面对全球制造业竞争格局的深刻变革以及新工业革命带来的机遇与挑战，我国提出“智能制造2025”战略，旨在通过技术创新与模式创新，推动制造业向数字化、网络化、智能化方向转型，全面提升制造业的国际竞争力。该战略不仅是对传统制造业的深度改造，更是我国迈向制造强国的重要里程碑。同时国家层面出台一系列支持智能制造发展的政策，如«关于深化“互联网＋先进制造业”发展工业互联网的指导意见»等，为智能制造营造了良好的政策环境。智能制造包括设计、生产、物流、销售、服务五个维度，通过以数字化车间为核心，构建集设计、生产、物流、服务等环节于一体的智能工厂，可实现全流程、全要素的动态优化与协同。如采用数字孪生技术模拟生产过程，通过数据分析预测设备故障，实现预防性维护；利用物联网技术实时监控物料流动，优化供应链管理。同时通过工业互联网平台，推动产业链协同创新，打破企业间的信息壁垒，实现上下游企业间的深度协作与资源共享。

1 研究背景与内容

数字经济背景下，传统制造企业可以将数字技术与业务体系高度融合，对生产制造、物流等各环节进行深度的革新和优化，挖掘业务潜在增长点，提高企业全要素生产率，进而提高企业的竞争力。汽车制造工艺复杂，涉及冲压、焊接、喷涂、总装多个车间，汽车供应商众多，涉及国内外零件上千种；生产过程和供应链的复杂使得汽车行业的数字化转型过程困难重重。

1.1 目的和研究问题

天津分公司作为一汽-大众主机厂之一，一条生产线生产5款车型，共有国内供应商295家，5768种国产零件，31个进口件原产国，959种CKD进口零件，传统的制造管理模式已经无法高效满足生产组织和快速响应市场及用户需求，急需通过数字化系统建设助力管理高效提升。

本文将针对汽车主机厂在生产制造方面的业务核心痛点提供数字化解决方案，并且研究通过建立统一的控制塔系统，实现生产制造领域数据的统筹，满足不同层次业务和管理人员的查询、统计、预警、分析和决策建议，有效避免出现数据及信息“孤岛”。

1.2 主要方法及系统应用工具

本文将采用综合性研究方法，包括文献综述、案例分析等方法。首先，通过收集和分析相关的学术文献、行业报告和研究成果，以全面了解智能制造的现状和趋势。其次以业务场景为驱动，详细介绍控制塔模型构建与控制塔系统建设。

控制塔系统搭建工具包括了低代码、高代码。低代码包括钉钉、宜搭、QBI等开发工具，高代码包括Python、Java、MySQL等开发工具。

2 控制塔模型构建

控制塔的概念起源于机场的控制塔，可实现全局可视、实时在线、互通互联、控制中枢、封控预警等功能。

一汽-大众以用户为中心，建立公司业务整体模型，梳理了17个业务流程域，关注端到端的业务价值实现。控制塔是订单到交付流程域的重点项目。

一汽-大众已持续推进数字化转型多年，具备成熟的公司级数据中台，足以支撑建立一个覆盖战略层、管理层、作业层的控制塔，对企业生产经营决策及问题迅速响应提供支持。控制塔的整体建设思路是以订单流、整车流、零件流三个业务场景为驱动，识别业务管控痛点、明确管控指标、梳理指标预警规则、触发待办并定期分析改善。

天津分公司作为一汽-大众的主机厂之一，承接了控制塔在生产基地落地的重要部分。天津分公司参考了金字塔原理等结构化思维分析工具，系统性地分析指标、梳理指标、确定关键因素以及制定相关指标规则。通过将关键指标层层分解为更小、更易于管理的子指标，形成一种树状指标结构，从而可以清晰地识别关键指标的各个组成部分、理解子指标之间的关联，并确保全面考虑所有相关子指标；同时针对每项子指标建立不同层级的预警规则，实现指标的全方位预警；如图1所示。

