中国的“数字工程”该是什么样？

中国的“数字工程”该是什么样？

2018年美国国防部正式对外发布“数字工程战略”。该战略旨在推进国防体系的数字工程转型，将美国防部以文档为中心的采办流程转变为以数字模型为中心的数字工程生态系统，形成以模型为核心谋事做事的范式。

当前国际大国全面激烈竞争，中国正处在全面推动数字化转型的大时代中，如果中国也提出一个“数字工程战略”，那该是什么样？大家看到的是美国“数字工程”珠峰之高，但我看到的是他们沿途的大本营。中国挑战“数字工程”珠峰，需要自己的大本营。

在《研发数字化转型三级跳》一 文中，我们指出工业企业的研发数字化转型需要三级跳，并提出研发数字化转型路线图，如图1所示。本文指出通过流程工程、模型工程和知识工程等核心工程的开展，可实现企业精益模式转型，建立正向设计能力，同时规划未来智慧发展路线，最终建立面向智能制造时代的现代工业研发体系。

我想，你应该知道我引用本段的意图了。中国的“数字工程”，需要三个大本营：流程工程、模型工程和知识工程，这三大工程构成了中国的数字工程。

图1.研发数字化转型路线图

流程工程推动了研发体系的精益转型，数字化流程是精益转型阶段的关键特征。本工程把研发流程显性化，并在研发管理软件中建立数字化形态的流程，然后将已经确定的研发任务、研发工具、显性知识和质量要求，与研发活动紧密绑定，使其深入融合在研发流程中，消除两张皮现象，让工具、知识和质量真正发挥实效。

基于系统工程的流程分析，我们提出了研发流程的理想模型，这也是精益研发的骨架----五层精益流程模型，如图2所示。

图2.精益研发五层工作流程模型

**层，价值流（Phase）：由产品研发的各个阶段形成的顶层流程；

第二层，任务流（WBS）：每阶段逐层分解形成WBS。WBS的最底层元素称为工作包，工作包是型号研发任务执行的基本单元。工作包按照顺序和数据关系连接可形成研发流程；

第三层，工作流（Workflow）：每个工作包的具体执行由一系列工作来完成，即工作流（Workflow），工作流体现工作人员间的协同；

第四层，工具流（SimFlow）：工作流中的各项任务由一系列多学科工具软件的联合完成，过程体现软件间的数据流转；

第五层，技术流（Steps）：单个工具软件内部，对特定任务由多个步骤(Steps)完成。步骤体现软件的使用过程。

当然，流程工程并不满足于流程的显性化和数字化，而是要对其工作包进行升级改进：

一是增加伴随知识要素，将完成该工作包所需要的知识伴随到工作包中；

二是增加质量要素，对本工作包所遵从的质量要求（质量规范和检查表）关联到工作包中；

三是增加工具要素，将完成本工作包要求或推荐的设计与仿真工具集成进来，对工作包进行数字化和仿真化改造。我们把这个改进的工作包也称为精益工作包，是精益研发的灵魂，如图3所示。

图3.精益工作包模型

得益于精益工作包模型，我们提出精益研发的工作模式：人体模型。此模型体现出精益研发的显著特点：知识和质量紧密伴随在研发策划和工作包执行过程中。如图4所示。

图4.精益研发人体模型

本模型由型号策划、综合设计、知识工程和质量管理四部分构成：利用标准WBS进行型号策划，这部分是人体模型中的大脑（上面中间蓝色区域）；工作包分发之后进入各专业部室执行工作（下面中间黄色区域），称为躯干；在策划和执行的过程中，都有知识伴随（左边红色区域）和质量管控（右边绿色区域）。

理想的产品设计过程的起点是涉众需求，经过需求定义、功能分解、系统综合、物理设计、工艺设计、产品试制、部件验证、系统集成、系统验证和系统确认等阶段，最后完成产品的验收。V模型的右边部分既是产品交付，又是对左边相应阶段的验证。如果验证出现问题，会回到左边相应阶段进行修正。这个过程称为“正向设计”，如图5所示。

