工業(yè)智能系統(tǒng)：做可持續(xù)傳承的“制造智慧”

李 杰 劉宗長(zhǎng) 郭子奇

1.美國(guó)國(guó)家科學(xué)基金會(huì)智能維護(hù)系統(tǒng)與美國(guó)工業(yè)人工智能中心，辛辛那提，45221 2.北京天澤智云科技有限公司，北京，100083

0 引述：中國(guó)智能制造面臨的誤區(qū)

2018年8月，《華爾街日?qǐng)?bào)》報(bào)道美國(guó)通用電氣公司GE準(zhǔn)備將包括Predix在內(nèi)的GE Digtial核心資產(chǎn)出售。消息一出，聽到不少業(yè)內(nèi)外人士嘆息道，GE的工業(yè)互聯(lián)網(wǎng)大潮最終還是退去。其實(shí)，GE與Predix“分手”的征兆在一年前就開始出現(xiàn)。那時(shí)，雖然GE仍在持續(xù)大力投入Predix等相關(guān)數(shù)字化業(yè)務(wù)的技術(shù)研發(fā)，但是營(yíng)收卻遲遲不盡如人意。官方數(shù)據(jù)顯示，截止2017年，GE Digital一直處于虧損狀態(tài)，當(dāng)年收入僅40億美元，商業(yè)價(jià)值并沒有實(shí)現(xiàn)預(yù)期的爆發(fā)性增長(zhǎng)。

當(dāng)然，GE Predix這一案例需要辯證地來(lái)看待。需要指出的是，Predix的困境是企業(yè)運(yùn)營(yíng)、市場(chǎng)拓展、技術(shù)落地等多方面原因?qū)е碌慕Y(jié)果，并不能一概而論。畢竟，要想把能源、石油鉆井、航空航天等各個(gè)大工業(yè)個(gè)性化的業(yè)務(wù)需求與一個(gè)平臺(tái)化的解決方案整合、落地,并且實(shí)現(xiàn)規(guī)模化服務(wù)并不是易事。除了商業(yè)層面的阻力之外，技術(shù)落地層面也有巨大挑戰(zhàn)。因?yàn)楣I(yè)中遇到的技術(shù)問(wèn)題雖然類似，但是客戶的需求非常依賴個(gè)性化的使用場(chǎng)景，共性很難提煉，這往往不是機(jī)器互聯(lián)、數(shù)據(jù)上云就能解決的，所以，要想真正實(shí)現(xiàn)工業(yè)互聯(lián)網(wǎng)的價(jià)值，就更需要“想明白、做扎實(shí)”，步子不能邁太大，做的事情還是要能幫助客戶提升內(nèi)在的核心制造能力。

目前，國(guó)內(nèi)一些企業(yè)智能制造的發(fā)展思路也出現(xiàn)了類似的誤區(qū)。在國(guó)家政策的推動(dòng)下，一些企業(yè)大刀闊斧地投入資金進(jìn)行工廠的“智能化”改造：建設(shè)工業(yè)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)平臺(tái)，所有的產(chǎn)線都加上大量的傳感器，數(shù)據(jù)全部上云；與此同時(shí)，開展“機(jī)器換人”，建設(shè)自動(dòng)化產(chǎn)線等。在這場(chǎng)“運(yùn)動(dòng)式”的改造升級(jí)中，大家的意識(shí)和行動(dòng)都非常領(lǐng)先，但是卻往往忽略了自己實(shí)際的需求和核心能力建設(shè)，就像是吃一次自助餐，什么美味佳肴都要取到自己盤中，但這些美味佳肴可能并不是自己身體此刻最需要的營(yíng)養(yǎng)。

錯(cuò)把技術(shù)手段當(dāng)成目標(biāo)，這是目前中國(guó)在實(shí)踐智能制造時(shí)主要的問(wèn)題，也是互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等技術(shù)在落地工業(yè)時(shí)必須要避免的誤區(qū)。那么，如何利用這些智能技術(shù)做到真正的制造轉(zhuǎn)型和升值？下一階段的智能制造技術(shù)發(fā)展會(huì)從哪里開始？筆者結(jié)合信息物理系統(tǒng) (cyber-physical system，CPS)和工業(yè)人工智能的理論框架，給出了對(duì)智能制造技術(shù)落地和轉(zhuǎn)型路徑的一些看法，以及我們?cè)谛袠I(yè)內(nèi)一些實(shí)施成功的案例。另外，我們也希望從工業(yè)的視角，分享我們對(duì)這些智能技術(shù)未來(lái)發(fā)展趨勢(shì)的思考。

1 從解決“可見問(wèn)題”到避免“不可見問(wèn)題”，實(shí)現(xiàn)制造系統(tǒng)向智能化轉(zhuǎn)型

現(xiàn)階段，中國(guó)的制造企業(yè)向智能化轉(zhuǎn)型的本質(zhì)就是從解決“可見問(wèn)題”到避免“不可見問(wèn)題”的過(guò)程。

對(duì)于制造系統(tǒng)遇到的問(wèn)題，我們常常把它們分為“可見”和“不可見”兩類。處理這些問(wèn)題的方式可分為在問(wèn)題發(fā)生后去“解決”和在問(wèn)題發(fā)生前“避免”。生產(chǎn)系統(tǒng)中的“不可見問(wèn)題”包括設(shè)備性能的衰退、精度的缺失、易耗件的磨損和資源的浪費(fèi)等。“可見問(wèn)題”往往就是這些不可見因素積累到一定程度引起的，比如設(shè)備的衰退最終導(dǎo)致停機(jī)，精度的缺失最終導(dǎo)致產(chǎn)品質(zhì)量偏差等。就如同冰山一樣，“可見問(wèn)題”僅僅是浮在海面上的一角，而隱性的問(wèn)題才是隱藏在海面之下的惡魔。工業(yè)大數(shù)據(jù)、人工智能技術(shù)在這其中的作用就是通過(guò)預(yù)測(cè)生產(chǎn)系統(tǒng)中的不可見特性，對(duì)“不可見問(wèn)題”獲得深刻的洞察，實(shí)現(xiàn)無(wú)憂制造。

沿著這個(gè)思路，我們可以將制造轉(zhuǎn)型的機(jī)會(huì)空間進(jìn)一步分為4個(gè)部分(圖1)。

圖1 制造轉(zhuǎn)型的4個(gè)機(jī)會(huì)空間Fig.1 Opportunity spaces for manufacturing transformation

第一個(gè)機(jī)會(huì)空間來(lái)自解決生產(chǎn)系統(tǒng)中的“可見問(wèn)題”，這個(gè)空間內(nèi)依然有中國(guó)制造需要補(bǔ)的課，比如產(chǎn)品交付周期長(zhǎng)、環(huán)境污染和資源浪費(fèi)等問(wèn)題。針對(duì)這一機(jī)會(huì)空間，需要的是生產(chǎn)系統(tǒng)持續(xù)的精益改善與不斷完善的標(biāo)準(zhǔn)化制造體系。

第二個(gè)空間在于避免“可見問(wèn)題”，即使用數(shù)據(jù)來(lái)挖掘新的知識(shí)，以找到問(wèn)題更深層次的原因，對(duì)原有生產(chǎn)系統(tǒng)和產(chǎn)品做加值改善。例如一個(gè)工廠可以基于六西格瑪(6σ)的診斷工具，對(duì)廠內(nèi)全年的設(shè)備故障進(jìn)行根因分析，找到最頻發(fā)的故障及最大影響因素，并建立相應(yīng)的管理機(jī)制進(jìn)行干預(yù)。

