绿色智能制造技术融合创新报告

55.15.1绿色智能制造发展机遇与挑战5.2绿色智能制造发展展望01.绿色智能制造概念与发展背景04.绿色智能制造生态角色分析1.1绿色智能制造概念1.2绿色智能制造发展背景分析02.绿色智能制造技术发展与融合4.1绿色智能制造场景生态部署逻辑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2.2绿色智能制造5T技术2.35T技术融合创新总结2.45T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6绿色智能制造概念与发展背景产业智能化产业智能化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。智能制造体系智能制造体系运维阶段消费者洞察产品研发采购生产制造上市营销销售生产阶段·垂直流程、低效、无互动终极愿景设计规划传统制造业体系物流采购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。产业绿色化绿色制造体系绿色产品设计绿色工厂用地集约化、生产洁净化、绿色产品设计绿色工厂用地集约化、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回绿色园区按照绿色全生命周期设计，引导绿色生产绿色理念及基引导绿色生产以绿色供应标准进行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回收处理平台，园区综绿色产品设计回收处理合能源资源一采购运维体化解决，提采购运维升能源资源利生产销售用效率生产销售来源：施耐德电气《绿色智能制造白皮书》、亿欧智库SmartSoftwareSustainableSSmartSoftwareSustainableStepwiseSecuritySafety1.1.3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软件化：工业经验载体可持续化：价值主张厂房集约化、原料无害化、生产洁净化、废物资源化、渐进化：量身定制判断企业工业发展阶段，梳理业务需求，从顶层设计安全化：数据安全、信息安全安全化：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。主要目标主要目标绿色目标¹：3060碳中和目标政策产业导向传统制造产业绿色智能化³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重点产业有色金属有色金属钢铁钢铁石油化工石油化工机械装备机械装备食品饮料食品饮料绿色制造战新产业融合化³推动能源资源消耗低、附加值高的战新产业融合，并进行生态化集群发展重点产业新能源新能源车新能源车高端装备高端装备新材料新材料生物医药生物医药电子器件电子器件政策重点内容³绿色设计全生命周期绿色化绿色工厂生产过程绿色化·绿色园区绿色理念集成平台政策具体扶持内容绿色供应链绿色制造企业的协调与协作策分析，绿色工厂、绿色园区为政策重点扶持环节扶持金额30万至60万代表性地区北京市、上海市、浙江省、江苏省、广东省、福建省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单位：万亿元5.695.048.822.993.205.773.262.494.4723%17%11.9515.919.554864682342021年天然气对外依存45%733%单位：万亿元5.695.048.822.993.205.773.262.494.4723%17%11.9515.919.554864682342021年天然气对外依存45%733%2021年Q3中国绿色投融资分布¹保险资金保险资金绿色投资占比3%绿色信托占比2%绿色贷款占比85%绿色债券占比10%2019年-2022年H1中国绿色贷款投向统计¹4.294.294.217.42019年2020年2021年2022年2019年-2022年H1中国绿色贷款余额¹40%10.2210.222019年2020年2021年2022年*2022年Q2同比数据对比的是2021年Q2数据2019年-2022年H1中国智能制造融资金额²4494492018年2019年202020212022年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智能制造融资金额（亿元）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(单位：亿吨二氧化碳)经济损失⁵工业与建造业建筑业交通运输其他11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年原油对外依存73%72015年-2020年中美新增光伏装机容量对比(单位：GWH)415.15.734.5453.068.444.2610.030.227.548.214.892015年2016年2017年2018年2019年2020年企业四维融合五维技企业四维融合五维技术融合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。终端与云端融合底层设备、中间边缘、顶端云和应用纵向打通全生命周期融合从大规模建设及运营阶段的融合与打通能源与自动化融合实现效率提升和节能降耗OT运营技术ET能源技术DTCT通信技术企业管理集成化融合将分散、独立的管理点通过数字化平台实现集成化管理IT信息技术数字技术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。绿色智能制造技术发展与融合能源技术通信技术数字技术信息技术运营技术TechC能源技术通信技术数字技术信息技术运营技术TechCommu-TechDTechTechOpera-tionalTech2.1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—OT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。