，预计在2030年左右数字孪生可以达成大规模铺开及深度应用。

WEB3.0：从数据计算基础层角度看，基于区块链的ì脱链计算î、共识机制、跨链标准将会在未来10年内解决，并进行落地。

10年以上技术层面突破展望

6G：预计到10-12年后，6G技术将开始试点部署。6G可以提供高保真全息图、多感官通信、太赫兹(THz)通信和通用人工智能(AGI)。

算力引擎：预计5年内，算力规模提升至30倍，7年内算力可以满足自动驾驶需求，10年左右达到算力与实体经济产业的融合。

交互感知：10年左右，肌电感应、虚拟气味、触觉反馈等技术将会相继成熟并在制造业相继落地。

最终愿景

未来工厂：基于数字孪生、AI、大数据等技术革新生产方式，以数字化设计与管理、智能化生产、绿色化制造、安全化管控为基础，以网络化协同、个性化定制等新模式为特征的工厂。

绿色智能制造技术萌生到发展再到互相融合，响应着国家的政策走向，回应着社会与环境发展的每一个需求。技术的融合带来的降本、增效、提质的效果终归需要在应用场景落地并发挥作用。

#

绿色智能制造场景䲸会

绿⾊智能制造发展忁榰⩞

行业编码来源于国家统计局行业定义

从当前智能化进程和绿色化需求两个角度，结合2000制造业上市企业财务数据及多位专家调研，总结出中国制造业多个倛分领域的绿色智能制造现状，将其归类为观望者、跟随者、先行者。

从固定资产、研发投入、人效得出智能化的得分，根据污染物排放、绿色工厂建设意愿等指标得出绿色化得分，䲰选出六大行业³³电子元件、钢铁冶炼、石油加工、专用设备、医药制造、食品饮料进行分析。

绿色智能制造⪚景䭴䷖ͭ䢕⺰⒣≖

来源：施耐德电气、亿欧智库、专家访谈

ऄ׿ҫ件产业:技术܎ҵ程چ

电子元件产业规模增长迅速，碳排放日益增高：2021年中国电子元件营业收入破22万亿元，新注⋡企业为743万家，约为2020年162倍；碳排放量日益增多，形势ὺ⹐，比如半导体行业，‚台积电一家，2020年碳排放已高达1500万吨，为2017年的25倍。

电子元件行业产品多品种，多定制化，产品之间差异较大，同时产业链通常处于多厂商、多平台、多流程的状态。绿色智能制造技术助力电子元器件㤩性生产，以市场为导向，按需生产，从用户体验出发，对产品、服务进行优化与提升，建立叄好用户口䧦，以此㏷占市场份额，增强企业灵活性和应变能力，提高生产效率。

/4运营技术

)4信息技术

\$4数据技术

4通信技术

%4能源技术

投入程度以⧀充色4圈为高投入，䇅色⧀充色为低投入

电子元件产业5T技术投入程度中，5G、大数据、云计算、人工智能与区块链技术应用较为广泛，对于污染物排放整体比较重视，无⵭车间、ヿ环过䀹技术应用较多，在碳排放这方面，低碳能源技术由于成本原因及设备可靠性原因，㟗未进行大规模投入，但低碳依然是行业未来重点应用的方向。

电子元器件产业整体绿智程度较深，投资量级近乎上亿级别，目前重点投资的环节为加工制造、研发设计，其中加工制造环节最容易改造，带来的收益最为直接。

研发设计、采购供应链的痛点大致为研发设计流程较长、无法提前预判产品生产过程中因规格、材料等因素所带来的隐圤风险，外加上㾍原材料品种较多，涉及各行各业，多供应商、多部朽，难以与后续加工制造环节联动，需要

人工根据经验决策，导致材料浪费、生产效率不高。

由于工序环节较多，加工制造环节通常需要工序外协，导致企业难以掌握进度；生产过程中车间运输人工成本较高，精密电子运输过程中容易损坏及质量检测操作复杂，多为人工操作，效率低、失误率高。

另外，痛点和问题也能体现在产业中的技术融合场景，这里列举四类技术融合场景¹。

第一类：研发设计数字孪生场景——数字孪生技术在虚拟的三维空间里打造产品，可以轻松地修改部件和产品的每一处尺寸和装配关系，使得产品几何结构的验证工作、装配可行性的验证工作、流程的可实行性大为简化。以某家电产品设计为例，人机界面简化设计流程，通过使用3D仿真和人机界面，工程师可以确定产品的规格、制造方式和使用材料，并根据相关政策、标准和法规进行设计评估，帮助识别潜在的可制造性、质量和耐用性等问题，提升设计效率10%。

第二类：智能精益生产场景——精益生产将结合智能制造相关技术，比如5G、边缘计算、工业软件、人工智能等，可以尽可能地消除作业现场的不确定性，从而降低精益生产部署的试错成本，更高效提升生产效率。以某电子制造工厂为例，产线各环节互联互通，将来自不同系统中的客户、订单、生产数据贯通，智能决策，实现异常响应及时性提升了80%，生产效率提升12%，产能提升了22%，人均产值提升了14%，市场反馈的故障率降低了25%。

第三类：车间智慧物流场景——使用移动操作机器人平台，搭配智能物流管控系统和智能调度系统，打通不同工艺流程之间的物质流和信息流，实现物料在各个车间、机台的自动转运或自动上下料，解决传统车间痛点。以某晶圆加工厂区为例，工厂晶圆盒机器人和智能调度物流管理系统实现电子料架、机台、存储仓间的柔性运输及无人化自动上下料。提高生产效率33%精准上下料，减少操作员30%无效行走，提高电子料架利用率 66%。

第四类：机器视觉质检场景——一项综合技术，包括图像处理、机械设计、电气控制、光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术，对产线设备及零部件进行质量检测。以某家电企业工厂为例，建立五方位摄像头对冲压件进行机器视觉识别，通过5G上传高清照片，后由MEC+GPU+AI软件进行AI图像推理比对来进行质量检测，实现误检率<0.5%，检出率>95%，并节省了前端工控机的建设及管理成本。

绿色智能制造场景研究——AI视觉检测平台案例

背景介绍：施耐德电气是全球能源管理和自动化领域数字化转型的专家，服务于家居、楼宇数据中心、基础设施和工业市场，业务遍及全球100多个国家和地区，施耐德电气武汉工厂被达沃斯世界经济论坛专家委员会评为发展中的“灯塔工厂”，为中国乃至全球的智慧工厂在数字化转型方面做出示范。

业务诉求：施耐德电气仅在中国就有23家工厂和7家物流中心，生产种类繁多的各类产品，为了确保产品的高质量，所有生产线都必须遵循严格的质量检测流程。

项目痛点：产品的外观以及质量检测由人工肉眼判断或传统视觉检测完成，而传统视觉检测检测效率低、漏检率和误检率高，此外，传统的自建服务器方式存在两大挑战：其一是模型的训练和送代需要巨大的算力，成本非常高；其二，在进行模型训练时需要工程师到全国各地工厂去采集数据需要投入大量的人力。

上云方案：中科创达利用亚马逊云科技的Amazon SageMaker及其他相关云服务，采用“云边”结合的方式构建AI视觉检测平台。亚马逊云科技的AI视觉检测解决方案和服务(Computer Vision for Quality Insight)帮助质量和工艺工程师收集和分析来自不同来源的数据，包括来自多供应商的摄像头数据，与人工检查相比，节省了大量时间；自动化图像分析还支持分析根因并制定对策，帮助团队管理整个生命周期，更好地实现大规模零缺陷。边缘端软件是边缘检测系统通过工业相机采集产品外观照片并在通过一系列安全认证后上传到云端，存储在Amazon S3上。云上负责模型训练和迭代及全生命周期管理，来自生产线的正样本上传到云端后作为输入数据传输到机器学习框架，模型通过持续的训练和迭代提升精准度，达标后再部署到生产系统。

上云成效：实现检测自动化和智能化，与传统视觉检测模式相比误检率能降到0.5%内，大大降低返工的工作量；漏检率能降为0.5%，杜绝不良品流到客户现场，与采用人工检测的产线相比可以优化产线检测人员配置通过云边协同，实现了云端对边缘端的统一管理，确保多边缘端能够同时完成模型迭代升级和管控，从全生命周期的角度管理分布在不同工厂的模型。

⭚⇮⇺淌捪⇱䴱技的!)崦崩㰠䂫㇓❐㬖㫤

绿色智能制造⪚景䭴䷖ͭ栂校┖䐜

2021年钢材产量憑近14亿吨，能源活动碳排放163亿吨，占据能源碳排放17，绿色转型需求迫切。

ୖߕ能源䬛 ڧݹ݌ րުੋͫ绿色技术驱动ୖѣӗ݌

中国楌㯺年⯱产晹⡴ⵈ擉¹

年中国能源䇥动碳排放占比⟿⏷： ²

智能制造技术在钢铁冶炼应用广泛，以基于信息流的数字孪生、可视化、未来供需预测等为主，同时基于智能技术，为产品研发、生产协同、质量管控、能源管控、储物流等环节赋能。