第三個(gè)空間來(lái)自隱形問(wèn)題顯性化，即利用創(chuàng)新的方法與技術(shù)發(fā)現(xiàn)、解決“不可見問(wèn)題”，提升當(dāng)前制造系統(tǒng)的理論極限。這需要的是更加深入的數(shù)據(jù)隱性線索、關(guān)聯(lián)性和因果性的挖掘，并通過(guò)這些關(guān)系的建立，將原來(lái)不可見的過(guò)程進(jìn)一步量化。比如設(shè)備健康衰退評(píng)估就是通過(guò)對(duì)設(shè)備機(jī)理、運(yùn)行環(huán)境和運(yùn)行參數(shù)的分析實(shí)現(xiàn)設(shè)備的預(yù)測(cè)性維護(hù)。

第四個(gè)空間在于尋找和滿足不可見的價(jià)值缺口，避免不可見因素的影響。這部分機(jī)會(huì)需要利用大數(shù)據(jù)分析擴(kuò)大關(guān)系建立的尺度來(lái)創(chuàng)造“更高維度”的知識(shí)，并且通過(guò)這些知識(shí)實(shí)現(xiàn)制造系統(tǒng)產(chǎn)業(yè)鏈的閉環(huán)整合，在系統(tǒng)的上游和設(shè)計(jì)端進(jìn)行優(yōu)化，從而避免“不可見問(wèn)題”的發(fā)生。比如，現(xiàn)在我們可以通過(guò)工業(yè)智能技術(shù)實(shí)現(xiàn)一臺(tái)風(fēng)機(jī)的健康衰退評(píng)估，未來(lái)我們可以將在這過(guò)程中產(chǎn)生的知識(shí)與風(fēng)機(jī)的結(jié)構(gòu)設(shè)計(jì)和控制邏輯相關(guān)聯(lián)，將智能模型內(nèi)置(design-in)在風(fēng)機(jī)甚至場(chǎng)群的控制邏輯中，使風(fēng)機(jī)能在不同的健康模式下都能采用最佳的控制參數(shù)、穩(wěn)定在最佳性能。在我們看來(lái)，到這個(gè)程度才算是實(shí)現(xiàn)了工業(yè)4.0。

在當(dāng)前這個(gè)階段，絕大多數(shù)制造企業(yè)關(guān)注的是第一和第二空間的改善機(jī)會(huì)。不過(guò)，工業(yè)智能技術(shù)更應(yīng)該應(yīng)用于解決和避免“不可見問(wèn)題”，即第三、第四空間的機(jī)會(huì)，只有這樣才能實(shí)現(xiàn)制造系統(tǒng)生產(chǎn)效率和產(chǎn)品競(jìng)爭(zhēng)力的突破，實(shí)現(xiàn)中國(guó)制造向智能化轉(zhuǎn)型。

2 CPS：工業(yè)智能化轉(zhuǎn)型落地之道

無(wú)論是德國(guó)工業(yè)4.0戰(zhàn)略還是美國(guó)CPS計(jì)劃，他們都將CPS作為實(shí)施的核心技術(shù)，并據(jù)此設(shè)定各自的戰(zhàn)略轉(zhuǎn)型目標(biāo)，那么，從技術(shù)概念上講，CPS是什么？

CPS不是一個(gè)簡(jiǎn)單的“技術(shù)”，而是一個(gè)具有清晰架構(gòu)和使用流程的“工業(yè)智能技術(shù)體系”，能夠?qū)崿F(xiàn)對(duì)數(shù)據(jù)進(jìn)行收集、匯總、解析、排序、分析、預(yù)測(cè)、決策、分發(fā)的整個(gè)處理流程，能夠?qū)I(yè)數(shù)據(jù)進(jìn)行流水線式的實(shí)時(shí)分析，并在分析過(guò)程中充分考慮機(jī)理邏輯、流程關(guān)系、活動(dòng)目標(biāo)、商業(yè)活動(dòng)等特征和要求，因此CPS是通過(guò)工業(yè)大數(shù)據(jù)分析、構(gòu)建智能化體系的核心。

工業(yè)生產(chǎn)過(guò)程會(huì)產(chǎn)生大量的數(shù)據(jù)，而工業(yè)智能的本質(zhì)就是通過(guò)大數(shù)據(jù)、人工智能等技術(shù)手段實(shí)現(xiàn)生產(chǎn)數(shù)據(jù)中邏輯關(guān)系和知識(shí)的實(shí)時(shí)提取，并形成決策和行動(dòng)，實(shí)現(xiàn)從解決“可見問(wèn)題”到避免“不可見問(wèn)題”的轉(zhuǎn)變和制造知識(shí)的傳承。例如，對(duì)于一臺(tái)加工模具的機(jī)床，工人在操控，刀具在切割，設(shè)備在產(chǎn)生大量的振動(dòng)和電流信號(hào)。什么算是智能的生產(chǎn)呢？就是刀具在切削過(guò)程中，可以穩(wěn)定在最佳的速度、角度，不產(chǎn)生共振、顫振，而且適合這種材料的加工特點(diǎn)，保證最后的產(chǎn)品質(zhì)量。刀具切削了一段時(shí)間，磨損了，怎么辦呢？機(jī)床就要能自己發(fā)現(xiàn)，甚至在斷裂前自動(dòng)停機(jī)，提醒旁邊的工人更換，既不造成刀具的浪費(fèi)，又能確保加工符合要求。工廠運(yùn)營(yíng)了一段時(shí)間，突然人事變動(dòng)，操作工換人了，新來(lái)的工人怎么學(xué)習(xí)這個(gè)機(jī)床的參數(shù)？這個(gè)時(shí)候機(jī)床就可以顯示出之前的工人是怎么加工的，在不同的情況下要怎么做，這樣新來(lái)的工人就能駕輕就熟地操作系統(tǒng)，避免很多不必要的錯(cuò)誤。到這個(gè)程度，這個(gè)場(chǎng)景就算是基本做到了智能化。

不難發(fā)現(xiàn)，在這個(gè)過(guò)程中，智能化并不是只有了大量的數(shù)據(jù)或是只做到了自動(dòng)化控制就能實(shí)現(xiàn)的，而是要搭建一個(gè)可以從數(shù)據(jù)到知識(shí)再到執(zhí)行的閉環(huán)系統(tǒng)。在《CPS——新一代工業(yè)智能》這本書中，筆者將CPS的5C架構(gòu)作為實(shí)現(xiàn)這個(gè)閉環(huán)過(guò)程的功能框架，如圖2所示。5C分別代表Connection(智能感知層)、Conversion(智能分析層)、Cyber(網(wǎng)絡(luò)層)、Cognition(智能認(rèn)知層)、Configuration(智能決策與執(zhí)行層)，具體含義如下。

圖2 CPS的5C架構(gòu)體系Fig.2 The ‘5C’ Architecture for CPS

智能感知層(Connection)：從信息來(lái)源、采集方式和管理方式上保證數(shù)據(jù)的質(zhì)量和全面性，建立支持CPS上層建筑的數(shù)據(jù)環(huán)境基礎(chǔ)。除了建立互聯(lián)的環(huán)境和數(shù)據(jù)采集的通道，智能感知的另一核心在于按照活動(dòng)目標(biāo)和信息分析的需求，自主進(jìn)行選擇性和有側(cè)重的數(shù)據(jù)采集。

智能分析層(Conversion)：將低價(jià)值密度的數(shù)據(jù)轉(zhuǎn)化為高價(jià)值密度的信息，對(duì)數(shù)據(jù)進(jìn)行特征提取、篩選、分類和優(yōu)先級(jí)排列，保證數(shù)據(jù)的可解讀性，包括對(duì)數(shù)據(jù)的分割、分解、分類和分析。

網(wǎng)絡(luò)層(Cyber)：重點(diǎn)在于網(wǎng)絡(luò)環(huán)境中信息的融合和賽博空間的建模，將機(jī)理、環(huán)境與群體有機(jī)結(jié)合，構(gòu)建能夠指導(dǎo)實(shí)體空間的建模分析環(huán)境，包括精確同步、關(guān)聯(lián)建模、變化記錄、分析預(yù)測(cè)等。

