当前全球制造业正加速推进智能化改造与数字化转型，智能工厂作为智能制造的核心载体，已成为传统企业突破生产效率瓶颈、实现高质量发展的关键。然而，多数传统企业在智能工厂建设实践中面临显著窘境:一方面，经典制造管理理论与智能化技术应用存在一定管理落差，导致理论指导难以落地；另一方面，智能制造国家标准大而全，不过企业实践中常出现“标准套用生硬”、“分层建设碎片化”等问题，最终造成资源浪费、建设周期延长，甚至陷入“建而不用”的困境。

本文围绕智能制造工厂建设展开，总体布局如下:第一部分，重点剖析智能制造工厂建设中的问题与现象，指出企业未能有效借助国家智能工厂梯度培育体系获得提升的原因；第二部分，提出智能制造工厂建设的落地解决方案，指出“企业实际提升路径与中国智能制造范式的匹配”，给出企业如何借“国家智能工厂梯度培育”之势进行建设的方法；第三部分，通过智能工厂总体规划与建设、智能检测的场景案例，论证了智能制造工厂建设的整体分层规划和实际场景落地；第四部分，展望智能工厂建设的未来发展趋势，为工厂后续优化升级提供方向指引，为破解工厂建设实际窘境提供实践参考。

１智能制造工厂建设中的问题与现象

１.１智能制造指导理论繁多，企业无法精准把握方向

德国“工业４.０”理论体系以信息物理系统(ＣＰＳ)为核心，深度聚焦于制造过程和价值链的生命周期，建立了比较完整的三维模型。美国工业互联网理论与德国工业４.０相比，更注重软件、网络和大数据。中国智能制造理论体系以人－信息－物理系统(ＨＣＰＳ)为核心要义，与其他国家相比，中国理论体系更强调系统性和整体性，同时推进数字化制造、数字化网络化制造、数字化网络化智能化制造３种基本范式。

不过我国不少企业在工厂建设中，并没有考虑工厂所在行业、规模、技术基础等因素，只想着对标工业４.０而无法精准把握方向，同时由于管理颗粒度太粗和评价指标模糊等原因而无法进行细节的把控，这已成为行业内较为普遍的现象。

１.２企业未掌握智能制造能力成熟度评价标准的精髓

在智能制造标准化中，定义智能制造为基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。«国家智能制造标准体系建设指南(２０２４版)»中，对智能制造标准体系结构有清晰的架构图。

ＧＢ/Ｔ３９１１６—２０２０«智能制造能力成熟度模型»将企业能力要素概括为人员(Ｐ)、技术(Ｔ)、资源(Ｒ)和制造(Ｍ)四大核心能力要素。由于我国很多企业在实际管理中并不是以这四大维度为核心框架，就出现在对智能制造工厂建设中开展的成熟度等级评价时，并不能完全反映实际的智能制造工厂管理水平。因此，实践工作中，需要重新审视这个以制造能力提升为中心、以人员技术资源为保障的模型。

１.３企业未能有效借助国家智能工厂梯度培育体系提升

２０２４年１０月，工业和信息化部等六部门联合印发了«智能工厂梯度培育行动实施方案»，构建了“基础级、先进级、卓越级、领航级”智能工厂梯度培育体系。以南京市为例，从２０２２年到２０２４年上半年，在江苏省政府组织的“智改数转网联”企业服务工作中，相关专家团队累计为４５００余家规上工业企业提供免费诊断服务，基本实现全市规上工业企业免费诊断全覆盖。“十四五”以来，我国已建成基础级智能工厂超３.５万家、先进级智能工厂７０００余家、卓越级智能工厂２３０余家。

不少制造企业领导对智能工厂梯度培育的长期性缺乏系统了解。自２０２４年起，工业和信息化部评选的两批卓越级智能工厂中，共有５０７家企业申报的５０９个智能工厂项目进阶成功，不过，有些企业仍然对国家智能工厂梯度培育体系了解不够深入，部分企业是为了申报而申报，因此需要从根本上改变这一观念，引导企业从客户需求及战略高度出发，做好自身梯度建设。

２智能制造工厂建设的落地解决方案

２.１企业实际提升路径与中国智能制造范式的匹配

我国将智能制造作为制造强国建设的主攻方向，这一战略定位具有深远意义。数字化制造智能制造的第一种基本范式，其核心特征是制造技术与信息技术的初步融合，通过数字化手段实现制造过程的自动化和信息化。数字化网络化制造是智能制造的第二种基本范式，其核心特征是通过互联网技术实现制造资源的广泛连接和集成，促进制造过程的网络化和智能化。数字化网络化智能化制造是智能制造的第三种基本范式，其本质是“人工智能＋互联网＋数字化制造”的深度融合。智能制造理论体系正在经历深刻变革，各国基于自身产业基础和技术优势可以形成差异化的发展路径，企业的发展也同样如此。

