劉宗長

我們發(fā)現(xiàn)當初預見的未來正在變成現(xiàn)實。我們聚焦的現(xiàn)代工業(yè)系統(tǒng)是怎樣的？未來智能工業(yè)系統(tǒng)會怎樣？目前，主要表現(xiàn)在零部件級、設備級、生產(chǎn)系統(tǒng)這三個維度上。

2016年人工智能悄然出現(xiàn)并逐漸發(fā)展，直到現(xiàn)在，仍處在人工智能的序曲階段。這是為什么呢？AlphaGo事件中人工智能首次戰(zhàn)勝人類棋手，引發(fā)了許多思考。同時，越來越多的公司也開始把人工智能技術(shù)引向工業(yè)的應用領(lǐng)域。

·柯潔在大戰(zhàn)之前說，從AlphaGo當中我們學到了很多東西，這對整個人類認識新的知識有很大的益處。

·特斯拉首席執(zhí)行官埃隆·馬斯克（Elon Musk）曾聯(lián)合100多位人工智能學者向聯(lián)合國提出倡議，我們應該去關(guān)注人工智能給人類帶來的威脅。

·麥肯錫曾經(jīng)指出：“可能到2035年，我們一半的工作將被人工智能所取代?！?/p>

·GE前總裁Jeff Emmelt曾提出：“一覺醒來驚奇地發(fā)現(xiàn)，GE已經(jīng)變成了一家互聯(lián)網(wǎng)公司?！?/p>

·德國Fraunhofer研究中心指出：“人工智能可以將生產(chǎn)率每年提高0.8%～1.4%?！?/p>

這些都預示著人工智能時代來臨了。可是為什么我們需要人工智能？舉個例子，在一輛汽車內(nèi)設置了移動終端，實現(xiàn)對路面信息、交通狀況、預計到達時間以及周圍商圈等情況的信息收集，這樣人們出行時能夠享受更多的便利和更好的服務?？梢钥吹?，人工智能帶來的并不是汽車的改變，而是用新的方式提供了更便利的信息服務。

未來工業(yè)智能系統(tǒng)會怎樣？

在工業(yè)界也是如此，原本的設備沒有改變，在機器端對數(shù)據(jù)進行采集與分析，會呈現(xiàn)出很多關(guān)于設備的洞察，包括目前的運行狀態(tài)與健康程度，跟其他設備與歷史狀態(tài)進行比較，可以自主預測未來設備的狀態(tài)。最終，這些信息匯集之后傳輸回設備端，實現(xiàn)自我的維護和調(diào)整，這正是智能化技術(shù)體現(xiàn)在工業(yè)界當中巨大的優(yōu)勢。那么，目前工業(yè)中有哪些不足？如何運用人工智能來彌補？

過去我們關(guān)注兩個方面。第一個是可制造性，運用多種建模手段，如沖壓制程等，通過對物理指標的仿真考察規(guī)格是否合格，但無論怎樣仿真，有些問題還是難以被發(fā)現(xiàn)和關(guān)注，最終導致仿真中優(yōu)秀的模型到實際生產(chǎn)中仍可能會產(chǎn)生次品。

第二個是生產(chǎn)系統(tǒng)設計，即對于設備綜合效率（OEE）的管理和設計以及整個制造系統(tǒng)當中的設計管理，大多數(shù)企業(yè)會用到仿真軟件，但無論怎樣設計生產(chǎn)線，都很難保持設備的不間斷運行。最主要的原因是設備會產(chǎn)生衰退，衰退到一定程度后會發(fā)生停機，進而導致生產(chǎn)線停止運行，最后導致過去的數(shù)據(jù)模型失效。

所以我們會發(fā)現(xiàn)，設計建模與實際的生產(chǎn)制造中間存在很大的差距。在過去的生產(chǎn)線中，目標是實現(xiàn)work reduction（怎樣減少工作）以及waste reduction（怎么減少浪費），現(xiàn)在worry reduction（零憂慮）成為新的目標，即如何把生產(chǎn)過程中原本不可見的東西變得可見，從而去管理這些由于未知所造成的憂慮。將設備中所有造成停機、浪費、次品的風險全部加以控制，最終實現(xiàn)三個零：零停機、零次品、零浪費，消除生產(chǎn)過程中的憂慮。