智能認(rèn)知層(Cognition)：在復(fù)雜環(huán)境與多維度參考條件下面向動(dòng)態(tài)目標(biāo)，根據(jù)不同的評(píng)估需求進(jìn)行多源化數(shù)據(jù)的動(dòng)態(tài)關(guān)聯(lián)、評(píng)估、預(yù)測(cè)，實(shí)現(xiàn)對(duì)實(shí)體系統(tǒng)運(yùn)行規(guī)律的認(rèn)知，以及物、環(huán)境、活動(dòng)三者之間的關(guān)聯(lián)、影響分析與趨勢(shì)判斷，形成“自主認(rèn)知”的能力，同時(shí)結(jié)合數(shù)據(jù)可視化工具和決策優(yōu)化算法工具，為用戶提供面向其活動(dòng)目標(biāo)的決策支持。

智能執(zhí)行層(Configuration)：根據(jù)活動(dòng)目標(biāo)和認(rèn)知層中分析結(jié)果的參考，對(duì)運(yùn)行決策進(jìn)行優(yōu)化，并將優(yōu)化結(jié)果同步到系統(tǒng)的執(zhí)行機(jī)構(gòu)，以保障信息利用的時(shí)效性和系統(tǒng)運(yùn)行的協(xié)同性。

CPS之所以可以提升制造的核心能力恰恰是因?yàn)樗鼘⑿畔⑹澜绲臒o(wú)窮算力和物理世界的制造能力有機(jī)整合為一個(gè)整體，突破了傳統(tǒng)生產(chǎn)系統(tǒng)在時(shí)間和空間上的限制，極大地發(fā)揮了生產(chǎn)系統(tǒng)的潛力。因此，如果從CPS 5C架構(gòu)的這一視角來(lái)重新思考工業(yè)互聯(lián)網(wǎng)、人工智能等技術(shù)就會(huì)發(fā)現(xiàn)，智能制造并不能單純地等同于實(shí)現(xiàn)了生產(chǎn)過(guò)程監(jiān)控的透明化或在什么地方應(yīng)用了深度學(xué)習(xí)，這些都頂多可以作為CPS中的一個(gè)組件。要想在工業(yè)場(chǎng)景中真正落地這些智能技術(shù)，就需要系統(tǒng)化、結(jié)構(gòu)化地建立信息世界和物理世界的紐帶，找到對(duì)解決問(wèn)題最重要的影響參數(shù)而不是盲目地積累數(shù)據(jù)，最終形成閉環(huán)優(yōu)化，萬(wàn)萬(wàn)不可只見樹木、不見森林。

3 5T：CPS系統(tǒng)關(guān)鍵技術(shù)體系

上文介紹了制造企業(yè)向數(shù)字化、智能化轉(zhuǎn)型的整體思路。在這一過(guò)程中，有哪些關(guān)鍵的技術(shù)板塊？它們?nèi)绾螛?gòu)建成一個(gè)系統(tǒng)性的技術(shù)體系來(lái)支撐企業(yè)構(gòu)建具備智能化屬性的CPS？我們認(rèn)為有5個(gè)技術(shù)是關(guān)鍵。

數(shù)據(jù)技術(shù)(data technology，DT)。DT要解決的是工業(yè)數(shù)據(jù)中的3B問(wèn)題：Broken(數(shù)據(jù)碎片化)、Bad(數(shù)據(jù)質(zhì)量差)、Background(數(shù)據(jù)場(chǎng)景性強(qiáng))，對(duì)應(yīng)CPS架構(gòu)中的智能感知層。除了實(shí)現(xiàn)異源數(shù)據(jù)的統(tǒng)一采集之外，還需要做到對(duì)有效數(shù)據(jù)的自動(dòng)提煉，提高建模數(shù)據(jù)采集的標(biāo)準(zhǔn)化程度。另外，在對(duì)數(shù)據(jù)進(jìn)行管理時(shí)，還需注重解決數(shù)據(jù)的同步問(wèn)題(data synchronization)。例如，在一條流程性制造產(chǎn)線中，末端產(chǎn)品質(zhì)量的數(shù)據(jù)需要能夠與這個(gè)產(chǎn)品在上游工序加工時(shí)的設(shè)備參數(shù)對(duì)應(yīng)起來(lái)，強(qiáng)化數(shù)據(jù)的全面性和代表性。

分析技術(shù)(analytics technology，AT)。AT對(duì)應(yīng)的是CPS架構(gòu)中的智能分析層和網(wǎng)絡(luò)層，包括邊緣端的分析和云端的分析。邊緣端雖然貼近工業(yè)現(xiàn)場(chǎng)、分析的實(shí)時(shí)性高，但對(duì)數(shù)據(jù)的處理能力和存儲(chǔ)能力有限，難以實(shí)現(xiàn)集中式的模型訓(xùn)練和預(yù)測(cè)。因此，針對(duì)邊緣計(jì)算的特點(diǎn)，需探索流式推理技術(shù)的突破，使用小數(shù)據(jù)量的實(shí)時(shí)數(shù)據(jù)流迭代式地提煉數(shù)據(jù)中的關(guān)聯(lián)性，做到模型的自優(yōu)化。另一方面，對(duì)于云端分析來(lái)說(shuō)，需建立預(yù)測(cè)結(jié)果的不確定性管理體系，做到對(duì)預(yù)測(cè)偏差的控制和解釋。同時(shí)，針對(duì)工業(yè)小樣本數(shù)據(jù)的特點(diǎn)，需要探索新的建模分析方法，例如半監(jiān)督學(xué)習(xí)、基于時(shí)間切片(time-machine)的狀態(tài)建模、基于集群對(duì)標(biāo)的建模學(xué)習(xí)(peer-to-peer learning)、自適應(yīng)學(xué)習(xí)(adaptive learning)、遷移學(xué)習(xí)(transfer learning)等。

平臺(tái)技術(shù)(platform technology，PT)。PT支撐的是CPS架構(gòu)中從智能感知層、智能分析層到網(wǎng)絡(luò)層的功能。同樣地，針對(duì)邊緣端計(jì)算平臺(tái)，一方面需要通過(guò)硬件技術(shù)的突破來(lái)提升信號(hào)采集和計(jì)算能力，另一方面也需要拓展邊緣端平臺(tái)的協(xié)同控制能力，支撐設(shè)備集群和產(chǎn)線的自協(xié)同(self-organize)和自治理(self-configure)。另外，隨著邊緣端與云端的廣泛互聯(lián)，其安全性愈發(fā)重要，尤其是在邊緣平臺(tái)的反饋控制實(shí)現(xiàn)后，需要通過(guò)硬件架構(gòu)和相應(yīng)的軟件機(jī)制確保被接入制造系統(tǒng)的安全。對(duì)于云端平臺(tái)，則需注重搭建模型全生命周期管理的組件，輔助模型的不確定性管理和工業(yè)智能的持續(xù)自學(xué)習(xí)。

運(yùn)營(yíng)技術(shù)(operation technology，OT)。OT對(duì)應(yīng)的是CPS架構(gòu)中的智能決策和執(zhí)行層，在于運(yùn)營(yíng)管理方法的升級(jí)，如何將預(yù)測(cè)模型得到的知識(shí)切實(shí)轉(zhuǎn)化為運(yùn)維、管理行動(dòng)，實(shí)現(xiàn)從經(jīng)驗(yàn)驅(qū)動(dòng)生產(chǎn)向數(shù)據(jù)驅(qū)動(dòng)生產(chǎn)的轉(zhuǎn)變。

