随着市场竞争日趋激烈，全球工业领域正面临前所未有的转型压力。企业必须通过持续创新抢占先机。此外，工业产品中软件占比持续攀升，功能实现愈发依赖软件。而跨领域优秀工程师的短缺进一步加剧了转型难度。在此背景下，越来越多的企业采用数字工程的方式增强竞争力，以应对市场变化带来的挑战。 那么，企业如何通过数字工程切实提升竞争力？MathWorks全球行业经理Philipp Wallner 在接受工控网等多家媒体采访时，将其总结为四大关键方向：模块化产品架构、数字工程平台、工业元宇宙与数字孪生，以及AI赋能工程。 模块化产品架构：在产品架构设计阶段，将系统拆解为标准化、可复用的模块，后续产品迭代或组合开发时，无需从零构建，而是通过已有模块的灵活组装快速实现目标。这一模式的核心价值，在于将研发知识与技术沉淀于模块之中，使企业能在现有基础上快速开展创新，更敏捷地响应市场需求变化。 数字工程平台：从产品设计、功能实现，到测试验证、部署运维，全流程均以数字化方式推进。这一过程的核心是“模型驱动”，将设计知识、业务逻辑沉淀为标准化模型，以模型贯穿研发全环节，驱动开发流程高效运转。 工业元宇宙与数字孪生：除了研发阶段的建模与仿真，企业开始将数字设计资产应用于运维优化，例如设备健康监测、故障预测、产品迭代等场景，大幅拓展了数字资产的价值边界。这些技术与应用，共同构成了数字工程体系下的关键支撑力量。 AI赋能工程：生成式AI技术可以辅助解决人才缺口问题，帮助工程师快速吸收新技术、掌握新知识，在设计过程中提供智能化辅助，从而提升研发效率，降低人才培养与能力提升的周期成本。 软件定义时代，以模型为核心破解开发难题 随着数字化技术的快速发展，软件定义的理念在工业自动化行业中的重要性日益凸显。但这一趋势也为传统开发团队带来了新的挑战，以往适用于小型软件的开发环境与模式，如今已难以满足大规模软件的开发需求。在确保功能质量的前提下，如何实现敏捷开发、快速响应市场变化，成为装备行业亟待解决的关键问题。 针对这一难题，Philipp Wallner给出了切实可行的解答。首先，我们需要以模型为中心，将由模型得出的数字表达作为整个产品开发生命周期中数据的可信来源。所有知识的积累与沉淀，所有开发的变更，都应围绕该模型展开。其次，工业现场的嵌入式软件开发可借鉴IT行业的敏捷开发理念，其关键在于实现软件功能的快速迭代与更新。再者，基于模型的系统工程也是不可或缺的一环。通过分层解决复杂问题，每一层面所面对的都是相对简单且易于攻克的问题，从而将复杂问题逐步拆解、化繁为简。 这一方法已在多个企业的实践中得到验证。比如，在能源转型领域，西门子能源面对电网复杂性激增的挑战，通过搭建统一平台，实现了设计环境的标准化与设计资产的模块化。所有研发团队均在同一环境下开展设计，统一模型不仅打破了知识壁垒，让各团队的设计资产与技术经验实现高效共享，更催生出“碰撞式创新”的可能。 同样，全球领先的风机制造商金风科技，通过基于模型的设计，已建立起一套完整的生态系统，用于风力发电机组及风电场控制系统的设计、开发和验证，包括自动化持续集成流水线以及面向多个PLC平台的代码生成。从而显著缩短了控制软件的设计、开发与测试周期，并实现了更高水平的部署灵活性。 数字工程平台，贯穿产品全生命周期的主线 要推动模块化架构真正落地实施，构建一个数字化工程的研发平台是关键所在。这个平台需要将模型贯穿于从需求提出、架构设计、实现开发到运营维护的整个流程之中。 Philipp Wallner着重强调了“Shift-Left”（验证左移）和“Stretch-Right”（向右延伸）这两个关键概念。“Shift Left”，即让集成与验证环节向左移动，也就是将整个设计周期提前。在需求开发与架构设计阶段，就基于模型开展产品集成工作，提前进行测试与分析。这样做的好处在于，能够尽早发现并减少需求设计与架构设计中潜藏的错误和故障，从而提升整个设计的质量与可靠性。“Stretch Right”则打破了传统“交付即终止”的固有模式，将模型的应用延续到运营阶段。在运营过程中，模型可用于设备的状态监测、预测性维护，甚至通过OTA进行功能更新。 数字工程平台也为新技术与新场景的落地提供了有力支持，例如虚拟交付、数字孪生等。模型的应用不再局限于开发阶段，在交付阶段和运营阶段同样能大显身手。借助虚拟场景技术，交付设备的所有运行状态都能在虚拟环境中被精准模拟呈现，为设备的稳定运行提供有力保障。 AI赋能，破解人才瓶颈与数据挑战 在数字化转型的浪潮中，AI等创新技术正逐步渗透至工业的各个环节。Philipp Wallner将工业领域的AI应用总结为三大核心方向：让设备本身更智能、辅助建模过程、提升工程师效率。 在AI赋能设备本身方面，以可口可乐项目为例，该公司利用AI技术，将物理传感器上的信息通过计算和数据分析的方式得出，依托MATLAB®开展模型训练工作，并将生成的算法模型应用到嵌入式系统中，从而替代传统的物理传感器。在罐装生产设备的供应商克朗斯的案例中，则借助强化学习技术，让罐装生产设备能够根据回收PET瓶的品质差异自动调整工艺参数。 在AI技术辅助建模方面，针对已有的CAE模型，采用统一的方式将其转化为动态系统模型。借助模型降阶，以数据为驱动，从动态系统视角对目标对象进行建模。其数据来源十分灵活，既可以是其他领域已有的专业模型，也可以是现场观测采集的数据，基于这些数据完成模型训练。 以上我们谈论的所有转型目标的落地都离不开工程师团队的支撑。在工程师赋能层面，生成式AI正发挥重要作用。它能够帮助工程师快速理解既有设计代码、自动化设计检查流程、辅助创建模型原型，将工程师从重复性工作中解放出来，专注于创新设计。 目前，MathWorks正积极开发标准化接口，实现与各类生成式大模型的互联互通；中国本地团队也持续推进国产大模型与MATLAB的深度融合，力求为本土用户提供更贴合需求的AI赋能方案。“我们期望在生成式AI的支持下，基于模型的设计能够充分发挥优势，进一步提升工程师的设计能力，使整个项目能够在新的方法论和工具链的支撑下，实现快速开发与更多创新。” 针对工程师人才缺口，尤其是具备跨领域能力的优秀工程师短缺问题，MathWorks 也从两方面着手应对：一方面，通过教育领域的合作与投入，提前为企业培养具备工程实践能力的储备人才；另一方面，在工具链体系中强化知识沉淀能力，将行业经验、开发规范与最佳实践融入工具流程，减少对个体经验的依赖，从而在一定程度上缓解人才短缺带来的研发压力。 如今，数字工程与AI、人才的深度协同将持续引领工业领域创新方向。我们期待MathWorks通过工具迭代与生态共建，助力企业在快速变化的市场环境中构建持久竞争力，同时将全球先进技术与中国本土实践相结合，为能源转型与工业自动化升级注入更强动力。
MathWorks全球行业经理Philipp Wallner