数字化ؘ现ୖ୞⢙ࢶ产业绿色智造૴ֺ¹

љ数字ㄗ生О核ڶ的数字模型驱动的生产控制一体化和管理优化

љ数据可ં化О核ڶ的设备状态、环境保护等信息要素集合

的ߊ݌智能、ࡹ௄ࡌ஬йׂ全供应链优化，实现产销对接

智能产ս研发

运用大数据，进行产品理论预测模型，基于虚拟⁔真技术，㖂建虚拟⁔真平台开展产品设计、产品模拟和方案验证

智能生产ԣգ

通过环境感知、人员行为识别、人员定位跟彿，实现对 Ⓠ 险的管控；采用智能机器人技术在恶⏸环境、高Ⓠ环境作业

智能ૅ量管控

基于标准与规范对生产过程进行监控、监测、判定与预警，及时识别和发现生产过程的质量问题，同时利用大数据进行质量回归分析建模

智能能源Ճ环境管控

通过实时的能源消耗数据进行监控、分析与控制，进行能源管理、平衡及优化，降低生产成本

ࡶ࣒智能ѓҥ

采用移动通崄技术和移动应用技术，实现储物资移动调度、智能调度

三个维度助推转型³³以数字孪生为核心的数字模型驱动的生产控制一体化和管理优化；以数据可视化为核心的设备状态、环境环保等信息要素集合；基于需求预测、智能排期的全供应链优化，实现产销对接，从而实现智能产品研发、智能生产协同、智能质量管控、智能能源及环境管控和智能储物流。

ୖ୞⢙ࢶ产业:技术܎ҵ程چ

/4运营技术

)4信息技术

\$4数据技术

4通信技术

%4能源技术

投入程度以⧀充色4圈为高投入，䇅色⧀充色为低投入

钢铁冶炼产业5T技术程度从整体来看，应用较多，特别是得益于物联网底层设备成本的下降，提高企业拥㐆绿智的信心。以目前而言，云计算考虑到投资成本与专业化运营)、网络安全、3D打Ⓟ（在试点）等技术应用依旧还在探索中。在低碳能源方面，得益于政府监管ὺⓞ，企业重视程度较高，目前在低碳生产投入较大。

钢铁冶金行业绿色智能制造技术整体较为成熟，对企业研发设计、采购、加工制造、仓储物流等方面有较大赋能，对保证工厂不间断运行，控制安全风险产生显著效益。不过，整体存在头大尾小情况，龙头企业转型积极，但尾部企业利润低，对于高昂的投资始终保持抗性。整体上来看，钢铁冶炼产业绿色智能程度较深。

研发设计的痛点主要为高端钢铁、特种钢研发的原料昂贵，试错成本高，在新技术应用，比如虚拟建模、仿真、3D打印这些方面应用依旧较少。

采购供应链的痛点主要体现大量上游材料及高品质铁矿石需要进口，原材料的供应、加工制造与下游需求衔接不够，还有上下游衔接点的信息流整合较弱。

加工制造环节除了工作环境高温、高噪音、高粉尘的传统问题外，近几年体现的问题为数据驳杂，过程数据、状态数据、位置数据、固相数据、液相数据，各个系统垂直，融合较难。

仓储物流的痛点，其核心是生产与仓储信息协作效率低，数据孤岛严重；由于钢铁行业结构化分销渠道占比较大，生产、销售链条复杂，信息回流不畅，推高交易成本¹。

另外，痛点和问题也能体现在产业中的技术融合场景，这里列举三类技术融合场景²。

第一类：产线集中监控「CPS物理信息系统」——利用CPS(Cyber Physical Systems物理信息系统)，深度融合IT、OT、CT技术，连接工业互联网及工业物联网，构建数字孪生，在搭建虚拟仿真平台、开展新产品设计等场景具有良好效用。同时将传统工业流程进行集中化、规模化应用，树立钢铁智慧制造的标杆。以某钢铁厂为例，早在2001年开始布局信息化与智能优化团队，基于CPS系统实现了5KM以上的跨工序、跨区域、远距离的大规模集控和无边界协同。40多个中控室及400多名员工从危险区域撤出；35万点大数据分析，优化制造流程，年均收益可达1.85亿元；多专业多工序无边界协同，作业区数量下降60%，人事效率上升40%。

第二类：铁前工序智能碳使用「智能感知、监测、识别」——钢铁加工制造的碳排放80%以上集中于铁前工序。人工智能、机器视觉、机器学习及物联网感知技术深度参与这一环节。监测到异常运行状态，识别出异常的环节，并进行预警及智能决策。例如，后续的炼铁过程根据欠热、过热、欠烧、正常、过烧等状态进行温度的改变。以某钢联为例，“智能碳使用”技术路线是重点项目之一，利用智能感知，实时监控，通过高炉废气导入变压吸附装置，将一氧化碳与其他气体分离，并将分离出来的气体进行商业化利用，根据2017-2021年运行周期的统计，实现温室气体减排30%以上的目标。

第三类：打捆、贴标、加渣等高危环境「工业机器人」——目前在钢铁加工较为广泛，比如投料、焊接、测温、图像识别等环节。基于边缘计算、边缘AI及深度学习等技术，机器人可以协助实现生产自动化、料场控制无人化、在仓储物流中进行放料搬运，代替人工作业。以某集团为例，引入智能化换人及机器人代人等战略，包括自动打捆机、贴标、加渣机器人等，分布在高温、高粉尘的恶劣环境中，同时，借助计算机视觉技术及图形处理技术实现信息共享、生产联动，预计某集团至2024年将持续引入智能机器人数量达1500台。

绿色智能制造⪚景䭴䷖ͭ䭓䀙化ㅅ

石油化工为六大高耗能产业之一，其产业链条长、产品种类多、行业覆盖面广，目前我国产业规模位于全球领先。

Խ ࢃ࡝ ৴ ׍ࢬ ͫӗ݌Թ力ૻ大

年年中国⡉䅣䈲品晹⡴ⵈ擉¹

·中国原油消耗量2020年增速达73，创下近4年新高，消耗量憑近7亿吨

澦وٴ前䬛ଇّ行动方ࠄ澧

石化产品产能利用率提升至80以上

动ݐߘ঳ݼ能ࠀ澦ी化重点行业Е ਭ能஑䬛行动方ࠄ澧

至少总量30的炼油、ᾮ䉄、合成㵽等化工产品达到碳排放基准能效

20162020年中国原油消耗量逐年增长，增速飞升，中国原油消耗量在2020年增速高达73，创四年新高，消耗量直憑7亿吨，由于《2030年前碳达峰行动方案》要求石化产品产能利用率提升至80以上，《石化重点行业ὺ格能效约束推动节能降碳行动方案》要求至少总量30的炼油、ᾮ䉄、合成㵽等化工产品达到碳排放基准能效。

ी化工Դ六化૴ֺ²

䲝化智能工厂☗化模型

ी化智能工ԴО࠴进行六化૴ֺ：

自主化：\$I与石化工艺的深度融合，系统自感知、自学习、自决策、自适应，降低人工参与；

自动化：过程控制自动化，如D&S、3/&等，提高智能装备、机器人技术的使用，减少用工，降低␈动强度，实现重点环节少人化和无人化，提高精准执行的能力；

数字化：全面感知和从0ES、S&\$D\$等系统数据采集，实现设备数字化、资源数字化、业务数字化、流程数字化、管理数字化、形成数字资产；

模型化：综合利用化工过程的第一性原理与过程数据，结合\$I算法，进行建模，解决化工过程中的检测、优化、预测等问题，并实现石化工业知识的固化、沉㼕和复用；

融合化：5T技术边界打通，互相融合，提升协同性。石化资产链、产品、供应链融合，解决数据共享，协同发展；孪生化：为石化工厂构建信息物理系统&3S，建立数字孪生，提升虚实互动、实时分析，支持全生命周期的持续优化和异常处僃。

ी࡝化工产业:技术܎ҵ程چ

/4运营技术

)4信息技术

\$4数据技术

4通信技术

%4能源技术

投入程度以⧀充色4圈为高投入，䇅色⧀充色为低投入

石油化工行业整体来看，石油化工对于OT技术投入最大，集中于3/&、D&S等系统，包括ORT设备；IT的投入以E53为代表的运营、维护软件为主。

石油化工对加工制造的全信息化集中显示、储物流的安全性、设备及工厂的运行状态、维护环节较为重视。

整体上来看，石油化工产业绿色智能程度相对较低。

加工制造的核心痛点主要为工艺复杂，缺乏全局、可视化的管理平台，生产过程缺乏实时监控；应用系统⁬多，系统集成度不足，同时在生产控制层面重视程度不够，智能化程度低。

储物流核心痛点主要体现在传统的储及运输缺乏监控，操作不规范，极易拔成安全事件。

企业管理、运维服务核心痛点为设备管理低效，各个设备信息不连通；安全投入不足，安全设备兖旧，安全设备存在信息ⲹⷰ；工厂位僃偏远，一线工人流动大，同时教育⥎崂成本高。

Րיͫ䡺点和୼ொЭ能体现֨产业И的技术融合场景ͫ这里列举֚类技术融合场景¹澞

俖⊪儥：全景运营优化۳大数据、䊛度【⌊、数据㟀㡂、LO4۴³³利用在线优化模拟软件，㖂建起反映实际运行情况的装僃模型，此模型以物理化学平衡机理为基础，实现集离线分析、实时优化、数据调理及线上监控等功能为一体的控制技术。㤥石化ᾮ䉄装僃\$3&与5TO联用，一期工程年化效益每年增加301万元人民⽖，二期工程年化效益增加1308万元人民⽖。