人機(jī)交互技術(shù)(human-machine technology，HT)。HT對(duì)應(yīng)的是CPS架構(gòu)中的智能認(rèn)知層。工業(yè)智能將在很大程度上影響制造系統(tǒng)與人的交互方式?？梢灶A(yù)想的是，未來(lái)的工廠每時(shí)每刻處理的信息量會(huì)大大增加，如何幫助生產(chǎn)者通過(guò)最自然(seemless)的方式獲得最有效、最相關(guān)的信息會(huì)成為一大挑戰(zhàn)。因此，需要結(jié)合創(chuàng)新技術(shù)對(duì)工業(yè)場(chǎng)景的人機(jī)交互模式進(jìn)行深入探索。例如，IA(智能助手)在工廠能源調(diào)度時(shí)對(duì)各工站人員的智能提醒、VR/AR(虛擬現(xiàn)實(shí)/增強(qiáng)現(xiàn)實(shí))在設(shè)備遠(yuǎn)程診斷中的輔助等。HT將幫助工業(yè)智能技術(shù)更好地融入生產(chǎn)，更大程度地對(duì)生產(chǎn)者賦能。

最后，需要強(qiáng)調(diào)的是，這些技術(shù)支柱不會(huì)是孤立的存在，而是需要整合為一個(gè)系統(tǒng)才能發(fā)揮各自的真正作用。CPS的5C架構(gòu)就是能將上述5T整合的核心功能框架。這也意味著未來(lái)工業(yè)智能技術(shù)的研發(fā)道路仍然會(huì)是一個(gè)跨學(xué)科、需要多方領(lǐng)域知識(shí)(domain know-how)結(jié)合、并且不斷在具體實(shí)踐中檢驗(yàn)的過(guò)程。

4 案例分析

2000年，筆者在美國(guó)國(guó)家科學(xué)基金會(huì)的資助下，建立了智能維護(hù)系統(tǒng)(IMS)產(chǎn)學(xué)合作中心，與國(guó)內(nèi)外100多家制造企業(yè)合作，進(jìn)行工業(yè)智能技術(shù)理論和方法的研究。近兩年，筆者在國(guó)內(nèi)外走訪了很多工廠，看到了世界制造與中國(guó)制造業(yè)的實(shí)情與差異，有幸參與了一些企業(yè)邁向智能化的過(guò)程。

在這里，筆者選取了近兩年與團(tuán)隊(duì)成功落地的案例與讀者分享。這兩個(gè)案例的共性在于都采用了前文提出的從解決“可見問(wèn)題”到避免“不可見問(wèn)題”的思維，發(fā)現(xiàn)隱形業(yè)務(wù)需求，通過(guò)建設(shè)CPS實(shí)現(xiàn)了工業(yè)智能的閉環(huán)價(jià)值。希望可以通過(guò)對(duì)這一實(shí)踐過(guò)程更為詳實(shí)的介紹為讀者帶去更多啟發(fā)。

4.1 高鐵軸承智能健康管理

我國(guó)高速鐵路在過(guò)去十年間連續(xù)保持高速增長(zhǎng)。截止2017年底，中國(guó)高鐵的總長(zhǎng)度已經(jīng)達(dá)到2.5萬(wàn)千米，全國(guó)鐵路擁有動(dòng)車組2935列?！笆濉逼陂g我國(guó)高速鐵路仍將保持快速發(fā)展，高速鐵路網(wǎng)也將從“四縱四橫”進(jìn)一步擴(kuò)展至“八縱八橫”，高速鐵路營(yíng)業(yè)里程達(dá)到3萬(wàn)千米。中車青島四方機(jī)車車輛股份有限公司(以下簡(jiǎn)稱“中車青島四方”)是中國(guó)主要的高速動(dòng)車組整車生產(chǎn)廠商之一。

作為轉(zhuǎn)向架系統(tǒng)的關(guān)鍵旋轉(zhuǎn)部件，軸箱軸承是高鐵動(dòng)車組核心部件之一，其健康狀態(tài)關(guān)系著整列動(dòng)車的運(yùn)行安全。我們與中車青島四方合作，開展了高鐵軸箱軸承的故障預(yù)測(cè)與健康管理(PHM)系統(tǒng)研究，對(duì)高鐵運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并對(duì)可能出現(xiàn)的軸承故障進(jìn)行預(yù)警診斷，避免列車重大運(yùn)行安全隱患，提高高鐵運(yùn)行安全性。

軸箱軸承PHM原型系統(tǒng)基于CPS的5C技術(shù)架構(gòu)，技術(shù)方案整體架構(gòu)如圖3所示。最底層是列車軸承信號(hào)采集和邊緣側(cè)計(jì)算，對(duì)應(yīng)智能感知層和智能分析層。在車載邊緣計(jì)算平臺(tái)上，多通道振動(dòng)信號(hào)統(tǒng)一匯集，并進(jìn)行初步的特征提取、篩選、分類和優(yōu)先級(jí)排列，提高數(shù)據(jù)的可解讀性；同時(shí)該平臺(tái)也負(fù)責(zé)與地面數(shù)據(jù)中心的通信，將分析結(jié)果實(shí)時(shí)傳輸回地面中心。在地面中心的集控平臺(tái)上，通過(guò)高鐵軸承的鏡像模型實(shí)現(xiàn)了高鐵集群健康狀態(tài)的實(shí)時(shí)監(jiān)測(cè)，對(duì)應(yīng)網(wǎng)絡(luò)層。最后，模型預(yù)測(cè)結(jié)果通過(guò)與其他信息系統(tǒng)(例如ERP系統(tǒng)、報(bào)表系統(tǒng))的整合，實(shí)現(xiàn)了數(shù)據(jù)的可視化呈現(xiàn)與運(yùn)維決策閉環(huán)，對(duì)應(yīng)智能認(rèn)知層與智能決策和配置層。另外，在這個(gè)平臺(tái)上，隨著軸承專家對(duì)模型結(jié)果的分析和運(yùn)維人員的反饋，新知識(shí)不斷產(chǎn)生，整個(gè)工業(yè)系統(tǒng)的價(jià)值也不斷被強(qiáng)化。

圖3 高鐵軸箱軸承故障預(yù)測(cè)與健康管理系統(tǒng)流程Fig.3 Flow for the high-speed railway bearing PHM system

這個(gè)場(chǎng)景有3個(gè)核心技術(shù)點(diǎn)：軸箱軸承故障診斷和預(yù)測(cè)、多源混合信號(hào)的高速并發(fā)采集、列車端邊緣計(jì)算。

(1)軸箱軸承故障診斷和預(yù)測(cè)。軸箱軸承建模時(shí)，采用了機(jī)理模型與數(shù)據(jù)驅(qū)動(dòng)結(jié)合的建模方法：一方面基于對(duì)軸承這一類常見旋轉(zhuǎn)機(jī)械的機(jī)理分析，提取潛在故障頻帶特征；另一方面，基于ERP/MRO系統(tǒng)中積累的故障標(biāo)簽，通過(guò)機(jī)器學(xué)習(xí)的方法訓(xùn)練故障檢測(cè)和分類模型，實(shí)現(xiàn)對(duì)軸承健康風(fēng)險(xiǎn)的量化和故障診斷。

(2)多源混合信號(hào)的高速并發(fā)采集。為實(shí)現(xiàn)對(duì)軸箱軸承故障的精準(zhǔn)定位和識(shí)別，需要采集(采樣率達(dá)25.6 kHz)全面的列車運(yùn)行數(shù)據(jù)與部件數(shù)據(jù)，包括振動(dòng)、轉(zhuǎn)速、溫度信號(hào)等。由于數(shù)據(jù)采集量大，為避免采集過(guò)多無(wú)效信號(hào)，采用了事件觸發(fā)與定時(shí)采集結(jié)合的數(shù)據(jù)采集策略，即僅在列車運(yùn)行工況變化、進(jìn)入特定轉(zhuǎn)速或達(dá)到特定時(shí)間點(diǎn)時(shí)，采集短暫的高頻信號(hào)。這樣的數(shù)據(jù)采集策略既保證了分析數(shù)據(jù)的全面性，又極大降低了邊緣端數(shù)采設(shè)備和云端數(shù)據(jù)存儲(chǔ)的壓力。