本文从企业智能制造发展水平和时间轴角度，将企业实际提升路径与中国智能制造范式进行匹配，实现企业实际提升与三种智能制造范式的匹配参考，以方便企业在实际经营管理和智能制造建设中作为提升参考。如表１所示，我们从企业智能制造发展阶段、企业人才及技术支撑基础、企业提升改善范围参考、企业提升参考信息系统四个方面，进行了企业实际提升路径与中国智能制造范式的匹配。

表１ 企业实际提升路径与中国智能制造范式的匹配

企业在智能制造实际提升之前，应制定总体的智能制造建设蓝图，然后再按智能制造的三个范式分步实施，这样的提升之路比较容易成功。

２.２企业智能制造提升与能力成熟度标准的匹配

«精益制造与管理»中马车模型的两个车轮，一个是管理创新，一个是技术创新；根据«智能制造能力成熟度模型»，企业智能制造能力成熟度分为五个等级，较高成熟度等级的要求涵盖低成熟度等级的要求，实质是管理创新与技术创新融合提升的过程。

在实际的企业智能制造提升中，未达到一级的企业处于管理混乱状态，一级标准可理解为流程化和标准化的精益管理状态，是推进智能制造成功实施的必要基础，二级标准对应第一代智能制造范式的初级水平，三级、四级标准对应第二代智能制造范式的中级水平，四级、五级标准对应第三代智能制造范式的高级阶段。因此，我们可以进行企业智能制造提升与能力成熟度标准的匹配。

２.３企业如何借“国家智能工厂梯度培育”之势进行建设

１)用智能制造能力成熟度等级自评快速匹配智能工厂梯度等级

在智能工厂的实际建设中，应巧借“国家智能工厂梯度培育”之势，要点是先理解“四级”培育体系，找到其与成熟度间的匹配关系。如表２所示，该表揭示了四级智能工厂梯度与绩效水平和智能制造能力成熟度的匹配关系。

表２ 智能工厂梯度等级与智能制造能力成熟度的匹配

２)用智能制造典型场景建设将企业智能制造提升落到实处

工信部装备工业一司于２０２５年４月，更新了«智能制造典型场景参考指引(２０２５年版)»，如表３所示(详细典型场景内容描述可查阅相关电子公告)，为各级智能工厂建设内容提供了典型应用场景建设的参考。智能制造典型场景是推进智能工厂建设的基本业务单元。根据智能制造多年探索实践，结合技术创新和融合应用发展趋势，凝练出８个环节共４０个智能制造典型场景，作为智能工厂梯度培育、智能制造标准体系建设等工作的参考指引。如果实际落地场景在智能车间的范围内，理论上也可以参考«数字化与智能化车间»的车间主要业务活动，这些主要涉及生产管理和生产作业两个板块。用智能制造典型场景建设将企业智能制造提升落到实处，通过对比２０２５年版参考指引与２０２４年版参考指引分析发现，虽然总场景数４０个未变，不过各场景中的各种智能装备、场景智能化要求以及人工智能的应用等“智能”相关要求有了较大的更新提升，这反映了我国对第三代智能制造水平提升的政策要求，也随着新兴智能技术的进步而同步优化制造场景。依托这４０个智能制造典型场景，可实现企业智能制造提升工作分板块、分环节、可落地地推进。

表 ３ 智能制造典型场景参考指引表

３实践中的智能工厂建设

３.１大规模定制背景下的智能工厂规划及建设

以某轨道交通企业十年建设之路为例，在大规模定制背景下要进行智能工厂规划，一定围绕战略目标，有“目标引领、模块协同、技术赋能、分步实施”执行思路，如图１所示的智能工厂智能制造规划蓝图，从以下维度展开说明:

图１ 某智能工厂智能制造规划蓝图

１)明确规划目标

以“智能制造＋互联网＋绿色制造”为核心方向，聚焦实现产品个性化、设计协同化、供应敏捷化、制造柔性化、服务主动化、决策智能化六大目标，为规划确定战略方向。

２)构建标准体系与管理框架

建立智慧工厂管理标准体系，规范各环节的流程、数据和技术标准，确保各模块协同有序。通过以上分层规划与技术整合，可系统性构建起“管理智能化、设计数字化、生产柔性化、供应敏捷化、服务主动化”的智能工厂体系。该企业自２０１５年左右开始，在精益工厂的基础上，逐步进行智能工厂的提升建设，２０１５年—２０２１年生产效率提高５６.８６％，运营成本降低１６.９６％，产品研制周期缩短６２.７３％(干线客室门)，能源利用率提高４７.４６％，并于２０２５年获得“轨道交通车辆门全价值链精益智能工厂”(卓越级)称号。

３.２智能工厂典型应用场景之“智能检测”