俖二儥：全厂信息化۳工程数字化交⎂、数字孪生、物联网、㯤⬒视平۴³³基于工厂三维模型、设计参数、设备特征数据和机理模型等，叠加生产动态数据，实现数字孪生。以㤥炼化厂为例，基于工厂的三维模型，利用数字化交付平台和⁔真技术等，映射了一⿼数字化虚拟工厂。

俖⊳儥：自动化併⏽㌽、智㘑运搽۳㌽㛩LO4、卌外线、㯤⬒人۴³³利用库房应用物联网、俷外线及机器人技术，实现固体产品从包装、码⣰、套膜、出入库、储存、库管理到装车发幼的全流程无人化。自动发幼之后，接入市政府智慧城市网络，进行高效安全运输。㤥炼化厂目前基地的所有固体产品储作业实现无人化，由⥛⣰机自动完成入库和出库操作，用工人数下降80。

俖四儥：櫜䚰、㊋㵪۳㯤⬒人、20!、㯤⬒视平、!)、'、!2۴³³通过低代码应用平台的可视化软件功能组件的装抢及模型化驱动自动生成运行代码。机器人基于设定的代码，代㡔人工进行防䍛智能⼶检，懔⊢⼶检㳐角，生产场所的➿楈、有害气体威胁等。㤥炼化厂与Ⳗ波移动合作，构建基于5G网络的机器人⼶检体系，机器人自动24+进行高槦㱶、无㳐角⼶检。对简单故障进行直接处理，遇到无法解决的问题，通过\$5设备将画面实时传输给专家团队。随着项目实施，人工成本显喬降低，人均产值显喬提升，实现崺炼化厂高质量发展。

绿色智能制造⪚景䭴䷖ͭ⚛囏制造

医药制造行业强调生产合规性，导致行业智能化转型存在一些现实障䧢，5T技术整体投入较低。《中国制造2025》将生物医药为十大重点突破领域，同时政策及质量管控也对行业提出了更高的要求，加速推动智能化转型。

挑战¹：

一、制药行业整体自动化水平较低，智能制造发展基础囙弱，我国制造业单位基本处于机械化阶段，信息化手段局限于单个设备或者设备组，缺乏跨设备、跨流程步毹的统一管理。

二、制药行业属于强监管行业，在采用新技术的进程中整体趋于嵽㊣，我国药品全生命周期受到ὺ格监管，设备需要经过设计确峹、安装确峹、运行确峹和性能确峹。导致智能转型涉及更加复杂的评估。

三、制药行业发展智能制造收益缓㊷、企业投资存在䛦虑，新药研发投入越来越大，市场竞争及政策环境变化之下，药企对成本控制和资金周转产生了更大的要求。

²：方面଱ߑ

国家倡导医药智能升级，通过积极布局相关智能制造装备行业的发展，同时实施了一系列监管制度，按照四个最ὺ加强药品质量管理，对医药企业的制造环节提出更高要求；在质量和效率提升方面，智能制造系统增强业务流程透明性和可控性，保证质量一致性，降低不叄率，能制造系统通过生产、质量、物流、营销、人力等环节的互联互通，实现生产最优化调度。

ԛ哦制造产业:技术܎ҵ程چ

/4运营技术

)4信息技术

\$4数据技术

4通信技术

%4能源技术

投入程度以⧀充色4圈为高投入，䇅色⧀充色为低投入

医药制造从整体来看对5T技术的投入不高，设备本身的自动化能力不足，对药品的研发长期依庫国际数据库，使得数据相关技术的投入也相对较低。由于药厂的大品种药物需要连续生产，药企对能源稳定的技术投入则较高。

医药对于新技术在加工制造环节的应用较为保ⳝ，对于其他环节的赋能以市场需求预测、智能营销、生产排期、原材料采购，以及偾短药物研究。

㨘⏷上㰉䮯，医药制造⍋业绿色智能亯㍊化⓳⏲。

订单唌取的痛点在于唌取订单的时间较为䀳后，需要先以㽵道商、药⿬、医院的数据进行整合。

研发设计的痛点主要体现在缺乏大数据、信息技术支撑，技术⨖⣧较难逾越，与国际医药巨⪉相比，缺少基础医药研发数据，及信息化的分析手段，例如\$I、大数据进行分析¹。

加工制造环节受到制药的一致性生产要求，制药企业对于新技术整体较为保ⳝ，无唡控制难度大，特别在生产工艺交接过程中存在污染、氧化及变质的问题；制药过程需要检测种类与程序较多，导致人工识别难度大；药品种类多，规格不一，人工㖁运效率低以及人工制药涉及多工序、多任务时，容易产生误差。

Րיͫ䡺点和୼ொЭ能体现֨产业И的技术融合场景ͫ这里列举І类技术融合场景²

俖⊪儥：殪求预测智能生产排期۳LO4、大数据、数据㟀㡂۴³³利用大数据进行深度挖掘发表论文、医学信息㺤嬝等数据，并整合营销数据，市场药品流向动态数据进行差异化营销策略与预测。另外，生产企业可以主动延₍至个人用户，进行远程⳶方、用药跟彿等个性化远程给药。同时，在生产制造自动化、智能化的基础上，数据上云，进行“多工厂关键工序的自动排程、上下㾍工厂信息共享”支撑大品种连续制造和多品种㤩性制造两种模式。以㤥药厂为例，利用大数据并整合营销数据，市场药品流向动态数据进行差异化营销策略与预测。

俖二儥：集成撈厗制造۳LO4、㯤⬒人、㯤⬒视平、䊛度【⌊、'۴³³通过智能机器人进行集成连续制药，将制药工序连接成一条生产线。无唡化抢药、傥装、转运、封口、分㐸机器人进行无唡化生产操作；医药质量视觉检测机器人检测药㼇中的异物、识别瓶口破损、封装质量等。智能㖁运机器人进行药品的㖁运、分㐸等工作。以㤥机器人公司为例，已相继与多家知╢药企达成合作。目前已实现以“机”换人，对100、250、500PO等多种规格物料进行高速、高精度㏨取及放僃，现场作业人数减少约60³。

俖⊳儥：い制堙䛱生产与全♰⟥䩁۳\$㛽⠚、大数据、云计算۴³³由于ㇸ者存在个体差异，均一化的药物有时候无法满足ㇸ者的用药需求。利用大数据、云计算及3D打Ⓟ技术为ㇸ者灵活调整药品方案，并进行快速生产。以㤥药厂公司为例，目前的3D打Ⓟ定制药片的应用集中于医药的研发。

绿色智能制造⪚景䭴䷖ͭⅳ䢈弞Ⱨ

专用设备属于国之重器，政府正大力驱动半导体装备、工业机器人、数控机⿟等实现高端化，智能化转型是高端化的关键㏨手，中国企业ῴ需自主生产出更高质量、高精度的“工作㴢机”。

Ћऀ设ו产业:技术܎ҵ程چ

投入程度以⧀充色4圈为高投入，䇅色⧀充色为低投入

5T技术中，专用设备在OT、IT、&T投入相对较多，主要的因素是部分专用设备单体价格相对高，且使用时间上具有阶段周期性，会以䬴庖的形式†入下㾍的应用，对于控制系统、信息系统与通信技术有相对较高的要求。

专用设备订单获取不稳定，行业周期性较为明显，生产排期及需求预测目前仅依赖于人工决策，容易产生主观性判断失误；加工制造环节复杂，客制化程度较高，柔性产线生产的反馈数据得不到处理，造成数据堆积与冗余。

订单获取、研发和采购供应链的痛点是基于宏观经济、行业周期进行人工预测，基本不应用智能技术；订单客制化程度高，导致生产周期长，产业协同困难以及备品不明确，难以预知下游零配件需求，缺货、采购不及时较为常见。

加工制造的不足主要体现在生产过程高度离散，加工过程复杂，难以整理出标准的体系，数据可用性差；现场单据多，作业繁琐，需要填写大量工序单据；生产状况复杂，不确定因素较多，设计重修返工，半成品报废难以实时反馈。运维和售后的核心难点主要体现于租赁设备的运维与客户的安全隐私产生冲突和远程运维的备件、物料难以统筹安排等。

另外，痛点和问题也能体现在产业中的技术融合场景，这里列举三类技术融合场景。

第一类：设备远程操纵「5G、边缘计算、loT、信息安全、卫星定位」——利用5G的超低时延迟、边缘计算及信息加密技术对设备进行远程管理、远程监控、设备历史数据查询。并基于地图，实时显示设备所在地的统计数量，正常运行数量，停机数量，并进行全局统筹安排，在高危环节实现无人化运行。另外，远程操纵可以实现预测性维护，减少设备停机时间，提高生产率，降低损失。以某信息公司为例，根据客户监控要求，采集设备运营数据，检测设备工时，耗能、效益等数据，并进行生产效率优化。采集员工操作信息，精准管理操作权限，保障设备安全运行。同时在高危环节实现机器换人，进行远程操作。

第二类：生产排期「大数据、深度学习、时序预测、loT、边缘计算」——利用loT设备采集的数据并结合过往的订单获取数据，进行机器学习及数据分析，对未来的生产排期进行时序预测。以某机器人公司为例，目前一部分订单已经使用了智能化的生产排期方式。部分客制化订单由于管理周期长，变动因素多，依旧使用人工排期，但是目前已经在进行智能排期探索，按照过往经验分析，智能排期模型至少需要相应产线的200-300小时的动态数据。