(3)高鐵列車邊緣端計(jì)算。在高鐵的場(chǎng)景中，如果將所有數(shù)據(jù)傳遞到云端服務(wù)器進(jìn)行運(yùn)算和處理是非常不現(xiàn)實(shí)的，不僅是傳輸帶寬受限、可能造成數(shù)據(jù)延遲，而且通信成本和存儲(chǔ)成本過(guò)高。為了解決這個(gè)問(wèn)題，我們采用了分布式計(jì)算的架構(gòu)，在列車部署了邊緣計(jì)算節(jié)點(diǎn)，實(shí)現(xiàn)對(duì)原始數(shù)據(jù)快速直接的特征提取，提升傳回云端數(shù)據(jù)的分析價(jià)值。在這個(gè)項(xiàng)目，我們針對(duì)每個(gè)通道的振動(dòng)信號(hào)提取十余個(gè)特征，將百兆級(jí)的原始數(shù)據(jù)轉(zhuǎn)化為每20s推送一次的kB級(jí)數(shù)據(jù)，極大提高了系統(tǒng)效率。在一個(gè)分布式的系統(tǒng)中，我們常常說(shuō)的是“數(shù)據(jù)傳遞”，但實(shí)際上被傳遞信息的本質(zhì)并不是數(shù)據(jù)，而是數(shù)據(jù)內(nèi)在的價(jià)值。在數(shù)據(jù)量爆炸式增長(zhǎng)時(shí)，采用這種價(jià)值傳遞的思維方式，可以為系統(tǒng)的擴(kuò)展和提效提供廣泛的可能性。

最終的軸箱軸承PHM原型系統(tǒng)包括以下2個(gè)核心功能：軸承健康狀況在線監(jiān)測(cè)和邊緣端遠(yuǎn)程配置管理，見圖4。

(a)故障在線預(yù)測(cè)界面

(b)健康管理系統(tǒng)界面圖4 高鐵軸箱軸承故障預(yù)測(cè)與健康管理系統(tǒng)可視化界面Fig.4 User interface of the high-speed railway bearing PHM system

(1)軸承健康狀況在線監(jiān)測(cè)。通過(guò)對(duì)軸承運(yùn)行數(shù)據(jù)的實(shí)時(shí)采集與分析，用戶可以遠(yuǎn)程監(jiān)測(cè)列車軸箱軸承的運(yùn)行狀態(tài)和健康衰退情況，并通過(guò)PHM模型診斷具體故障模式(內(nèi)圈、外圈、滾子和保持架)，為運(yùn)維提供支持。

(2)邊緣端遠(yuǎn)程配置管理。為了應(yīng)對(duì)系統(tǒng)廣泛投運(yùn)之后邊緣端數(shù)據(jù)采集策略和模型更新的挑戰(zhàn)，該系統(tǒng)提供了邊緣端硬件的遠(yuǎn)程配置功能。新版模型在優(yōu)化完成后，可一鍵部署至全部列車組；同時(shí)用戶也可針對(duì)疑似故障車組遠(yuǎn)程觸發(fā)原始數(shù)據(jù)采集和回傳。

在該系統(tǒng)的支持下，中車青島四方實(shí)現(xiàn)了高鐵軸箱軸承從事后維修(解決問(wèn)題)向預(yù)測(cè)性維護(hù)(避免問(wèn)題)的轉(zhuǎn)型。地面控制中心的調(diào)度人員可以對(duì)列車軸承故障進(jìn)行實(shí)時(shí)監(jiān)測(cè)分析，為列車保駕護(hù)航；列車運(yùn)維人員也可以結(jié)合模型分析結(jié)果制定更優(yōu)的運(yùn)維策略，提高軸承維護(hù)的精度和效率。

經(jīng)過(guò)1年多的研發(fā)，這一套系統(tǒng)已在整車滾動(dòng)綜合性能試驗(yàn)臺(tái)和測(cè)試環(huán)線上進(jìn)行了驗(yàn)證，對(duì)軸承故障識(shí)別的精準(zhǔn)率超過(guò)90%，并積累了20余種故障樹以進(jìn)一步管理預(yù)測(cè)結(jié)果的不確定性，指導(dǎo)運(yùn)維閉環(huán)。

可以預(yù)想，軸箱軸承智能健康管理的率先實(shí)施只是高鐵智能化運(yùn)維的第一步，之后，將由點(diǎn)及面、逐步擴(kuò)展，對(duì)轉(zhuǎn)向架系統(tǒng)、牽引系統(tǒng)、制動(dòng)系統(tǒng)、車體系統(tǒng)、門系統(tǒng)等實(shí)現(xiàn)預(yù)測(cè)性維護(hù)，最終實(shí)現(xiàn)高鐵的“無(wú)憂運(yùn)行”，為乘客提供更安全、更綠色、更舒適的乘車體驗(yàn)。

4.2 海上智慧風(fēng)場(chǎng)

中國(guó)的風(fēng)電行業(yè)近十年來(lái)飛速發(fā)展，目前已經(jīng)成為風(fēng)電行業(yè)裝機(jī)規(guī)模增速最快的國(guó)家。日趨激烈的風(fēng)電市場(chǎng)競(jìng)爭(zhēng)對(duì)風(fēng)機(jī)的性能提出了更高的要求。風(fēng)電裝備制造商在降低成本方面進(jìn)行了大量的努力，降低風(fēng)機(jī)制造成本面臨著越來(lái)越多的技術(shù)挑戰(zhàn)。與之相對(duì)應(yīng)的是，目前對(duì)風(fēng)機(jī)的運(yùn)維管理依然是比較粗放的模式，風(fēng)機(jī)的診斷與健康管理仍不健全，運(yùn)維管理效率也需大幅提高，這些都為研發(fā)智能化風(fēng)機(jī)系統(tǒng)提供了很大的提升空間。基于風(fēng)場(chǎng)的實(shí)際情況，風(fēng)場(chǎng)智能運(yùn)維系統(tǒng)研發(fā)的難點(diǎn)在于：①風(fēng)資源具有隨機(jī)性，風(fēng)速、風(fēng)向及風(fēng)能密度的變化為動(dòng)態(tài)的非線性過(guò)程，對(duì)風(fēng)速和風(fēng)功率的精準(zhǔn)預(yù)測(cè)一直是學(xué)術(shù)界研究的熱點(diǎn)；②風(fēng)場(chǎng)的選址多在偏遠(yuǎn)地區(qū)或海上，維護(hù)工作復(fù)雜，經(jīng)常會(huì)用到特殊設(shè)備，導(dǎo)致維護(hù)成本高昂，維護(hù)周期較長(zhǎng)；③受風(fēng)資源隨機(jī)性的影響，不同風(fēng)機(jī)傳動(dòng)系統(tǒng)的衰退程度、潤(rùn)滑狀態(tài)、偏航齒輪條的磨損等也具有較大的差異性，傳統(tǒng)的預(yù)防性維護(hù)很難在風(fēng)場(chǎng)運(yùn)維中奏效。