在离散制造的过程中，在制品会在不同工位间流转，这对在线检测提出了要求。针对生产作业环节的智能制造典型场景“在线智能检测”，国家参考建设要求是实现产品质量在线快速识别判定，提升检测效率和及时性。

以某汽车弹簧工厂为例，实际在汽车悬架弹簧生产领域，人工检测与传统检具带来的成本高、精度低、数据断层等痛点，正成为数字化转型的核心瓶颈。而英视智能基于３Ｄ视觉的检测方案如图２以３Ｄ视觉与ＡＩ融合为引擎的“在线智能检测”智能制造典型场景，恰是智能制造发展趋势在细分行业的生动实践，也是该领域将迎来技术与价值的双重革新，预示３Ｄ视觉与ＡＩ构建“检测－数据－优化”闭环的技术融合。

未来弹簧检测将彻底摆脱“人工＋检具”的传统模式，形成以３Ｄ线激光技术为核心的全流程智能体系。基础层通过双相机对装与精准标定(如英视智能方案的多相机坐标系标定技术)，合伺服模组实现动态同步扫描，破解结传统检测定位不准、重复精度低的痛点，其非接触式测量特性可有效避免弹簧表面损伤风险；核心层依托ＡＩ算法对扫描数据进行实时处理，如借鉴Ｄｙｎａｓｅｎｓｅ系统的深度学习模型，可自主提取弹簧端面特征参数，将检测准确率提升至９９.０％以上，且处理速度较人工提高５倍以上；数据层可实现检测结果的全量存储与追溯，为工艺优化提供精准数据输入，彻底破解检测数据化缺失难题。

图 ２ 以 ３Ｄ 视觉与AI融合为引擎的“在线智能检测”智能制造典型场景

成本端，如图３所示，３Ｄ视觉方案可削减９５％以上检测人员配置，同时节省检具采购与定期校验成本，初期部署成本较传统视觉系统可降低４０％以上；效率端，单台设备可实现６０件/ｍｉｎ的高速检测，且漏判率控制在１００μＬ/Ｌ以下；柔性端，通过更换检测模型即可快速适配不同规格弹簧的检测，满足汽车行业“小批量、多品种”的生产需求，为定制化车型开发提供支撑。

图 ３ 智能检测客户改善现场的实景

苏州英视智能的实践印证了，传统机械加工行业弹簧生产领域的智能升级将以３Ｄ视觉与ＡＩ融合为引擎，以国标体系为指引，最终实现“无人工厂”“数据驱动”“柔性响应”的美好愿景，为汽车零部件制造业智能化提供可复制的转型范式。

４智能制造工厂建设的未来发展趋势

制造理论(如智能制造、精益生产、工业工程)是智能工厂建设的底层逻辑，为实践提供方法论支撑。智能制造国家标准(如ＧＢ/Ｔ３９１１６—２０２０«智能制造能力成熟度模型»等)构建了规范框架，既解决“有标可依”的问题，又要求企业结合行业特性、产能规模“正确选标”，避免标准与实际脱节。智能工厂分层建设(设备互联层、产线智能层、工厂运营层)应需按场景推进，建设中通过实践反哺理论，优化并校准标准应用，形成“理论指导实践—实践完善标准—标准规范建设”的闭环，提升方案落地有效性。

从智能工厂实践演进规律看，其强调战略指引全局规划，同时，人工智能与先进制造系统的深度融合，正推动工厂从“技术堆砌”向“系统赋能”跨越。一方面，技术融合催生“全链路智能”新形态，基础层通过物联网与边缘ＡＩ无缝衔接，以解决数据传输延迟，核心层推进数字孪生与机器学习协同，以优化生产，创新层突破生成式ＡＩ与工业元宇宙融合，以缩短研发周期；同时，标准与技术协同构建“梯度进阶”新体系，智能制造工厂梯度培育推动技术标准落地，形成清晰进阶路径，以避免企业建设盲目性。

另一方面，智能工厂的价值维度正拓展至“绿色与柔性”双目标。ＡＩ既能通过分析能耗数据动态调整设备参数，实现节能，也能助力柔性制造系统快速响应定制化需求，控制小批量多品种生产的成本，整体而言，未来智能工厂将以技术融合为核心驱动力、以标准协同为保障、以价值升级为目标，最终实现“智能、绿色、柔性”的多维统一，为制造业高质量发展注入动能。

５结语

在智能制造工厂建设中，企业应巧借国家智能工厂梯度培育的东风，以中国三种智能制造范式跃升为根本升级方向，实践推进中，首先应用带有行业属性的智能制造成熟度模型进行现况诊断，其次，进行智能工厂总体规划；然后进行分层规划和实际场景落地，最后应做好智能制造工厂建设复盘工作，持续升级改善。

原文刊载于《机械制造与自动化》2026年10月 作者： 南京制信制造技术有限公司 徐海军