第三类：高精度检测+精密加工「大数据、深度学习、5G、边缘计算、loT」——利用loT收集数据，自建加工数据库，并进行模型训练。在加工阶段利用过往生产数据调整生产设备参数（例如机器臂对准度，底座转动定位精度等），提高产品精度；在质量检测阶段，采集数据并进行对比，提高产品整体合格率。以某精密加工大数据公司为例，精密加工大数据系统是该公司主打产品之一，记录机器加工信息，并进行智能数据分析，强化机器过程管控，得到了戴姆勒、奥迪、兰博基尼和保时捷等知名车企的在0.01-0.02毫米生产要求的设备订单。

绿色智能制造⪚景䭴䷖ͭ氿⠡泎㣹

进ݷ绿色智能制造ڭ☔ͫߒזԆ工程序

中国涉品渘料❊工企业物联网部吜㕯♟（⟿⏷：）

在传统食品领域，发拊、拔造、䋤制、务制、䉎檿等制造过程无法采用先进技术装备，大量传统食品制造的工业化程度低，无法应对特㳟、多样的加工要求，核心技术硬件⒎抢不到位¹。

食品饮料加工工艺较为复杂，同时净利㻻相对较低，智能制造技术⒎抢度不高，导致食品饮料行业在数字化转型方面不及其他行业；近年来绿智技术发展迅速，推动食品饮料行业在信息流、能源管理、加工与物流运输场景优化，加速行业走向绿色智能化发展。

2020年中国食品饮料加工企业物联网部署情况图来慅了在传统食品领域，发拊、拔造、䋤制、务制、䉎檿等制造过程无法采用先进技术装备，大量传统食品制造的工业化程度低，无法应对特㳟、多样的加工要求，核心技术硬件⒎抢不到位，所以加工程序复杂，ῴペ绿色智能制造改进。

通过绿色智能制造组织改进食品饮料三方面优化³³信息流优化：包括在线检测、工业互联、数据集成、数字模型、优化设定和精准控制实现质量全流程管控、一体化计划调度；能源管理优化³³余热、余能高效回收利用、多能源†质之间高效转化、物质能量协同优化等；加工物流优化³³对食品饮料加工工序及全流程物流网络优化，实现高效生产，应对成本上升、␈动力紧缺等挑战²。

ௐս௓މ产业:技术܎ҵ程چ

/4运营技术

)4信息技术

\$4数据技术

4通信技术

%4能源技术

投入程度以⧀充色4圈为高投入，䇅色⧀充色为低投入

食品饮料在绿色智能制造中属于转型较㊷的行业，目前处于数字化、自动化的阶段，虽然有⪉部企业有成功转型案例，但大部分企业依旧转型较㊷。主要的因素是加工流程复杂，净利㻻相对较低，企业对新技术敏感度不高。

食品饮料绿智改造整体较为缓㊷，市场的高速变化及产品较短的生命周期对于企业绿色智能化转型造成一定影响。
目前⪉部企业，已经开始利用智能技术指导生产，控制原料质量，及快速出库与送达¹。

研发设计、研发和采购供应链的痛点是S.8种类侖杂，原材料需要多个供应商提供；消费者偏好转向速度快，产品研发节⪤ㅵ速；原材料供应时间与产品消费㝏Ⲹ⒎抢度低。

加工制造的不足主要体现在制造单元自动控制，各自独立，无体系；缺乏㤩性制造能力，一条生产线一种产品，不能对产品标䳓、包装个性化调整；缺乏能源管理。

储和物流的核心难点在于发幼确峹，物流信息侖杂，时间成本较高，防㲷过保质期；食品饮料库存周转快，品种多，传统管理方式下，出入量大，准确低、效率低，统计不准确，积压与缺幼并存。

Րיͫ䡺点和୼ொЭ能体现֨产业И的技术融合场景澞这里列举֚类技术融合场景澞

俖⊪儥：㱾性生产۳智能䧥╹۴²³³利用智能销售终端的大规模信息收集，对消费者行为进行分析，结合订单管理系统，E53，S50等构成消费大数据，通过\$I分析，进行生产智能决策，指导车间进行㤩性制造。以㤥\$I分析公司为例，栕⼷、通用䨽⢟、都乐及百事可乐利用崺公司的\$I分析工具TDVWHZLVH分析消费者╘―ᾝ、为―ᾝ╘，洞察消费逻辑，最后利用人工智能模拟人类“五觉”，比如从“味觉” 推动口味开发的精准化、数字化，创新推出多元的风味，创造更大的经济价值。

俖二儥：䜜䨆健康监控۳可伩㛞设ⶱ۴³³通过给⫋䎰䯔㎉设备，接入物联网。䎼民实时跟彿、监控⫋䎰的↺「、营⋐、产⫋量等数据。同时也可以解放人工采⫋的␈动力，同时保证作业过程的安全无唡操作。以㤥Ὲ品生产智能工厂试点示范项目为例，通过可䯔㎉设备跟彿⫋䎰活动状态，观察和崅オ日常生活，并通过比较分析数据，建立监控系统，并识别⫋䎰的身体↺「、产⫋量及其他指标，降低⫋䎰ㇸ病率及科学⋐㳫，另外崺设备可以吸收⫋䎰挟放的80甲䉌气体。

俖⊳儥：自动⍽㌽与物流管理۳7-3۴³³将物联网与智能机器人技术应用于整个储与物流管理系统，从生产线自动接单、安排生产、自动传输，到产品入库管理及安排发幼。另外自动化装备抢合统一通信协议进行实时信息采集，实现:0S双向交互，实现全国储物流园城监控管理。㤥智慧储公司的解决方案，可以满足储物流多样化复杂㏎㱶管理需求，协同多系统实现库运作的精倛化。㐸幼准确率达

8，库最高密度提升135，产品回库比例下降80，叉车效率提升46，库存天数下降2天。

俖四儥：发星产品企业۳涉品#03۴³³以先进物联网技术为基础，结合ORT传感器及无线通信，达到实时监测发拊指标，例如温度变化。以㤥饮料公司为例，发拊车间连接十个大型发拊傥，基于物联网技术的应用及智能系统的融合，&3S系统可以检测和及时调控每一个发拊傥的温度，节省大量␈动力，降低手工操作误差，稳定发拊过程，提高果拠产品质量，目前车间的员工主要工作由生产转变为检测。

绿⾊智能制造技术与⪚景分析忁榰⩞

目前的应用场景技术分为三类，第一类场景技术较为成熟，应用面广；第二类场景应用需求较高，但由于各种原因导致场景㟗未完全具备全面铺开的条件，┿在部分行业或者烮⪉企业有所应用；第三类场景，技术基本成熟，但由于目前的行业生产流程㟗无应用环节，场景ῴペ㐨宽。

俖⊪儥⯤景分析：应用⯤景技术成䙉度高，行业殪求度高۩

应用场景包含的技术基本成熟，各行各业中有较多的应用，涉及到技术有运营优化、工业质检（机器视觉、触觉、味觉）、智慧储（\$G9、\$&5、立体自动库）、机器人制造，需要重点投入。

俖二儥⯤景分析：应用⯤景技术趋向成䙉，行业殪求度高۩

各行业中有较多应用需求，技术在5年内进行大规模商业化铺开。涉及到的技术有：虚拟工厂、㤩性生产制造、工业惚助决策系统、设备预测性维护、时序需求预测生产排期、智慧供能、管控等需要重点关注。