基于當(dāng)前的風(fēng)電發(fā)展現(xiàn)狀和運(yùn)維難點(diǎn)，整個(gè)風(fēng)場(chǎng)智能運(yùn)維需要實(shí)現(xiàn)的關(guān)鍵功能如下：①風(fēng)機(jī)及關(guān)鍵零部件的健康管理及衰退的精確化與透明化；②風(fēng)機(jī)及關(guān)鍵零部件的健康趨勢(shì)分析及剩余壽命預(yù)測(cè)；③風(fēng)機(jī)發(fā)電性能的實(shí)施評(píng)估，以及風(fēng)場(chǎng)級(jí)別的風(fēng)機(jī)性能排序；④基于風(fēng)資源預(yù)測(cè)技術(shù)的風(fēng)場(chǎng)智能調(diào)度管理；⑤基于風(fēng)機(jī)及關(guān)鍵零部件性能預(yù)測(cè)的風(fēng)場(chǎng)運(yùn)維策略優(yōu)化和資源調(diào)度。

智能風(fēng)場(chǎng)健康管理和智能維護(hù)系統(tǒng)的核心，是對(duì)風(fēng)機(jī)關(guān)鍵設(shè)備及子系統(tǒng)的健康狀態(tài)進(jìn)行評(píng)估，并根據(jù)風(fēng)資源的預(yù)測(cè)來(lái)對(duì)風(fēng)機(jī)的運(yùn)維實(shí)現(xiàn)智能調(diào)度和排程優(yōu)化。風(fēng)機(jī)中的關(guān)鍵零部件較多，且運(yùn)行工況多樣，這就需要對(duì)系統(tǒng)的功能層級(jí)按照實(shí)現(xiàn)邏輯進(jìn)行梳理和組織。基于CPS架構(gòu)的5C技術(shù)體系，我們?cè)O(shè)計(jì)了智能風(fēng)場(chǎng)的CPS功能架構(gòu)(圖5)。

風(fēng)場(chǎng)是典型的多源異構(gòu)數(shù)據(jù)環(huán)境，數(shù)據(jù)主要來(lái)自SCADA (supervisory control and data ac-quisition) 系統(tǒng)和振動(dòng)狀態(tài)監(jiān)控系統(tǒng)(condition monitoring system, CMS)，這些信息源提供了環(huán)境信息、工況信息、控制參數(shù)、狀態(tài)參數(shù)和部分關(guān)鍵零部件的振動(dòng)信號(hào)等數(shù)據(jù)。其他的數(shù)據(jù)還包括電網(wǎng)調(diào)度信息、工單系統(tǒng)、人員管理及維護(hù)資源狀態(tài)等信息。通過(guò)IMS中心Watchdog Agent?工具包所提供的大數(shù)據(jù)分析工具，綜合分析上述數(shù)據(jù)，對(duì)風(fēng)機(jī)進(jìn)行建模分析和可視化處理，形成具有廣泛適用性的風(fēng)機(jī)性能評(píng)估、衰退預(yù)測(cè)和風(fēng)場(chǎng)運(yùn)維管理算法模塊。

圖5 基于CPS 5C架構(gòu)的智能風(fēng)場(chǎng)功能設(shè)計(jì)Fig.5 Functional design of intelligent wind farm system based on the ‘5C’ architecture of CPS

整個(gè)數(shù)據(jù)分析和建模實(shí)現(xiàn)的流程如圖6所示，智能風(fēng)場(chǎng)健康管理和運(yùn)維系統(tǒng)的研發(fā)包括兩個(gè)部分：對(duì)風(fēng)機(jī)性能的預(yù)測(cè)性分析和對(duì)風(fēng)場(chǎng)的動(dòng)態(tài)運(yùn)維優(yōu)化。首先，通過(guò)對(duì)實(shí)時(shí)數(shù)據(jù)的分析，對(duì)當(dāng)前的工作環(huán)境和風(fēng)資源狀況進(jìn)行有效的模式識(shí)別，基于實(shí)時(shí)數(shù)據(jù)提取有效的健康特征，來(lái)建立風(fēng)機(jī)和關(guān)鍵零部件的健康模型，并對(duì)當(dāng)前的風(fēng)機(jī)衰退狀態(tài)進(jìn)行評(píng)估分析?；趯?duì)風(fēng)機(jī)和關(guān)鍵零部件的衰退分析，進(jìn)一步判斷設(shè)備潛在的運(yùn)行風(fēng)險(xiǎn)和可能的失效模式，并對(duì)剩余的有效壽命進(jìn)行預(yù)測(cè)，從而最大程度地保證風(fēng)機(jī)發(fā)電運(yùn)行能力，并盡可能減少系統(tǒng)宕機(jī)時(shí)間，避免重大停機(jī)故障的發(fā)生。

圖6 智能風(fēng)場(chǎng)預(yù)測(cè)性分析與動(dòng)態(tài)運(yùn)維流程Fig.6 Predictive analytics and dynamic maintenance planning feature of intelligent wind farm system

智能風(fēng)機(jī)系統(tǒng)的模塊化設(shè)計(jì)使得系統(tǒng)的擴(kuò)展性變得更強(qiáng)，在實(shí)現(xiàn)風(fēng)機(jī)智能化升級(jí)的同時(shí)部署云服務(wù)系統(tǒng)，為風(fēng)場(chǎng)提供更多客制化服務(wù)，在對(duì)風(fēng)機(jī)的實(shí)施數(shù)據(jù)進(jìn)行分析處理之后，將相應(yīng)的特征和模型上傳到云服務(wù)平臺(tái)上，實(shí)現(xiàn)統(tǒng)一管理和進(jìn)一步分析。用戶可以借助該平臺(tái)實(shí)現(xiàn)對(duì)多個(gè)風(fēng)場(chǎng)內(nèi)任一風(fēng)機(jī)的遠(yuǎn)程實(shí)時(shí)監(jiān)控和歷史性能變化追溯。

對(duì)風(fēng)場(chǎng)的動(dòng)態(tài)運(yùn)維優(yōu)化需要在對(duì)每個(gè)風(fēng)機(jī)的健康狀態(tài)準(zhǔn)確評(píng)估的基礎(chǔ)上，綜合當(dāng)前的風(fēng)機(jī)健康信息、環(huán)境信息和維護(hù)資源信息等，對(duì)風(fēng)場(chǎng)的維護(hù)決策進(jìn)行優(yōu)化。風(fēng)資源的預(yù)測(cè)也是風(fēng)機(jī)排程優(yōu)化的重要依據(jù)，對(duì)風(fēng)機(jī)的維護(hù)應(yīng)盡可能選擇在風(fēng)資源較弱的時(shí)段，以降低發(fā)電損失及停機(jī)維修造成的損失。IMS中心與上海電氣集團(tuán)中央研究院合作，開發(fā)了海上風(fēng)場(chǎng)中短期運(yùn)維計(jì)劃排程的優(yōu)化模型，該模型立足風(fēng)場(chǎng)的實(shí)際情況，設(shè)計(jì)優(yōu)化模型及多種非線性約束，以保證最大程度地模擬維修調(diào)度現(xiàn)場(chǎng)的實(shí)際操作情況，從而給出優(yōu)化決策建議。