来源：施耐德电气《绿色智能制造白皮书》、亿欧智库、专家访谈外部攻击内部漏洞错误操作外部攻击内部漏洞错误操作OT技术发展现状主要特征OTOT&IT技术融合趋势明但存在融合难点及挑战但存在融合难点及挑战主要挑战降低工业成本降低工业成本降低工业过程风险降低工业过程风险提高数据可访问性提高数据可访问性降低技术迭代难度降低技术迭代难度优化工业业务流程优化工业业务流程近年来传统行业（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。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。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：PLC——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；RTU——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——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：PLC——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；SCADA——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；DCS——受电力、建材、石油化工行业影响，近几年的应用有所下降；CNC——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——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。数字化IT技术作为基础，与其他4T融合推动工厂智能化改造云计算OTlOT工业软件工业互联网AI大数据网格化数字化IT技术作为基础，与其他4T融合推动工厂智能化改造云计算OTlOT工业软件工业互联网AI大数据网格化智能化2.2绿色智能制造5T技术分析—IT技术(信息技术)IT技术发展趋势生产设计类工业软件CADCAM、CAE设计绘图仿真测试产品数据经营管理类工业软件ERPEAMCRMSCMOA企业资源管理财务管理人力资源管理资产管理营销管理供应链管理商业智能办公协同运营控制类工业软件MES制造执行系统DCS分布式控制系统数据采集与监视系统EMS能源管理系统工业互联网是数字化、网格化、智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IT技术（Informationtechnology）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——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——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——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:ERP——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、石油化工等超级计算机——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、CAM——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。来源：阿里云创新中心成本与安全存在数据孤岛DT人才要求较高AloT学习反馈计算存储计算成本与安全存在数据孤岛DT人才要求较高AloT学习反馈计算存储计算2.2绿色智能制造5T技术分析—DT技术(数字技术)DT（Datatechnology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。DT技术发展现状主要特征ITIT向DT时代进化DTDT驱动的难点及挑战主要挑战数据开放资源共享数据开放资源共享降低工业过程风险降低工业过程风险优化工业业务流程优化工业业务流程发展现状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——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、数据接口协议不统一——一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——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。主要技术之间的相互关系工业元宇宙META技术群控制计算控制工业4.0工业5.0工业4.0网络交换卫星通信移动通信无线通信运营管理专网通信网络交换卫星通信移动通信无线通信运营管理专网通信⽀撑DT驱动的“云⼤物智”正在逐步融合，并迸发出新兴应⽤：云计算——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——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，就可以实现大数据人工智能——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——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——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；AloT——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；MR——AR、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—CT技术(通信技术)CT（Communicationtechnology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通信技术分类有线接入有线接入光通信光通信其他其他从应⽤⻆度分析，国内重要CT技术为：移动通信系统¹——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。