俖⊳儥⯤景分析：应用⯤景技术Ⲥ本成䙉，行业殪求度有㐯㝽展۩

技术相对较为成熟，但对于所有制造业基本不具备普遍性。主要涉及的技术有远程操控，无人智能⼶检和用户侧储能。

ㇴ䢈⪚景⢦业化䊼◻分析玄張䐙≸化֠⽯崤㶁ㇴ䢈֠ⲇ崤㶁Ɑ制

我们列ᾓ了13个应用场景，给出场景的描慅以及当前的阶段和融合的技术，最后附上应用的行业和我们的评慅。

技术融合场景છଚ

场景	场景描述	当前应用阶段	主要融合的技术	评述	行业
智能机器人制造	自动焊接、喷漆/喷药粉、分拣、罐装等	大规模成熟应用	loT、5G、AI、大数据、机器人、机器学习、RPA、边缘计算	当前机械臂已可以准确完成焊接、罐装等简单操作，效果良好并已实现大规模的使用；未来，对于机械臂的开发，将集中在复杂环节的操作上	电子元件、钢铁冶金、食品饮料、机械装备、医药制造
工业质检	Al识别产品的裂痕、瑕疵、质量，提升良品率	大规模成熟应用	loT、5G、AI(机器视觉，包含气体、液体检测)、大数据、机器学习、云计算、边缘计算	基于AI最成熟的计算机视觉技术，智慧工厂中已成熟应用视觉质检，因为可代替30%的人工成本及识别准确率可达99%；未来传统工厂将大规模复制应用	电子元件、钢铁冶金、食品饮料、石油化工、机械装备、医药制造
智慧仓储	利用AGV、ACR等机器人进行大负载或者精细化无晃动运输。同时自动化立体式结构提高仓储空间使用率，进出库效率	大规模成熟应用	loT、5G、AI（机器视觉，包含气体、液体检测）、大数据、机器学习、云计算、边缘计算、实时定位（卫星、红外线）	利用库房应用物联网、红外线及机器人技术，实现固体产品从包装、码垛、套膜、出入库、储存、仓库管理到装车发货的全流程无人化	电子元件、钢铁冶金、食品饮料、石油化工、机械装备、医药制造
运营优化	解决了常规单回路控制不能解决的多变量间相互作用的控制难题	大规模成熟应用	loT、5G、大数据、AI、数据安全、机器学习	为了增强操作控制便利性，企业从气动表、电动表的操作模式过渡到DCS，随后为了确保操作稳定，增加了APC先进控制，基于此的RTO实现实时控制，从整体看，随着大数据为代表的DT技术的完善，将会使得DCS、APC、 RTO系统的进一步铺开及推动工厂智能化	电子元件、石油化工、钢铁冶炼、机械装备
柔性生产制造	能够自动控制和管理零件的加工过程，包括制造质量的自动控制、故障的自动诊断和处理、制造信息的自动采集和处理;通过简单的软件系统变更，能制造出某一零件族的多种零件;自动控制和管理物料(包括工件与刀具)的运输和存储过程;能自主安排解决多机床下零件的混流加工；具有优化的调度管理功能，无需过多的人工介入，能做到无人加工	小规模应用与优化	loT、5G、AI(机器视觉，包含气体、液体检测）、大数据、机器学习、机器人、RPA、数字李生	柔性生产相关解决方案将有效提升企业的生产效率，其主要目的是为了适应满足当今消费者个性化、多样化的需求口缺陷：当前算法颗粒度仍不够细化，导致管理环节仍需人工参与。例如在自动排产时无法具体到设备；定制化订单进来后仍需人工处理。未来3年随着算法的持续优化该场景将有较大增量	电子元件、钢铁冶金、食品饮料、石油化工、机械装备、医药制造
远程操控	通过XR设备进行视觉连接，可穿戴设备进行设备操作或活动状态监控，通过5G进行低延时、大容量链接	小规模应用及优化	loT、5G、云计算、XR、数据安全、交互感知	实时反馈现场情况，实时采集现场信息、数据，允许人员远程进行操作，避免危险环境，并加大作业半径	电子元件、钢铁冶金、石油化工、机械装备
无人智能巡检	利用移动机器人或3D可视化手段进行厂区智能巡检	小规模应用及优化算	loT、机器人、5G、AI、实时定位（卫星、红外线等）、边缘计	无人巡检将降低巡检的成本并保障巡检人员安全，目前利用移动机器人的巡检方案在电力行业已有标杆应用，其他行业暂未大量铺开；基于3D可视化的智能巡检发展，将与数字李生等技术成熟同步	钢铁冶金、机械装备、石油化工
时序/需求预测+生产排期	利用AI、NPL、数据挖掘等技术进行订单的预测，并指导生产依托工业互联网、智能数字传感、	小规模应用及优化	loT、NPL、AI、大数据、机器学习、数据挖掘	收集终端销售包括市场的数据，进行客户画像，结合loT收集的生产数据进行生产决策，指导车间柔性生产	电子元件、钢铁冶金、食品饮料、机械装备
设备预测性维护	大数据、云计算、人工智能、等技术手段，将企业设备实时监测数据、生产数据、传感器采集数据、视频采集数据、等各类设备数据进行数据的存储-归类-标记-治理，运用建模进行设备早期故障的诊断与预测，实现设备的精准运维	小规模应用及优化	loT、5G、AI机器视觉，包含气体、液体检测）、大数据、机器学习	该场景目前主要针对有大型设备的制造业，通过传感器或者视觉对机械运作情况进行监控与预测性管理。优点：AI结合大数据联合建模，故障识别更为准确且可提前预警	电子元件、钢铁冶金、食品饮料、石油化工、机械装备、医药制造
虚拟工厂	利用数字孪生技术，工厂及产线主要设备建模和相关采集数据	试点应用或研发	loT、数字孪生、AI、大数据、数据安全	所有模型可点击交互、自动聚焦，实时展示设备详细信息和运行状况，模拟运行产线情况，监控、预警、诊断、分析一体化未来3-5年数字孪生工业领域重点拓展方向，期望降低试错与管理成本	电子元件、钢铁冶金、食品饮料、石油化工、机械装备、医药制造
工业辅助决策	通过大数据平台结合AI智能分析，完成对工业企业整体流程的分析，为管理者提供决策辅助。例如：可完成运营数据分析，生产要素分析、工厂能耗管理，整场调度优化、异常事故预警等	试点应用或研发	loT、5G、AI(机器视觉，包含气体、液体检测）、大数据、机器习、数字孪生	部分头部企业智慧工厂小规模应用，但决策合理性与精确度需要优化提升，50%需要人工参与；未来1-3年的主要优化方向为减少辅助决策人工干预比例，向智能决策推进	电子元件、钢铁冶金、食品饮料、石油化工、机械装备、医药制造
用户侧储能	自动的通过一定的能源控制装置，将能量储存起来，在需要的时候，再自动把能量释放	试点应用或研发	lOT、储能、AI、大数据、机器学习	智慧储能目前电网侧应用较多，主要是优化储能电站的散热管理、功率分配等功能，可以有效降低储能电站的自身能耗和电能的二次损耗，提升电站的运行效率	钢铁冶金、石油化工、医药制造
智慧供能管控	通过深度学习及边缘计算，准确学习用户的能源使用规律并做出趋势预测，设定满足生产工艺的能源消耗，再通过无损传输技术实时精准控制，实现节能	试点应用或研发	loT、5G、边缘计算、AI、大数据、机器学习	通过对能源站的设备、管网等各类能耗数据进行精准采集和整理，助能效模型对能源系统进行能效分析及节能诊断，从而达到对能源供应进行精准控制和运行监测，减少能源消耗、二氧化碳排放	电子元件、钢铁冶金、食品饮料、石油化工、机械装备、医药制造

#

绿色智能制造生态并色分㰴

㯃绿色智能制造⪚景䡿㍡摈勒掛拱工

基于绿色智能制造⯤景部吜擥搻图，为重点投入、重点关注及㐨展场景三类进行关注度评价。

亯绿色智能制造方面拥有较高的关注度场景为工业质检、智慧储、运营优化、机器人制造、㤩性生产、设备预测性嫾恢能维护与储能，此类场景的技术基本成熟，商业渗透程度较高，与国家政策引导方向⪦合，成为市场需求高，技术已经成熟的重点关注度场景，目前已有大规模的落地应用。储能基于我国电力价工业补贴⶚民的原则及能源结构优化因素，可以平㏦峰嶌电价、稳定电能质量，增加绿电，提升了智慧储能的关注度。时序预测生产排期、虚拟工厂、工业惚助决策和智慧供能为持续关注度场景，技术趋向成熟，市场需求度高，无人智能⼶检和远程操控为㐨展关注度场景，技术趋向成熟，场景需求ῴペ㐨展。

4.2 场景解决方案服务商—工业质检场景

质量控制人员通过终端收集边缘端数据，利用训练完毕的AI模型进行图像识别、噪声识别等处理对产品进行质量检验，代替原先的人工质检，降低工厂人员成本、提升检测效率与准确度，规避严苛生产环境带来的人员伤害风险。

细分应用场景有：操作规范监测、表面缺陷检查、错漏反监测、工业OCR/读码、移动检测、定位引导、测量、安全生产监控等。

从技术应用情况来看，OT方面运用IoT技术，通过摄像头等边缘终端采集数据传输至上级进行推理计算；在IT方面，原有IT系统（如MES等工业生产相关系统）与新平台接口管理；在DT方面，运用机器学习、图像识别等AI算法在边缘端及中心端进行数据处理；在CT方面，利用5G等传输技术保障算法分发、数据流通。

工业质检场景解决方案服务商分三类

第一类：云服务商，此类服务商拥有大数据中台和云服务积累，可针对不同行业的痛点，借助自己的数字化底座、智能化引擎对各行各业进行赋能；相关企业有AWS、腾讯智能云、华为云、阿里云等。

第二类：机器视觉企业，此类服务商一般拥有自己的硬件产品，以深厚的AI机器视觉算法积累为核心为各行各业进行赋能；相关企业有海康机器人、浙江大华、COGNEX等。

第三类：AI创新企业，此类服务商深耕细分制造行业，专注提升行业know-how，提供包括AI平台、算法、软件等全栈式的解决方案。相关企业有中科创达、格创东智、思谋机器人、菲特检测、阿丘科技等。

4.2 场景解决方案服务商—智慧仓储场景

智慧仓储系统大量取代传统仓储场景中搬运、核算等人工部分，仓储管理人员通过用户端软件控制机器人等终端进行分拣、码垛、搬运等动作，省时省力、节省成本、提升效率，并根据系统中展示的经营、库存等数据及时了解仓储状况以便进行决策。

从技术应用情况来看，OT方面，运用IoT技术，通过摄像头等边缘终端采集数据，用于记录货品出入库状况，以及控制机器人或叉车等机械设备；在IT方面与企业后台系统打通接口，同步库存状况；在DT方面，运用AI算法处理终端数据，根据模型计算结果实现货品最优码垛、搬运最佳路线等策略输出；在CT方面，利用5G等传输技术保障算法分发、数据流通。

智慧仓储场景解决方案服务商分三类

第一类：仓储软件系统服务商——此类服务商只能提供智慧仓储管理软件解决方案，对于硬件的适配性需要用户自身配合。相关企业有唯智信息技术、锐特信息、巨沃、运匠科技等。

第二类：仓储硬件集成服务商——此类服务商软件能力较弱，主要产品为物流机器人，提供仓库搬运与拣选解决方案，替代人力。相关企业有灵动科技、快仓智能科技、极智嘉科技等。