图1 控制塔指标树模型

3 控制塔系统建设

天津分公司作为汽车主机厂，其控制塔的建设涉及生产制造全流程管理，业务流长且复杂，通过确定订单流、零件流、整车流三项关键业务场景，梳理业务场景痛点，确定业务场景下的关键指标，再结合控制塔模型的构建思路进行每项关键指标的层层拆解并制定对应的数字化系统解决方案，实现控制塔系统建设。下面将从订单流、零件流、整车流三个业务场景分别进行详细论述。

3.1 订单流

汽车生产供应链链条长，生产计划因缺乏全链条数据，对终端市场了解不足，造成预测与实际需求有差异；同时销售需求输入频繁变更，生产计划频繁调整，也会导致供应商备货困难，造成生产物流成本浪费，甚至订单交付延误。为此搭建一个产销分析平台，实现上下游数据壁垒突破，才能快速响应用户需求，降低产业链运行成本。

3.1.1 系统方案设计

系统主要包括数据底层、业务逻辑层和UI层等。数据来源主要是公司统一建设的DISC数据湖，包括车间实时产量数据(FIS)和销量相关数据(SAP)等，数据的更新频次可达分钟级。业务逻辑层主要利用低代码与高代码结合进行数据的加工和预警规则的设定，并根据UI需求来设计报表，如图2所示。

图2 产销分析平台架构

3.1.2 系统建设

产销分析平台主要包括订单管理、订单旅程分析、库存管理和销量管理等，如图3所示。订单管理模块可实现整车订单排产比例管理和在线订单实时监控管理；订单旅程模块可实现对不断阶段的订单数量进行监控管理并且跟踪各环节的订单交付状态；库存管理模块可以实现不同品种的库存进行监控，并对库存异常波动的订单类型进行预警，反向作用于前序业务流程，提醒排产时主动调整订单品种；销量管理模块可实现产销的跟踪和分析，并且监控颗粒度可细化至不同配置甚至选装配置层面。

图3 产销分析平台模块功能

产销分析平台系统搭建后，已实现每天对厂家库存及销量数据实时监控，及时发现异常库存结构，并针对异常实现主动预警，提前调整物料资源，满足用户需求。同时通过对终端销量进行全面分析，主动识别极小需求产品，反向指导销售，推进小需求产品EOP,节约大量生产成本。

3.2 零件流

汽车产业逐渐从增量市场进入存量市场，主机厂竞争环境更加激烈，需求端频繁调整，加上芯片短缺等突发情况，造成供应链波动不稳、供应商备货困难，其中准时制生产模式(JIT)供应商因其供货的特殊性尤为凸显，通过指标树模型对业务场景进行分析，主要存在以下问题:

1)效率低:面对紧急调整生产计划等突发情况，需要通过电话或邮件与供应商沟通确认，被动接受反馈，效率低下。

2)颗粒度大:准时制模式供应商的动态库存无监控，库存无法完全掌握；供应商自行拆解成下级散件，备货不准确，缺件情况时有发生。

3)人员管理缺失:生产波动导致人员的流动性增大，限制生产计划的调整。

为此搭建一个准时制模式供应商管理平台，实现产业链数据共享，才能推动以上问题的解决，如图4所示。

图4 准时制供货业务痛点分析

3.2.1 系统方案设计

系统主要包括数据底层、业务逻辑层和UI层等。数据来源主要是订单系统、拆车系统等，业务逻辑层主要利用高代码实现订单的日度零件需求自动拆解、拆解后零件需求自动上传至低代码平台，并通过高代码进行数据的加工和预警规则的设定，最后根据UI需求来设计报表。

3.2.2系统建设

依托低代码和高代码的数字化开发工具，搭建准时制模式供应商的管理平台，包括开发库存管理模块和人员管理模块，通过将订单计划转化为零件日计划，利用大数据思维深入掌握供应商关键、核心岗位分布并进行产能预判。以下详细介绍三个功能模块:

1)人员管理模块，实现供应商所有人员信息录入，可识别关键岗位等，提高核查效率，并实现供应商产能状态的监控。

2)库存管理模块，以主机厂焊装上线计划为依据，利用高代码程序自动拆解至零件，搭建零件日需求模型，匹配供应商总成件库存，自动计算零件管线，并自动同步至低代码平台。省去供应商人为解读整车计划的环节，避免人为解读错误造成的供货短缺。

3)一站式计划模块，依托低代码平台搭建中长期、短期计划发布平台，使得各类计划一站式获取，避免计划未及时更新造成的信息误差。

基于准时制模式供应商管理平台，其部分功能如图5所示，实现了供应商的人员、库存管理，打通了“最后1公里”，提高了工作效率，降低了人为失误。

图5 准时制模式供应商管理平台部分功能

3.3 整车流

当前汽车行业各主机厂均采用智能设备组建生产车间，这些智能制造设备具有一定的自动处理能力与数据存储能力，但缺少上层统一的管理系统，导致生产信息滞后，形成信息孤岛；同时在生产过程中缺乏及时高效的监控手段，车间信息人为传递时效低、准确性低，监控颗粒度也无法进一步细化。

为此基于车间的系统及数据，搭建统一的生产监控平台才能打通各个车间、设备及业务流之间的信息孤岛，整合各车间数据，实现车间信息化、透明化管理。

3.3.1 系统方案设计

利用PLC层面设备数据并通过高代码进行二次自主开发，通过打通各车间独立的工艺设备系统，并且实现了全产线实时监控、智能报表管理、生产指标管理。通过指标树模型对整车流进行指标拆解和预警逻辑建立，通过高代码结合钉钉等低代码平台实现生产异常情况下自动语音提醒、相关信息在线收集和传递等功能，并且可以手机端实时获取相关信息，如图6所示。

图6 生产监控系统方案示意图

3.3.2 系统建设

依托现场设备数据，利用高代码搭建生产监控驾驶舱，如图7所示，主要包括实时生产状态、累计生产完成状态和指标完成状态等三个模块，下面详细介绍三个模块功能:

1)实时生产状态模块关键指标为各车间的出口点产量，子指标中包含了各车间内部关键节点的产量完成、在制品储备状态、交检合格率和滞留订单数量等，结合业务场景需求，针对每项子指标建立不同预警规则，实现了产量欠产数、储备数、合格率等达到阈值时自动发起手机端和网页端报警，并建立异常待办流程自动传递至问题区域负责人，同时可在线收集异常原因后根据预警规则通报至不同层级负责人。

图7 生产监控驾驶舱示意图

2)累计产量完成模块包括了日度、周度、月度、年度等不同时间维度的生产完成情况，并纳入销量、库存等相关数据，实现对产量完成进行预测。

3)指标完成状态模块对关键指标进行了日度、周度、月度、年度等不同时间维度的跟踪，并结合实时生产情况对指标进行趋势分析与预警，并针对异常指标进行分析与总结。

基于生产监控驾驶舱，实现了整车流环节的全流程在线监控，打通并整合了各车间的数据，并通过指标树的规则建立实现了信息流的快速收集、传递与共享。

4 结论

图8 智能制造能力成熟度等级

本文旨在基于订单流、整车流、零件流的场景下，实现控制塔建设，解决汽车主机厂在生产制造方面的业务核心痛点。首先梳理业务场景和关键指标，再通过采用控制塔的指标树逻辑进行指标拆解，形成塔状管理结构，最后结合数字化工具对各项子指标进行管理赋能并形成控制塔。结合智能制造能力成熟度等级模型进行评估，如图8所示，控制塔的建设初步达到四级状态，可为汽车行业的数字化工厂建设提供参考路径。后续将结合AI等新技术的应用来持续迭代控制塔的建设，实现智能制造能力等级的进一步提升。

文章来源《2024中国汽车工程学会年会论文集》作者：一汽大众汽车有限公司天津分公司 刘文文  范慧 王三红 罗庆 孙启源