針對(duì)海上風(fēng)場(chǎng)維修任務(wù)的特點(diǎn)，優(yōu)化模型充分考慮船只、天氣、維修人員、維修次序、風(fēng)機(jī)健康狀況、航行費(fèi)用等因素，建立了海上風(fēng)場(chǎng)維護(hù)排程優(yōu)化的通用模型。針對(duì)每個(gè)維修任務(wù)，可以從多個(gè)可用的維修團(tuán)隊(duì)中選擇多個(gè)可用的維修船只來(lái)進(jìn)行維修，這增加了系統(tǒng)維修排程的靈活性，有利于降低成本，但是此舉也擴(kuò)大了可行解的搜索范圍，使得優(yōu)化問(wèn)題變得更加復(fù)雜，以至于用優(yōu)化求解軟件如MATLAB Optimization Toolbox 和Gurobi等已經(jīng)難以在合理時(shí)間內(nèi)求解。根據(jù)遺傳算法的思想，IMS中心設(shè)計(jì)了一種適合解決海上風(fēng)場(chǎng)運(yùn)維優(yōu)化的推演模型的雙層遺傳算法模型，該算法拓展性強(qiáng)，計(jì)算能力明顯優(yōu)于商用優(yōu)化軟件，在處理風(fēng)場(chǎng)智能調(diào)度問(wèn)題上具有較強(qiáng)的優(yōu)越性。所開發(fā)的智能風(fēng)場(chǎng)運(yùn)維系統(tǒng)界面如圖7所示，包含優(yōu)化決策可視化輸出、優(yōu)化決策成本對(duì)比、維護(hù)費(fèi)用透視和歷史費(fèi)用溯源分析4個(gè)模塊，可以方便地為用戶提供智能維護(hù)排程決策支持。以某海上風(fēng)場(chǎng)17個(gè)維護(hù)任務(wù)為例進(jìn)行維護(hù)排程優(yōu)化，優(yōu)化后的智能排程計(jì)劃在執(zhí)行推演中的預(yù)測(cè)成本比無(wú)優(yōu)化維護(hù)排程計(jì)劃的預(yù)測(cè)成本降低了25%以上，明顯提高了風(fēng)場(chǎng)運(yùn)維效益。

圖7 智能風(fēng)場(chǎng)運(yùn)維優(yōu)化系統(tǒng)可視化界面Fig.7 User interface of intelligent wind farm system

5 4S：未來(lái)工業(yè)人工智能技術(shù)突破方向

高效、穩(wěn)定、可持續(xù)是制造系統(tǒng)亙古不變的追求。作為使能技術(shù)，工業(yè)智能技術(shù)若要在工業(yè)中得到規(guī)?；瘧?yīng)用就必須要經(jīng)得起這一“制造標(biāo)準(zhǔn)”的檢驗(yàn)?？傮w來(lái)說(shuō)，未來(lái)工業(yè)人工智能技術(shù)需要在4S層面即標(biāo)準(zhǔn)化 (Standard)、系統(tǒng)性(Systematic)、流程化(Streamline)、可持續(xù)傳承(Sustainable) 得到進(jìn)一步突破。因此, 美國(guó)智能維護(hù)中心(IMS)首先提出了工業(yè)人工智能(Industrial AI)系統(tǒng)理念與技術(shù)。

雖然人工智能技術(shù)在圖像處理和語(yǔ)義分析等領(lǐng)域已經(jīng)取得了令人驚嘆的成就，也成功解決了工業(yè)領(lǐng)域中的一些難點(diǎn)問(wèn)題，例如通過(guò)圖像識(shí)別對(duì)半導(dǎo)體芯片加工質(zhì)量進(jìn)行檢測(cè)，幫助工人提高對(duì)不良品件的篩選精度，但是距離人工智能技術(shù)被體系化應(yīng)用于制造系統(tǒng)中仍然有一段很長(zhǎng)的路要走，其中最重要的原因是人工智能中還有太多的Surprise(驚奇)，往往給制造系統(tǒng)帶來(lái)很多“敞口”的不確定性。例如，深度神經(jīng)網(wǎng)絡(luò)看似無(wú)所不能，但是在解決一些強(qiáng)機(jī)理、工況多變的設(shè)備故障預(yù)測(cè)問(wèn)題時(shí)，如果沒有覆蓋全工況的海量數(shù)據(jù)做支撐，訓(xùn)練出來(lái)的模型也很難在復(fù)雜多變的工業(yè)環(huán)境中給出穩(wěn)定的預(yù)測(cè)結(jié)果。

這種不確定性帶來(lái)的后果就是人工智能模型給出的結(jié)果難以被生產(chǎn)人員信任，而且現(xiàn)場(chǎng)工人也無(wú)法基于此開展下一步的生產(chǎn)操作。因?yàn)橐坏┎僮麇e(cuò)誤，就可能打亂整個(gè)制造系統(tǒng)的生產(chǎn)節(jié)拍，甚至是造成與目標(biāo)相反的效果。況且，由于這一類人工智能模型難以自我解釋，在出現(xiàn)問(wèn)題時(shí)很難迅速診斷原因和恢復(fù)。

因此，人工智能技術(shù)要想真正被規(guī)?；貞?yīng)用于工業(yè)系統(tǒng)中，就要建立一套成熟的不確定性管理機(jī)制，這需要工業(yè)人工智能技術(shù)在以下4個(gè)S有所突破。

(1)Standard(標(biāo)準(zhǔn)化)。與現(xiàn)有工業(yè)系統(tǒng)的標(biāo)準(zhǔn)化體系相結(jié)合，包括工藝流程、計(jì)量、容錯(cuò)機(jī)制、操作規(guī)程等；提高工業(yè)智能模型的標(biāo)準(zhǔn)化程度，包括預(yù)測(cè)結(jié)果表達(dá)、模型誤差管理，以及反饋到執(zhí)行過(guò)程中的決策依據(jù)和流程的標(biāo)準(zhǔn)化。

(2)Systematic(系統(tǒng)性)。在技術(shù)層級(jí)和應(yīng)用層級(jí)方面的體系化上，建立一套工業(yè)智能技術(shù)與制造系統(tǒng)的協(xié)同體系，明確工業(yè)智能在部件級(jí)、設(shè)備級(jí)、系統(tǒng)級(jí)和產(chǎn)線級(jí)等不同層級(jí)中的任務(wù)邊界，找到工業(yè)智能系統(tǒng)在獲取信息和輸出決策時(shí)在生產(chǎn)各個(gè)層面的接口方式，實(shí)現(xiàn)智能系統(tǒng)與工業(yè)系統(tǒng)的無(wú)縫對(duì)接。

(3)Streamline(流程化)。在CPS方法論的基礎(chǔ)上建立工業(yè)智能系統(tǒng)開發(fā)和實(shí)施的工程化流水線，針對(duì)不同行業(yè)，將工業(yè)智能系統(tǒng)的研發(fā)有序解耦，在每個(gè)環(huán)節(jié)對(duì)數(shù)據(jù)和模型實(shí)現(xiàn)有效的誤差管理。

(4)Sustainable(可持續(xù)傳承)。與人工智能模型的可解釋性相似，工業(yè)智能要做到可持續(xù)的學(xué)習(xí)優(yōu)化和新知識(shí)管理。每一次模型訓(xùn)練不是推倒重來(lái)，而是漸進(jìn)式、結(jié)構(gòu)化的改進(jìn)。

6 CPS可為中國(guó)工業(yè)帶來(lái)的啟示與改變

近些年，中國(guó)一直致力于經(jīng)濟(jì)增長(zhǎng)模式和產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整，為的是在未來(lái)的世界經(jīng)濟(jì)中更加具有競(jìng)爭(zhēng)力。提升中國(guó)工業(yè)的競(jìng)爭(zhēng)力，關(guān)鍵在于對(duì)中國(guó)工業(yè)，尤其是中國(guó)制造“大而不強(qiáng)”的現(xiàn)狀對(duì)癥下藥，可采取的措施包括：改變中國(guó)制造質(zhì)量差、檔次低的形象；提升產(chǎn)品的附加值，從價(jià)值鏈的低端環(huán)節(jié)向高端環(huán)節(jié)轉(zhuǎn)移；調(diào)整制造業(yè)的產(chǎn)業(yè)結(jié)構(gòu)，使之更加合理化；改善中國(guó)工業(yè)能耗高和對(duì)環(huán)境污染大的現(xiàn)狀，實(shí)現(xiàn)綠色制造；提高企業(yè)的信息化水平，實(shí)現(xiàn)信息化的生產(chǎn)管理和全產(chǎn)業(yè)鏈的互聯(lián)互通；增強(qiáng)企業(yè)自主創(chuàng)新能力，轉(zhuǎn)變成為創(chuàng)新驅(qū)動(dòng)的增長(zhǎng)模式。這些正是中國(guó)目前不斷推進(jìn)“兩化深化融合”、“智能制造” “工業(yè)互聯(lián)網(wǎng)”等一系列重要戰(zhàn)略舉措的目的所在?？梢哉f(shuō)，CPS的發(fā)展亦可對(duì)于中國(guó)工業(yè)戰(zhàn)略推進(jìn)起到積極作用。