第三类：仓储软件集成服务商——集成咨询、软件、硬件三个模块，往往自主开发软件和硬件，所以各个模块之间的适配性很好。相关企业有海柔创新科技、安歌科技、鲸仓科技、牧星智能等。

4.2 场景解决方案服务商—运营优化场景

运营优化技术框架

运营优化为流程工业企业智能工厂的核心技术之一，自90年代开始，先进控制技术在石油、化工等行业的应用不断铺开，解决了常规单回路控制不能解决的多变量间相互作用的控制难题，实现了多变量间的协调控制；服务商基于不同的研发设计环节分为三类服务商，为APC、RTO及供应链优化服务商。

细分应用场景有：先进过程控制、实时在线优化、供应链管理。

从技术应用的情况来看，OT方面运用了运用传感器、智能仪表、PLC进行状监控及边缘控制；IT方面运用了运用了APC及RTO进行流程优化；在DT方面运用了大数据、人工智能、机器学习进行预测输出变量的未来趋势并实现闭环控制；在CT方面运用了5G技术、wifi、蓝牙等技术进行低延迟通信。

运营优化场景解决方案服务商分三类

第一类APC软件服务商：先进过程控制软件服务商，在炼油、化工、水泥、电力、冶金运用广泛，拥有较强的多变量模型预测控制算法；相关的企业有AVEVA、Honeywell、世纪隆博、中控集团、YOKOGAWA等。

第二类RTO软件服务商：实时在线优化，在APC的基础上不断地对装置进行优化计算，并将优化结果通过APC控制实现闭环，使装置生产达到最佳的经济效益操作点。相关企业有AVEVA、ASPEN等

第三类供应链优化服务商：基于决策变量、目标函数和约束条件，以全局的形势进行整体优化；相关企业有AVEVA、ASPEN等。

4.2 场景解决方案服务商—机器人制造场景

机器人制造场景应用于自动化集成生产线，解决了自动焊接、喷漆、分拣、罐装等工序的智能化制造，提高制造精度，减少残次品数量。

工业机器人技术框架¹

工业机器人技术框架由人机交互系统传递指令到给定装置，再有控制系统、驱动系统、机械机械结构系统直至工作对象，同时作用在传感器上，传感器传输回人机交互和控制系统。

具体细分应用场景有：打磨、喷涂、装配、搬运、焊接、切割加工。

从技术应用的情况来看，OT方面，利用loT与边缘控制实时监控与反馈制造品与机械臂的状态，提高制造精度。在IT方面，运用了工业机器人操作系统，对机器人操作范围进行规范，覆盖不同客户需求。在DT方面，运用了大数据、机器学习、图像识别等技术对操作对象进行智能识别，确定加工制造范。在CT方面，运用了5G与工业排线进行实时连接。

机器人制造环节场景解决方案服务商分三类²

第一类：机械装备、电气设备、自动化服务商——此类服务商基于强大的机械装备、智能装备、电气设备及深刻理解工业自动化的服务商为主，这些服务商体系完整，行业的积累深厚，战略布局能力强，在国际上具备较强影响力，可以提供多类型的智能装备解决方案；相关企业有ABB集团，FANUC，YASKAWA，KUKA ROBOT。

第二类：早期以供应机器人核心部件的服务商——此类服务商最早以供应机器人高价值的环节(伺服系统、控制器、本体制造)，不断向上向下延伸，以自研及合作的形式进行完整的机器人制造场景的解决方案服务；相关企业有新松集团、汇川技术股份有限公司、ESTUN AUTOMATION、北京兴安方达有限公司、禾川科技等。

第三类：半导体服务商——半导体企业通常凭借强大的底层平台能力进入机器人，高通在2022年5G峰会上推出机器人平台及具备5G和边缘AI技术的机器人解决方案；Intel推出AI+3D+工业机器人解决方案；另外英伟达也推出了Jetson边缘AI平台，构建机器人解决方案。相关企业有高通、Intel、NVIDIA等。

4.2 场景解决方案服务商—虚拟工厂场景

虚拟工厂场景是在计算机内的虚拟空间使工厂建模，考虑现实工厂的状况使虚拟工厂运行，进行动画处理的仿真功能，实现虚拟工厂的主要三类厂商包括：三维设计技术厂商、模型仿真软件厂商以及总体数字化交付厂商。

从技术应用情况来看，OT方面运用物联网、边缘计算等技术提高数据采集量及处理能力；在DT方面，配备实时数据库等数据存储设施，并采用AI算法训练、数字孪生等技术提升管理效率；在CT方面运用5G、wifi等网络传输技术保证信息互通。

虚拟工厂场景解决方案服务商分为三类

第一类：三维设计厂商——三维设计厂商帮助制造业企业高效率地设计和管理工厂元素；相关的企业有：AVEVA、达索、CAD、云图三维等。

第二类：仿真软件厂商——仿真软件厂商利用VR、数据可视化、物联网等技术将工厂以可视化和VR形式展现；相关的企业有：ASPEN、YOKOGAWA、AVEVA、Honeywell等。

第三类：数字化交付厂商——数字化交付厂商提供各类工厂运营所需系统，串联包括三维设计、仿真建模等功能；
相关的企业有云图、AVEVA、达美盛、海克斯康、互时科技等。

4.2 场景解决方案服务商—柔性生产制造场景

柔性生产技术框架

生产方通过从设备终端到后台系统的整体数据联动构成柔性制造场景，实现制造厂商与客户履行互动式的信息交换，定时控制主顾对相干产品的需求信息，消除制造商生产的不确定性。

在技术应用情况来看，OT方面，运用IoT技术，在产线各类终端设备配置传感器等数据收集工具，根据外部需求调整系统指令；在IT方面，与企业后台系统打通接口，产线生产、物流等信息与后台同步；在DT方面，运用实时数据库存储、清洗数据，运用RPA、AI模型训练、数字孪生等技术实现流程模拟、自动响应等功能；在CT方面，利用5G等传输技术保障数据流通。

柔性生产制造场景解决方案服务商分两类

第一类：工业互联网平台服务商，此类服务商的共同点为具备可实现柔性生产的工业互联网平台整体解决方案，但它们各自的企业属性有所不同，如老牌通用软件服务商、大型制造业集团的衍生平台。相关的企业有：工业富联、用友科技、金蝶、卡奥斯、美云智数、徐工汉云等。

第二类：AI技术服务商，此类服务商专注于利用AI数据优化算法与智能决策模型帮助工厂将产能灵活化，实现柔性生产制造场景。相关的企业有杉树科技、第四范式、智云天工、悠桦林等。

⪚景嵃┓㤙㮨㩭☁⢦ͭ弞Ⱨ毤䂫㎇剔㘄⪚景

设备预测性维护解决了传统工厂设备运维状态不透明、抢件耗材管理难的问题，实现设备实时监控、运维管理及备品管理，整体的技术⨖⣧主要集中于传感器与算法模型，对服务商的软硬件都有着相当高的要求。

印分的应用⯤景有：设ⶱえ㪠监控、智能运维管理、ⶱ品ⶱ件品㯺管理۩

从技术应用情况来看，OT方面将运用工业软件的数据互通，对接D/S、E53、0ES等工业软件系统，将OT与工厂数据利用最大化；IT方面运用了工业软件进行人机互动，利用E53系统进行备品备件耗材管理；在DT方面运用了大数据、机器学习、人工智能进行自学习，并进行高精度的自维护；在&T方面运用目前流行的4G、5G、ZLIL等通崄方式进行信息交互与传输。

场景分І类ܔ维ۅࡹ௄ו设

第一类：检验检测、‿器、设备监控服务商³³深耕设备‿器检验检测的企业，在结构力学方面有着强大的技术经验，对设备‿器的状态判定精度具有优势；相关的企业有：东华测试、威晥达、⒯华科技、SYHQVND .XOODJHU)DEULNHQ等。

第二类：ORT服务商³³传感器、物联网及相关技术为设备智能↺「管理的基础，这类服务商在设备管理的感知层面存在相对优势；相关企业有容知、惞度智能、%HQWO\等。

第三类：工业互联网平台、工业大数据服务商³³基于工业云系统、工业大数据的设备↺「管理。相关企业有：\$9E9\$、工业富联、ⴙ云科技、㝛…数据等。

⪚景嵃┓㤙㮨㩭☁⢦ͭ䢈㖗⌇␈能⪚景

用户侧储能主要解决工商业用户用电成本上升、变压器扩容成本高、↱机损失大、限电影响生产等问题，同时提升绿点消倈。

印分应用⯤景有：⛴㆚ⴕ惡、提高光⎹利用䠱、っ晹电懣管理、ⶱ用电源、动㒫ⵈっ、⡬与殪求⥷应（600）俳۩

ҋҥ能场景分ОІ类ۯऀ

俖⊪儥：设备供应商³³目前以䩌酸铁锂技术为主导，随着近年来市场对储能安全需求的提升，钠离子、旰酸锂等新型储能电池技术有一定发展潜力；相关企业有：Ⳗ德时代、格力、比亚愿、国悾高科、亿倁锂能等。

俖二儥：分布式储能集成商³³随着各地光伏项目、限电需求、需求侧响应政策等，专注于用户侧分布式储能集成服务的厂家也开始涌现，其技术服务能力比表前储能SI䓾家更加智能更加灵活，但业务规模不及表前䓾家；相关企业有：智光、采日能源、桋探智能、库⒯能源等。