传统能源新能源能源管理传统能源新能源能源管理预计到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——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—ET技术(能源技术)能源技术融合发展趋势煤炭无害化开采技术煤炭无害化开采技术煤炭清洁高效利用技术煤炭清洁高效利用技术CCUSCCUS大型风电技术大型风电技术氢能与燃料电池技术氢能与燃料电池技术生物质、海洋、地热能利用技术生物质、海洋、地热能利用技术微电网微电网虚拟电厂虚拟电厂先进储能先进储能特高压特高压ET（Energytechnology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（powertogas电转特高压：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DTDTOT与IT融合OT 信息化—数字化CTloT与DTET技术支撑OT、IT、CT、DTET绿色化IT与CTET绿色化融合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。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。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被动式绿色转型被动式绿色转型全面绿智非领军企业：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数据安全低代码AI建模外包云计算边缘计算CCUSXR数字孪生WEB3.06G算力引擎交互感知领军企业：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技术突破层面趋势行业宏观层面趋势企业规划层面趋势未来主动式转型全面自动3年内3-5年5-10年10年以上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“脱链计算”、共识机制、跨链标准将会在未来10年内解决，并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૦சৱ搧⃞⃞望ৱ楌楫♠⃞⃞⃞❊工专用设⃞૦சৱ搧⃞⃞望ৱ楌楫♠⃞⃞⃞❊工专用设⃞3.1绿⃞智能制造发展忁榰⃞中⃞绿色智能制造刦分宬业忁榰⃞ү行ৱү行ৱ楌楫♠⃞(#32)专用设⃞(#35)‿器‿表制造业(&40)‿器‿表制造业(&40)૦சৱ૦சৱ自动化櫚䁙⃞ଣୂ分Ӂ⃞行业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。3.2绿色智能制造⃞景⃞⃞⃞⃞⃞⒣≖⃞⃞ҫ件产业发展ଊବ⃞绿智技术ݐ动߰ﯠ生产2017年-2021年中国电⃞元⃞件营业⃞入⃞⃞擉224604.5%2020年营业收入（亿元） 营业收入（亿元）来源：施耐德电气、亿欧智库、专家访谈绿智程ﭺИ绿智程ﭺѺ绿智程ﭺИ绿智程ﭺѺ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2.2万亿元，新注⋡企业为7.43万家，约为2020年1.62倍；碳排放量日益增多，形势ὺ⃞，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2.5倍。绿色智能制造技术⃞力⃞⃞ҫ֘件行业߰ﯠ生产ۯؚ定制化⃞产ս生ոյߊঢ়िۯؚ定制化⃞产ս生ոյߊঢ়ि产ս开发յߊঢ়िﯠ߰生产ূ分١场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，建立叄好用户口⃞，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。⃞⃞ҫ件产业5:技术⃞ҵ程ﭺ/4运营技术)4信息技术$4数据技术#4通信技术投入程度以⃞充色4圈为高投入，⃞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、⃞环过⃞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。⃞⃞ҫ֘件产业⃞⃞全生ոյߊ绿色智能制造⃞点Ճ⃞绿智程绿智程ﭺ⃞⃞ੂՈ⃞⃞ੂՈ研发设计҈ځ⃞工制造ѓҥ⃞⃞运维服务։ե服务ѣ业管理研发设计目前有较多㓿施与较多技术应用，比如D)0，但在新技术应用，比如虚拟建模，⃞真，3D打Ⓟ这些方面应用依旧较少目前采购供应这方面欠缺结合工序管控的时序预测与上下㾍䚚通的妩接节点信息流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AmazonSageMaker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(ComputerVisionforQualityInsight)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AmazonS3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。能源生产与转换钢铁模型/推理图∤搜集工业相机工业相机模型/推理工业相机模型部署模型部署检㤺软件工程⽝算法科学家能源生产与转换钢铁模型/推理图∤搜集工业相机工业相机模型/推理工业相机模型部署模型部署检㤺软件工程⽝算法科学家⃞⃞⃞淌捪⃞⃞技的!)