图5.设计入手点决定企业能级高低

数字化模型贯穿在整个正向设计过程中，模型积累越多，正向模式越强壮。模型是一种区别于自然语言的工程语言，对于资源对象的表达不仅更为直观、科学、全面、准确、无二义性，而且信息更为丰富、更具动态性。每个阶段的模型可以有不同特征，但模型间的逻辑关系和换算关系必须是完整和全息的。这种模式需要预先一次性完整定义全生命周期的数据结构和表达模型，并体现各阶段和各维度的所有数据的特征。不同阶段和不同维度的模型是完整模型的一个子集。

正向变革阶段的核心手段是模型工程，对模型的规范化开发、集成和应用，一直贯穿其始终。本过程将开展数字化模型工程，形成完整的正向设计流程、方法、工具、模型和平台建设，并进行相应组织的优化和变革。正向变革的过程就是一系列基于模型的工程的执行过程，如图6所示，包括如下几项工程：

图6.正向变革中的基于模型的工程

图7.研发理想模型基于知识的智慧化

虽然中国有不少企业开展过知识管理工作，但知识没有融入研发过程，也没有融入到设计过程和工具中，没有对研发活动起到支撑作用，存在知识与研发两张皮现象。为此，我们提出将知识增值加工并与研发流程伴随的方案，形成知识工程三层架构，如图8所示的。

图8.知识工程体系的三层结构

三层结构中的中间层是传统的知识管理体系，将已有知识按照业务需要进行分门别类管理，支撑业务人员的查询和搜索。知识管理向上，梳理研制流程，将知识与研制流程的工作包伴随，将知识融入流程。知识管理向下，深挖设计过程中的知识，根据知识的类别，选择合适工具进行增值加工，并直接与相关研制工具建立关联，直接启动应用，使知识与设计活动紧密融合，直接支持设计工作。另外，这种方式也提供了随用随积累、随用随创新的知识积累与应用模式。

研发过程是利用现有知识创造新知识的过程，智慧研发的本质就是将研发过程的海量知识经过数字化增值加工，形成大量的智能知识插件（或称为APP），嵌回的研发过程中。此类知识天然具有与业务工作环境互动的特点，可直接与相关研发工具建立关联，使知识与设计活动紧密融合，直接参与研发和设计工作。研发过程中，这类智能插件越多，智慧化程度越高。因此，智慧研发中知识工程的核心就是对知识进行增值加工，形成智能知识插件。

图9.知识加工形成智能知识插件（APP）

我们梳理了制造业企业的知识，并形成了如下分类：实物类、数据类、信息类、模式类和技术类。针对不同类型的知识，采用不同的加工方法实现增值，如图9所示。本节对这几种加工方法综述如下：

1.电子化：实物类资源本身是一种知识加工的手段，是其他资源的知识化基础。这些资源提供一种手段，称为电子化，使其他资源其具备知识的基本特征——数字化；

2.标准化：数据资源可以通过标准化技术，使其获得显性化特征，步入知识的初步形态；

3.结构化：信息资源可以通过结构化技术，使其具有共享化特征，可达到较高层次的知识形态；

4.范式化：模式资源可以通过范式化技术，形成自运行、自判断的自动化特征，进一步提升知识层级；

5.模型化：技术资源采用模型化技术，可使其具有智能化特征，达到知识的更高层级；

6.全息化：在未来技术手段提升后，特别是采用大数据技术使知识全息化，以上各类资源都可能再次实现一到两级的提升，使其具有智慧化特征。

当然，无论是美国数字工程战略，还是中国数字工程战略，都不应该是为数字而数字，而是为让业务产生巨大升级甚至变革。所以，数字工程是数字化技术驱动的业务变革，需要在组织、流程、人员、文化、业务模式等方面做整体的变革。因此，美国数字工程除了两个核心目标（1.规范化模型的开发、集成和使用：2.提供持久、权威的事实源）外，还提出另外三项辅助性目标。所以，中国的数字工程战略也不应该仅仅是围绕三项技术的工程，而应需要依据社会技术学体系进行系统化实施。其实，“工程”二字，本身就包含着丰富的科学、技术、知识和社会学的复杂过程和体系。