俖⊳儥：储能投资运营商³³从用户侧储能商业模式来看，主要涉及2种模式：1）第三方投资型，以大型工商业用户为主，主要投资方为能源集团；2）用户自投型，如中型工商业、数据中心、充电站储能市场为主；项目建成后，提供运营服务的可能是投资方、用户、SI等；相关企业有中国华能、星星充电、世纪互联。

绿色智能制造䡿㍡≹⊔弤≗㶁⫫分析

机器人制造场景	工业质检场景	智慧仓储场景	运营优化场景
成熟度软件系统品牌力硬件能力生态网络	成熟度软件系统品牌力硬件能力生态网络	成熟度软件系统品牌力硬件能力生态网络	成熟度软件系统品牌力硬件能力生态网络
设备装备服务商核心部件企业半导体供应商	云服务商机器视觉企业 AI创新企业	软件服务商硬件服务商集成商	APC服务商 RTO服务商供应链优化服务商
·设备装备服务商在硬件、制造、生态环节实力较为夯实 ·核心部件企业以提供伺服系统等核	·云服务商由于平台积累较深，资源较为丰富，在生态网络方面优势较大	·三类服务商中仓储软件服务商能力较为"偏科"，软件厂商需要下游用户自行安排硬件	·APC、RTO、供应链优化属于层层递进关系能够提供RTO服务的服务商不仅
心零部件的企业为主，在机器人制造领域拥有相近的品牌力 ·半导体供应商在前沿科技的理解应	·机器视觉企业核心产品普遍为摄像头，硬件实力扎实 ·AI创新企业深耕制造业应用场景	·系统集成商综合能力较强，自研的软件水平不逊于仓储软件服务商，且与硬件协同性更好	需要多变量模型预测控制算法，需要具备对于在线系统、流程模拟、模型的优势
用较深，生态网络深厚	，对实际落地情况更为了解
虚拟工厂场景	设备预测性维护场景	柔性生产制造场景	用户侧储能场景
成熟度软件系统品牌力硬件能力生态网络	成熟度软件系统品牌力硬件能力生态网络	成熟度软件系统品牌力硬件能力生态网络	成熟度软件系统品牌力硬件能力生态网络
数字化交付厂商 3D设计厂商仿真软件供应商	设备检验监控服务商 loT服务商工业互联网服务商	工业互联网平台服务商 AI技术服务商	设备供应商 ·分布式储能集成商储能运营商/投资商
·3D设计与虚拟仿真软件厂商均为软件服务类厂商，两个行业发展时间均不如数字化交付厂商 ·从生态网络看，三者为生态互补关系，数字化交付成品中包含3D设计与仿真软件协同的解决方案	·设备检验监控服务商在设备的状态智能判定方面拥有较大优势，落地能力及品牌力明显 ·loT、工业平台服务商在传感器领域、云服务、数字化具有竞争优势	工业互联网平台服务商一般为大型通用软件厂商或大型制造业集团衍生企业，拥有丰富先进工程解决方案经验，且柔性生产目前主要应用于大型智慧工厂，贴合度较高，所以工业互联网平台服务商综合能力更强	·设备供应商在储能硬件方面，特别是储能电池、新材料等方面拥有较大优势 ·分布式储能集成商在储能容器的智能管理技术方面具有较大优势，更加智能且灵活 ·储能运营商/投资商以商业化运营为主

绿色智能制造生态ѪѴછ价ֺࠥ߄љЈмЗછ价维چ੫量

品䛶力：崺维度用以衡量崺类服务商普遍的企业知╢度、议价能力。

成䙉度：崺维度用以衡量崺类服务商成功落地的案例与团队服务能力。

生㒫网络：崺维度用以衡量崺类型服务商对于商业合作伙伴数量，以及生态圈的兼容性。

䴖件能力：崺维度用以衡量崺类型服务商对于硬件设备的技术能力。

软件系创：与硬件能力类ₑ，崺维度用以衡量崺类型服务商对于软件系统的技术能力。

#

绿色智能制造发展展望与建议

5.1绿色智能制造发展机遇与挑战

中国制造呈现多阶段并行特征，正处于绿色智能制造发展机遇期。经过对不同制造业落地情况研究，得出不同象限的制造业处在不同发展阶段，如领导者多在数字化、智能化阶段，而观望者处在电气化、自动化和数字化阶段，不同环节的绿色智能制造改革将推动整个市场并行发展。

中国绿色智能制造市场中不同制造业处在不同绿色智能制造阶段，释放多阶段市场需求，由电气化、自动化逐步走向数字化和智能化，绿色智能制造在进行着一步步的转变，从一开始的观望者，变成探索者，最后成为领导者。

中国绿色智能制造涉及多环节，利好多类服务商：从设计、规划、采购、生产、物流、销售到能源管理环节，绿色智能制造改革贯穿工业全流程，工业机器人、工业软件、工业互联大数据、绿色工厂、工业智能将作为关键领域利好多类服务商。

中国绿色智能制造将在优势领域率先突破：随着国内软硬件研发进程加快，人工智能技术逐步领先、绿色能源技术多点应用以及全球最多的工业数据应用将使得中国绿色智能制造在优势领域率先突破。

中国绿色智能制造是未来最具潜力的蓝海市场：市场潜力主要来自中国逾30万的制造业企业同步进行的改革需求，劳动力、产业转型、政策和技术四大引擎将推动中国形成巨大的智能制造蓝海市场。

5.1绿色智能制造发展机遇与挑战

中国绿色智能制造仍然面临四大挑战：首先，中国工业基础仍薄弱、关键环节突破仍面临较多困难；其次，全球性的供给危机将进一步影响中国绿色智能制造生态合作进程；再次，大数据、人工智能等智能化应用需要底层硬件普及和数据积累的时间；最后，中国大部分制造企业并未明确自己的改革路径、方向，也未提升至战略层面考虑改革问题。

工业化基础问题

全球经济形势问题

受到疫情影响，叠加全球需求不振，中国制造业企业及制造业服务商开始受到来自下游市场、上游供应链的冲击，供给危机可能影响绿色智能制造生态合作。

中国工业基础仍薄弱，关键环节突破仍面临较多困难。如智能装备中部分关键零部件（减速机等）、工业设计软件（CAD/CAE等）、MES系统等自给率不足，自主开发能力弱。

绿色智能制造发展难点

改革意识问题

绿色智能制造在国内的潜在需求很大，大多数制造业企业都支持智能制造改革，但不清楚该企业具体需要改造的环节。同时由于改造的时间和预算成本，大多数企业未能将智能制造提到战略层面。

技术积累与支撑

大数据及人工智能等新兴领域需要建立在大量数据累积和底层设施建设完全的基础上，网络化技术的普及、数据的采集和整合都需要较长时间，中国仍然需要经过长时间的积累。

5.2绿色智能制造发展展望一5T技术融合是实现绿色智能制造的必要条件

绿色智能要素向实体工业渗透加快，助推技术加速融合；单个技术对工业制造全流程影响有限，应用场景往往是多种技术的融合。头部领军企业已基本完成将OT、IT、CT融合的数字化转型，加速升级与DT、ET技术的融合，逐步实现智能化与绿色化。

中国企业绿色智能制造5T融合演变路径为

第一步，摆脱传统制造束缚，初步构建较为独立的OT、IT、CT技术群，正在打通技术壁垒，实现信息化。

第二步，正在逐步实现OT、IT、CT融合，初步尝试部署DT、ET技术应用于独立场景，正在数字化转型过程中。第三步，基本实现数字化OT、IT、CT融合，通过部署DT、ET技术渗透工业制造各个场景，实现协同管理，正在实现绿色智能制造。

5.2绿色智能制造发展展望一未来核心驱动要素是企业自上而下的顶层规划

绿色智能制造建设是系统工程，需要统一战略方向、找准实施场景、调配系统资源，并在实践中不断调整，将考验领导者的战略眼光和顶层规划能力。由政策推动的产业绿色化与底层部门推动的场景智能化都不及企业顶层规划考虑更全面。

当前企业绿色智能制造部署的主要驱动逻辑简述如下：

产业绿色化方面

先由政策引导，国家"绿色制造"及"双碳"相关规划发布，伴随"绿色工厂"、“零碳工厂"等相关申报与支持政策推出，形成了引导企业转型的制度环境；

再由企业决策，集团总部或政府业务部洞察相关政策，根据自身业务匹配情况，决定是否参与申报，进行相关投资建设；

最后部署申报，集团总部召集政府关系部、IT技术部、业务部等相关部门，按照申报资质要求，对工厂或产线进行改造。

产业智能化方面

首先明确需求，事业部、地方工厂通过跨部门会议等生产瓶颈问题和原因，本地无法解决的问题由组织管理者上报至总部IT部门，总部IT部门分年度、季度统计各业务单元上报的数字化转型场景痛点，提取共性需求；

在此基础上共同商讨方案，探索可行方法，通过市场调研，一般采取自研+外协模式，部分IT技术解决能力较强的企业采取完全自研模式；

最后制定采购决策，事业部、地方工厂IT部门向采购部门上报采购需求，大金额采购项目由总部采购部门采购，小金额项目可由分部自行决策，集团总部IT部门负责审批和下发采购预算。