崦崩⃞⃞⃞❐⃞⃞工Դ!$#推理管理推理管理推理管理$PD]RQ$PD]RQ$PD]RQ图∤崂倘图∤$PD]RQ推理管理3.2绿色智能制造⃞景⃞⃞⃞栂校┖⃞2021年钢材产量憑近14亿吨，能源活动碳排放16.3亿吨，占据能源碳排放17%，绿色转型需求迫切。ୖߕ能源⃞⃞ڧݹր⃞ੋ⃞绿色技术驱动ୖѣӗ⃞2017-2021中国楌⃞年⃞产晹⃞⃞擉¹钢材产量（吨）2019年中国能源䇥动碳排放占比(⃞⃞：%)29建筑（含建材）交通其他能源活动碳排放占据首位：钢铁行业碳排放16.3亿吨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。智能生产⃞գ知、人员行为识别、人员定位跟彿，实现控；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智能生产⃞գ知、人员行为识别、人员定位跟彿，实现控；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合ׂй⃞⃞⃞、智能⃞ߊ的全供应链优化，实现产销通过实时的能源消耗数据进行能源管理、平衡及优化，降低生产成本智能ѓҥ⃞⃞采用移动通崄技术和移动应用技术，实现储物资移动调度、智能调度绿智程ﭺИ绿智程ﭺѺ数字化⃞现ୖ⃞⃞ࢶ产业绿色智造⃞⃞1智能产ս研发智能产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5:技术⃞ҵ程ﭺ/4运营技术)4信息技术$4数据技术#4通信技术投入程度以⃞充色4圈为高投入，⃞色⃞充色为低投入钢铁冶炼产业5T技术程度从整体来看，应用较多，特别是得益于物联网底层设备成本的下降，提高企业拥㐆绿智的信心。以目前而言，云计算(考虑到投资成本与专业化运营)、网络安全、3D打Ⓟ（在试点）等技术应用依旧还在探索中。在低碳能源方面，得益于政府监管ὺⓞ，企业重视程度较高，目前在低碳生产投入较大。ୖ⃞⃞ࢶ产业⃞⃞全生ոյߊ绿色智能制造⃞点Ճ⃞绿智程绿智程ﭺ⃞⃞ੂՈ⃞⃞ੂՈ研发设计҈ځ⃞工制造ѓҥ⃞⃞运维服务։ե服务ѣ业管理钢铁行业的订单定制化需求较高，目前在绿智的应用中等在新技术应用，比真，3D打Ⓟ这些方面应用依旧较少上下㾍妩接节点的信息流没有很好的整合钢铁冶金行业绿色智能制造技术整体较为成熟，对企业研发设计、采购、加工制造、仓储物流等方面有较大赋能，对保证工厂不间断运行，控制安全风险产生显著效益。不过，整体存在头大尾小情况，龙头企业转型积极，但尾部企业利润低，对于高昂的投资始终保持抗性。整体上来看，钢铁冶炼产业绿色智能程度较深。研发设计的痛点主要为高端钢铁、特种钢研发的原料昂贵，试错成本高，在新技术应用，比如虚拟建模、仿真、3D打印这些方面应用依旧较少。采购供应链的痛点主要体现大量上游材料及高品质铁矿石需要进口，原材料的供应、加工制造与下游需求衔接不够，还有上下游衔接点的信息流整合较弱。加工制造环节除了工作环境高温、高噪音、高粉尘的传统问题外，近几年体现的问题为数据驳杂，过程数据、状态数据、位置数据、固相数据、液相数据，各个系统垂直，融合较难。仓储物流的痛点，其核心是生产与仓储信息协作效率低，数据孤岛严重；由于钢铁行业结构化分销渠道占比较大，生产、销售链条复杂，信息回流不畅，推高交易成本1。另外，痛点和问题也能体现在产业中的技术融合场景，这里列举三类技术融合场景²。第一类：产线集中监控「CPS物理信息系统」——利用CPS(CyberPhysicalSystems物理信息系统)，深度融合IT、OT、CT技术，连接工业互联网及工业物联网，构建数字孪生，在搭建虚拟仿真平台、开展新产品设计等场景具有良好效用。同时将传统工业流程进行集中化、规模化应用，树立钢铁智慧制造的标杆。以某钢铁厂为例，早在2001年开始布局信息化与智能优化团队，基于CPS系统实现了5KM以上的跨工序、跨区域、远距离的大规模集控和无边界协同。40多个中控室及400多名员工从危险区域撤出；35万点大数据分析，优化制造流程，年均收益可达1.85亿元；多专业多工序无边界协同，作业区数量下降60%，人事效率上升40%。第二类：铁前工序智能碳使用「智能感知、监测、识别」——钢铁加工制造的碳排放80%以上集中于铁前工序。人工智能、机器视觉、机器学习及物联网感知技术深度参与这一环节。监测到异常运行状态，识别出异常的环节，并进行预警及智能决策。例如，后续的炼铁过程根据欠热、过热、欠烧、正常、过烧等状态进行温度的改变。以某钢联为例，“智能碳使用”技术路线是重点项目之一，利用智能感知，实时监控，通过高炉废气导入变压吸附装置，将一氧化碳与其他气体分离，并将分离出来的气体进行商业化利用，根据2017-2021年运行周期的统计，实现温室气体减排30%以上的目标。第三类：打捆、贴标、加渣等高危环境「工业机器人」——目前在钢铁加工较为广泛，比如投料、焊接、测温、图像识别等环节。基于边缘计算、边缘AI及深度学习等技术，机器人可以协助实现生产自动化、料场控制无人化、在仓储物流中进行放料搬运，代替人工作业。以某集团为例，引入智能化换人及机器人代人等战略，包括自动打捆机、贴标、加渣机器人等，分布在高温、高粉尘的恶劣环境中，同时，借助计算机视觉技术及图形处理技术实现信息共享、生产联动，预计某集团至2024年将持续引入智能机器人数量达1500台。孪生化自动化䲝化智能孪生化自动化䲝化智能3.3绿色智能制造⃞景⃞⃞⃞⃞⃞化ㅅ石油化工为六大高耗能产业之一，其产业链条长、产品种类多、行业覆盖面广，目前我国产业规模位于全球领先。Խ⃞⃞৴ࢬ⃞⃞ӗ⃞Թ力⃞大2016年-2021年中国⃞⃞⃞品晹⃞⃞擉14.7%澦2030ٶ前⃞ଇّ行动方澧澦ी化重点行业Е能ݼݐߘ动ਭ能⃞⃞行动方澧至少总量30%的炼油、ᾮ⃞、合成⃞等化2016-2020年中国原油消耗量逐年增长，增速飞升，中国原油消耗量在2020年增速高达7.3%，创四年新高，消耗量直憑7亿吨，由于《2030年前碳达峰行动方案》要求石化产品产能利用率提升至80%以上，《石化重点行业ὺ格能效约束推动节能降碳行动方案》要求至少总量30%的炼油、ᾮ⃞、合成⃞等化工产品达到碳排放基准能效。