(1)兩化深化融合。CPS可為兩化融合注入新的融合力量。工業(yè)化與信息化的融合，核心在于深度融合，將實(shí)體經(jīng)濟(jì)與虛擬經(jīng)濟(jì)有效結(jié)合，以實(shí)現(xiàn)中國(guó)的可持續(xù)發(fā)展。傳統(tǒng)的工業(yè)化與信息化往往是各自發(fā)展，無(wú)法做到緊耦合，原因在于：傳統(tǒng)的信息化(如專家系統(tǒng)、控制系統(tǒng)、監(jiān)控系統(tǒng)等)所解決的都是利用“知識(shí)”來(lái)消費(fèi)“數(shù)據(jù)”的問(wèn)題；而數(shù)據(jù)在消費(fèi)過(guò)程中并沒有被轉(zhuǎn)化為知識(shí)，知識(shí)的產(chǎn)生過(guò)程依然靠人來(lái)實(shí)現(xiàn)；同時(shí)，傳統(tǒng)的信息化分享的是數(shù)據(jù)和決策，但是知識(shí)并沒有被分享。CPS通過(guò)核心智能技術(shù)體系，實(shí)現(xiàn)實(shí)體空間與賽博空間之間“數(shù)據(jù)-信息-知識(shí)”的有效轉(zhuǎn)換、利用與共享，形成有效的認(rèn)知與決策能力，達(dá)成虛與實(shí)的深度融合，這也為兩化融合的實(shí)現(xiàn)提供了新的技術(shù)思路。

(2)智能制造。CPS可促使向服務(wù)型制造的轉(zhuǎn)型發(fā)展。如果用煎蛋模型來(lái)看中國(guó)工業(yè)制造領(lǐng)域的機(jī)會(huì)空間，中國(guó)制造在蛋黃部分和蛋白部分都還有很大的增長(zhǎng)空間。蛋黃部分要填補(bǔ)中國(guó)工業(yè)制造基礎(chǔ)技術(shù)的缺口，改變核心零部件和先進(jìn)材料過(guò)度依賴進(jìn)口的現(xiàn)狀；努力提高生產(chǎn)效率，從粗放式的生產(chǎn)模式向精益模式轉(zhuǎn)變；重視工藝和制程的研究與生產(chǎn)過(guò)程的管理，不斷提高產(chǎn)品質(zhì)量；努力研發(fā)核心生產(chǎn)設(shè)備和智能設(shè)備，并對(duì)設(shè)備的使用進(jìn)行精細(xì)化和信息化管理。蛋白部分要提高產(chǎn)品的服務(wù)能力和可持續(xù)盈利能力，以顧客端的價(jià)值缺口為導(dǎo)向提供智能化服務(wù)，利用增值服務(wù)提升中國(guó)工業(yè)產(chǎn)品的核心競(jìng)爭(zhēng)力。CPS的關(guān)鍵目標(biāo)就在于通過(guò)虛實(shí)融合的自主認(rèn)知與決策手段，做到視情與精確管理，從最終服務(wù)端實(shí)現(xiàn)“價(jià)值化”創(chuàng)造，即為工業(yè)的服務(wù)價(jià)值化轉(zhuǎn)型提供了有效途徑。

(3)工業(yè)互聯(lián)網(wǎng)。CPS是支撐工業(yè)互聯(lián)網(wǎng)價(jià)值實(shí)現(xiàn)的技術(shù)架構(gòu)。工業(yè)互聯(lián)網(wǎng)能夠解決傳統(tǒng)方法和技術(shù)無(wú)法解決的工業(yè)痛點(diǎn)和瓶頸。中國(guó)需要構(gòu)建自己的工業(yè)互聯(lián)網(wǎng)體系，扶持傳感器技術(shù)、數(shù)據(jù)采集設(shè)備、運(yùn)算能力、數(shù)據(jù)分析能力方面的研發(fā)和應(yīng)用，利用數(shù)據(jù)挖掘和信息內(nèi)容管理在使用中獲得新的知識(shí)和技術(shù)以對(duì)現(xiàn)有產(chǎn)品進(jìn)行改進(jìn)，避免一些不可見因素帶來(lái)的隱患；利用大數(shù)據(jù)對(duì)信息進(jìn)行挖掘，以滿足用戶那些以往不可見的需求，提供增值服務(wù)。最后，無(wú)論是落地在客戶端的增值服務(wù)，還是運(yùn)營(yíng)層面的效率提升，都必須能創(chuàng)造價(jià)值并產(chǎn)生價(jià)值的流動(dòng)，最終實(shí)現(xiàn)節(jié)能增效、降本減存的目標(biāo)。CPS的體系架構(gòu)能將智能設(shè)備、智能分析、智能決策這三大要素與網(wǎng)絡(luò)、計(jì)算、運(yùn)維整合在一起，推動(dòng)整個(gè)產(chǎn)業(yè)鏈的協(xié)同發(fā)展。

(4)全球競(jìng)爭(zhēng)力。CPS可突破不可見空間，提升工業(yè)綜合競(jìng)爭(zhēng)力。工業(yè)智能化的核心在于大數(shù)據(jù)的創(chuàng)值，而中國(guó)既是數(shù)據(jù)制造大國(guó)，同時(shí)也是數(shù)據(jù)使用大國(guó)，大量的數(shù)據(jù)都在中國(guó)匯集。如果數(shù)據(jù)是新工業(yè)智能時(shí)代中價(jià)值創(chuàng)造的原材料，那么中國(guó)無(wú)疑是資源最多的國(guó)家。然而數(shù)據(jù)并不會(huì)直接創(chuàng)造價(jià)值，就好像對(duì)于一個(gè)企業(yè)而言，現(xiàn)金流而非固定資產(chǎn)決定企業(yè)的興衰一樣，真正為企業(yè)帶來(lái)價(jià)值的是數(shù)據(jù)流，是數(shù)據(jù)經(jīng)過(guò)實(shí)時(shí)分析后及時(shí)地流向決策鏈的各個(gè)環(huán)節(jié)，或成為面向客戶創(chuàng)值服務(wù)的內(nèi)容和依據(jù)。中國(guó)應(yīng)該利用好數(shù)據(jù)資源，不斷提升中國(guó)對(duì)裝備的理解和使用能力，讓世界向中國(guó)學(xué)習(xí)使用經(jīng)驗(yàn)。同時(shí)，在過(guò)去幾十年里，中國(guó)實(shí)質(zhì)上一直在“可見的空間”中進(jìn)行投入，形成了很大的存量，現(xiàn)在要考慮的并不是如何繼續(xù)去投資增量，而是要考慮如何將存量的能力釋放出來(lái)，這需要我們?cè)凇安豢梢娍臻g”中去探索，見圖8。

圖8 中國(guó)工業(yè)轉(zhuǎn)型的機(jī)會(huì)空間Fig.8 Opportunity space of china industrial transformation

以CPS等典型創(chuàng)值體系的構(gòu)建，突破“不可見空間”的潛在機(jī)會(huì)空間，關(guān)注制造業(yè)對(duì)客戶、人類以及環(huán)境的價(jià)值，從而以此不斷提升中國(guó)在世界工業(yè)中的綜合競(jìng)爭(zhēng)能力。