未来企业绿色智能制造顶层规划中，领军企业更看重"抬头看路"一一利用规划明确绿色智能制造对于企业的长期竞争力提升和投资回报，顶层规划将对技术部、业务部门及支持部门进行系统性的指导，对各个环节进行查漏补缺，实现技术融合与场景创新，引领工业制造全环节协同发展，互联互通。

数字化转型经层规划咨询可持续发展咨询（轻量级）

指导支撑

供应链咨询

精益生产咨询

能源管理咨询（轻量级）

指导

支撑

技术咨询以架构设计和应用实施为主要内容

数据咨询基于业务场景，运用大数据/AI技术

指导支撑

统一运营指挥平台

[设计]例如：流程仿真建模

[建造]例如：数字化交付软件

[运营]例如：运营管理软件

优化支持

[维护]例如：预测性维护

工业物联网 IIOT 技术平台

优化支持

智慧工厂的自动化产线或设备**

智慧工厂基础设施**

5.2绿色智能制造发展展望一从开放式合作到生态合作共赢

在企业绿色智能制造的发展路径中既需要企业内部跨部门协作，也需要整合外部资源弥补自身的不足，从这个角度来看，无论是企业内部还是外部，构建生态圈对于推动绿色智能制造都至关重要。

绿色智能制造的根本是场景驱动，需要深入各个应用场景，多方合作伙伴共同参与，从而覆盖顶层规划、蓝图设计、架构搭建、软件开发、系统实施、应用交付以及数据分析、优化控制等多种环节，单靠一家企业势必无法覆盖每个专业领域，因此要联合各种类型、各个行业的生态圈伙伴，各施所长，才能高效推动企业实现绿色智能制造。

	松散性的开放式合作	组织性的生态化合作
合作类型	·根据制造企业需要，结合企业自身能力与长期合作的上下游中小型合作伙伴合作，针对非直接竞争关系的产品与服务开放式外包	·根据制造企业需要，如以能力互补、市场通路协同等对潜在合作伙伴进行分类，针对自身和合作伙伴的特点、诉求，确立双方或多方合作要点
D 创新方式	·与客户、政府、初创公司等外部伙伴合作，引入外部创新能力并形成创新机制	·建立生态合作体系，与生态伙伴长期互利和深层融合的合作模式，打造联合解决方案，共同服务最终客户
角色定位	·以企业自身业务发展为核心，按客户需求判断自身优势，与外部合作伙伴取长补短	·确立核心的企业，按客户需求匹配拥有相关核心能力的企业牵头

编写团队

绿色智能制造技术融合创新专家委员会

本委员会由工业和信息化部国际经济技术合作中心、施耐德电气(中国)有限公司共同发起，亚马逊云科技大中华区、中科创达、创业邦联合组织，旨在通过创新驱动，帮助制造企业进行绿色智能制造转型和升级，提高中国优势产业和战略性新兴产业的绿色智能制造能力。委员会由绿色智能制造相关领域技术专家组成，重点关注绿色智能制造技术融合创新，并提供信息交流平台，促进业务合作，协助工业企业提升在绿色智能制造领域的产业创新能力和方案竞争力，推进中国工业企业在绿色化、智能化趋势下的高质量发展。

亿欧

亿欧，专注科技+产业+投资的信息平台和智库。成立于2014年2月，总部位于北京，在上海、深圳、宁波、纽约等设有分公司。亿欧立足中国、影响全球，用户/客户覆盖超过50个国家或地区。旗下产品和服务包括：信息平台亿欧网(iyiou.com）、亿欧国际站（EqualOcean.com）、研究和咨询服务亿欧智库（EOIntelligence），产业和投融资数据产品亿欧数据（EOData）；行业垂直子公司亿欧大健康（EO Healthcare）、亿欧汽车（EO Auto）、元宇宙与碳中和研究院等。基于对中国科技、产业和投资的深刻理解，同时凭借国际化视角和高度，亿欧为中外客户提供行业研究、投资分析、创新咨询、数据产品、品牌公关、国际化落地等服务。

指导委员会

工业和信息化部国际经济技术合作中心副主任李毅锴

特别鸣谢

施耐德电气高级副总裁、企业联盟&创新投资中国区负责人李瑞

亚马逊云科技大中华区创新成长企业及合作伙伴生态系统事业部总经理倪殿令

工业和信息化国际经济技术合作中心毛涛

中科创达执行总裁邹鹏程

施耐德电气张晶钰冒飞飞陈小淙申红锋谢小军吴子怡

总策划

联系我们

施耐德电气首席数字官毛春景

主编

施耐德电气毛春景

亿欧智库新科技研究总监孙毅颂

亿欧智库孙毅颂

编写组

施耐德电气覃华雄周利朝

亚马逊云科技邴志强桂振华

群内每日免费分享5份+最新资料

300T网盘资源+40万份行业报告

为您的创业、职场、商业、投资、亲子、网赚、艺术、健身、心理、个人成长 …… 全面赋能！

关注公众号获取更多资料

添加微信，备
注“入群”
立刻免费领取
200套知识地图+最新研报

致终身学习者社群

行业报告/思维导图/电子书/资讯情报

群内每日免费分享5份+最新资料

300T网盘资源+40万份行业报告

致终身学习者社群

扫码先加好友，以备不时之需

前 言

目 录 求 CONTENTS

D

绿色智能制造概念与发展背景

1.1 绿⾊智能制造概念

1.1.1 产业智能化

1.1.2 产业绿色化

1.1.3 绿色智能制造六大理念

绿色智能制造六大理念

Smart

智能化：精神内核

Software

软件化：工业经验载体

Sustainable

可持续化：价值主张

Stepwise

Security

Safety

1.2 绿色智能制造发展背景分析

1.2.1 政策方面

1.2.2 经济方面

1.2.3 社会与环境方面

经济损失⁵

其他损失⁵

旧能源对外依存度高，新能源助力工业绿色化发展

2021年天然气对外依存45%⁷

1.2.4 技术方面

绿色智能制造技术发展与融合

2.1 绿色智能制造技术成熟路径与中外差异

2.2 绿色智能制造5T技术分析óOT技术(运营技术)

主要优势：

主要挑战：

从应⽤⻆度分析，国内重要OT技术为：

2.2 绿色智能制造5T技术分析óIT技术(信息技术)

IT技术发展趋势

生产设计类工业软件

经营管理类工业软件

运营控制类工业软件

运维服务类工业软件

从应⽤⻆度分析，国内重要IT技术为:

2.2 绿色智能制造5T技术分析óDT技术(数字技术)

发展现状

DT驱动的难点和挑战

2.2 绿色智能制造5T技术分析óCT技术(通信技术)

从应⽤⻆度分析，国内重要CT技术为：

2.2 绿色智能制造5T技术分析óET技术(能源技术)

这里列举主要的能源技术类别：

针对传统能源

针对新能源

针对能源管理系统

2.3 绿色智能制造5T技术融合创新总结

信息化与数字化：OT、IT、CT的融合

智能化与绿色化、未来化：5T融合

2.4 绿色智能制造5T技术融合创新未来趋势

3年内的行业宏观层面趋势

5年内的行业宏观层面趋势

5-10年内的行业宏观层面趋势

10年展望的行业宏观层面趋势

1-5年企业规划趋势

5-10年企业规划趋势

3年内技术层面突破趋势

3-5年内技术层面突破趋势

5-10年技术层面突破趋势

10年以上技术层面突破展望

最终愿景

#

绿⾊智能制造发展忁榰⩞

绿色智能制造⪚景䭴䷖ͭ䢕⺰⒣≖

4通信技术

另外，痛点和问题也能体现在产业中的技术融合场景，这里列举四类技术融合场景¹。

绿色智能制造场景研究——AI视觉检测平台案例

绿色智能制造⪚景䭴䷖ͭ栂校┖䐜

数字化ؘ现ୖ୞⢙ࢶ产业绿色智造૴ֺ¹

智能产ս研发

智能生产ԣգ

智能ૅ量管控

前言

目录求 CONTENTS

绿⾊智能制造发展忁榰⩞

绿色智能制造⪚景䭴䷖ͭ䢕⺰⒣≖

绿色智能制造⪚景䭴䷖ͭ栂校┖䐜

ୖ୞⢙ࢶ产业:技术܎ҵ程چ

绿色智能制造⪚景䭴䷖ͭ䭓䀙化ㅅ

澦وٴ前䬛ଇّ行动方ࠄ澧

绿色智能制造⪚景䭴䷖ͭ⚛囏制造

绿色智能制造⪚景䭴䷖ͭⅳ䢈弞Ⱨ

绿色智能制造⪚景䭴䷖ͭ氿⠡泎㣹

中国涉品渘料❊工企业物联网部吜㕯♟（⟿⏷：）

绿⾊智能制造技术与⪚景分析忁榰⩞

ㇴ䢈⪚景⢦业化䊼◻分析玄張䐙≸化֠⽯崤㶁ㇴ䢈֠ⲇ崤㶁Ɑ制

㯃绿色智能制造⪚景䡿㍡摈勒掛拱工

⪚景嵃┓㤙㮨㩭☁⢦ͭ弞Ⱨ毤䂫㎇剔㘄⪚景

⪚景嵃┓㤙㮨㩭☁⢦ͭ䢈㖗⌇␈能⪚景

绿色智能制造䡿㍡≹⊔弤≗㶁⫫分析

亿欧智库-绿色智能制造技术融合创新报告-2023.03-57页-WN4