ी化工Դ六化⃞⃞²⃞化智能工厂⃞化模型数字化制造工厂数字化融合化模型化ी化智能工ԴО进行六化⃞⃞：自主化：$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；注[2]：中石油《未来石化智能工厂顶层设计：现状、对比及展望》绿智程ﭺИ绿智程ﭺѺ绿智程ﭺИ绿智程ﭺѺ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5:技术⃞ҵ程ﭺ/4运营技术)4信息技术$4数据技术#4通信技术投入程度以⃞充色4圈为高投入，⃞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。ी⃞化工产业⃞⃞全生ոյߊ绿色智能制造⃞点Ճ⃞绿智程绿智程ﭺ⃞⃞ੂՈ⃞⃞ੂՈ研发设计҈ځ⃞工制造ѓҥ⃞⃞运维服务։ե服务ѣ业管理石油化工订单属于被动唌取，订单量基本稳定由化工设计院负幸，企业主要负幸调整设备参数整体上来看，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，安全设备存在信息⃞⃞；工厂位僃偏远，一线工人流动大，同时教育⃞崂成本高。Րי⃞⃞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、⃞度【⌊、数据⃞⃞、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。⃞石化ᾮ⃞装僃$3&与5TO联用，一期工程年化效益每年增加3091万元人民⽖，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、⃞⃞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、智⃞运搽۳㌽⃞LO4、卌外线、⃞⃞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：櫜⃞、㊋⃞۳⃞⃞人、20!、⃞⃞视平、!)、5'、!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，代⃞人工进行防⃞智能⃞检，懔⊢⃞检⃞角，生产场所的⃞楈、有害气体威胁等。⃞炼化厂与⃞波移动合作，构建基于5G网络的机器人⃞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。3.3绿色智能制造⃞景⃞⃞⃞⃞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。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。ߑ⃞方面2：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。⃞哦制造产业5:技术⃞ҵ程ﭺ/4运营技术)4信息技术$4数据技术#4通信技术投入程度以⃞充色4圈为高投入，⃞色⃞充色为低投入绿智程ﭺИ绿智程ﭺ绿智程ﭺИ绿智程ﭺѺ医药制造从整体来看对5T技术的投入不高，设备本身的自动化能力不足，对药品的研发长期依庫国际数据库，使得数据相关技术的投入也相对较低。由于药厂的大品种药物需要连续生产，药企对能源稳定的技术投入则较高。⃞哦制造产业⃞⃞全生ոյߊ绿色智能制造⃞点Ճ⃞绿智程绿智程ﭺ⃞⃞ੂՈ⃞⃞ੂՈ研发设计҈ځ⃞工制造ѓҥ⃞⃞运维服务։ե服务ѣ业管理主要以㽵道商、药⃞、医院数据整合唌取订单，整体䀳后于市场缺乏大数据、信息技术支撑，技术⃞⃞较难逾越上下㾍妩接节点的信息流没有很好的整合受到制药的一致性生产要求，制药企业对于新技术整体较为保⃞医药对于新技术在加工制造环节的应用较为保⃞，对于其他环节的赋能以市场需求预测、智能营销、生产排期、原材料采购，以及偾短药物研究。⃞⃞上⃞⃞，医药制造⍋业绿色智能亯㍊化⃞⃞。订单唌取的痛点在于唌取订单的时间较为⃞后，需要先以⃞道商、药⃞、医院的数据进行整合。研发设计的痛点主要体现在缺乏大数据、信息技术支撑，技术⃞⃞较难逾越，与国际医药巨⃞相比，缺少基础医药研发数据，及信息化的分析手段，例如$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保⃞，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。Րי⃞⃞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澞俖⊪儥：殪求预测+智能生产排期۳LO4、大数据、数据⃞⃞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、人、㯤⃞视平、䊛度【⌊、5'۴³³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60%3。俖⊳儥：い制堙⃞生产与全⃞⃞⃞۳3$⃞⃞、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Ⓟ技术为⃞者灵活调整药品方案，并进行快速生产。以⃞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。港口、集装䴆机械造船装备港口、集装䴆机械造船装备行业国际技术水平工程机械绿智程ﭺИ绿智程ﭺѺ行业国际技术水平工程机械绿智程ﭺИ绿智程ﭺѺ3.4绿色智能制造⃞景⃞⃞⃞ⅳ⃞弞⃞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“工作⃞机”。 И֢Ћ⃞设ו制造⃞⃞化、智能化进程高铁装备高铁装备风电/核电装备风电/核电装备锂电/光伏装备锂电/光伏装备航空装备航空装备机器人/数控机⃞半导体装备半导体装备供应全䢭高端化、智能化供应全䢭Ћ⃞设ו产业5:技术⃞ҵ程ﭺ/4运营技术)4信息技术$4数据技术#4通信技术投入程度以⃞充色4圈为高投入，⃞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