美國IMS中心在2000年成立時，曾提出“未來智能工業(yè)系統(tǒng)”的概念。當時發(fā)現(xiàn)每個產(chǎn)品或者系統(tǒng)中都會有上百個維度的數(shù)據(jù)，但那時數(shù)據(jù)并不像現(xiàn)在這么容易被提取出來。

我們的想法是，基于嵌入式的智能終端，并結(jié)合有效的分析方法，用Watchdog Agent分析引擎，在邊緣端處理信息之后，傳輸出當前狀態(tài)和健康相關(guān)的信息，再跟運營系統(tǒng)相連，最終通過可視化的服務傳遞回設備端，傳遞時間既不過早也不過晚（Just-in-time），從而實現(xiàn)近零停機（near-zero downtime），即任何一次停機都處在預料之中。如此可以對機器進行主動維護，實現(xiàn)對設備的改善，最終實現(xiàn)信息的閉環(huán)。這就是我們當初提出來的設想。通過這個設想，我們發(fā)現(xiàn)當初預見的未來正在變成現(xiàn)實。我們聚焦的現(xiàn)代工業(yè)系統(tǒng)是怎樣的？未來智能工業(yè)系統(tǒng)會怎樣？目前，主要表現(xiàn)在零部件級、設備級、生產(chǎn)系統(tǒng)這三個維度上。

從零部件級看，現(xiàn)在關(guān)注的是精密性，以及如何通過更加精密的傳感器實現(xiàn)更加精密的動作，那么未來呢？需要具備自預測性和自省性，設備需要精密，但外部原因或者自身衰退都會造成精密性發(fā)生變化，這時零部件可以將設備的狀態(tài)和造成的后果反饋給操作者。

從設備級看，現(xiàn)在關(guān)注的是性能和能否連續(xù)生產(chǎn)質(zhì)量達標的產(chǎn)品，未來將更加關(guān)注設備的自比較性。麥肯錫在數(shù)字化制造的戰(zhàn)略當中，提出了自比較性這個概念，它既包括設備與自身歷史最優(yōu)狀態(tài)的對標，也包括在不同的環(huán)境下，集群內(nèi)與其他設備之間的對標。這樣可以清晰地了解設備目前狀態(tài)的好壞與否，如果設備狀態(tài)不好，還可以進一步了解故障在哪里發(fā)生，以及是哪種原因造成的。

從生產(chǎn)系統(tǒng)層面看，是怎樣實現(xiàn)最大的生產(chǎn)性來提升設備綜合效率（OEE）?，F(xiàn)在我們主要關(guān)注的是系統(tǒng)中各個設備、工序之間怎樣配合。配合的概念是指當上游產(chǎn)生了質(zhì)量誤差時，及時發(fā)現(xiàn)并在下游進行補償。在這個過程中，如果有設備出現(xiàn)質(zhì)量問題，能用其他的途徑進行改善，這就實現(xiàn)了具有強韌性的系統(tǒng)（resilience system），即系統(tǒng)內(nèi)部可以通過協(xié)同性的優(yōu)化，把問題的影響降到最小。

以上從零部件、裝備到系統(tǒng)的不同層級的角度，為大家展示了未來我們希望的工業(yè)智能系統(tǒng)的狀態(tài)。

工業(yè)智能發(fā)展的五個階段

在實現(xiàn)工業(yè)智能的過程中，需要經(jīng)歷五個階段。第一個階段是過去大家一直在做的，即TPS全員生產(chǎn)系統(tǒng)的標準化，提升整體的生產(chǎn)文化的管理。

第二個階段是精益化和數(shù)字化。精益化和數(shù)字化的概念是以數(shù)據(jù)為驅(qū)動，使整個系統(tǒng)當中的配合性能夠達到最大化，用數(shù)字化的方式把當前的狀態(tài)實時地表示出來，這樣就可以了解設備將會出現(xiàn)的問題以及可能帶來的影響。

第三個階段，在我們知道了當前狀況的時候，如果能夠通過預測性的手段，或者通過數(shù)據(jù)驅(qū)動建模的分析方式，尋找到問題產(chǎn)生的隱性原因，這就是將隱性問題顯性化的階段。要實現(xiàn)這一目標，需要基于大數(shù)據(jù)，或者人工智能的建模技術(shù)。

第四個階段，當知道設備出現(xiàn)問題的原因時，可以通過結(jié)合具體場景，預測對設備的運營或決策會產(chǎn)生什么后果，來實現(xiàn)以預測性為基礎(chǔ)的有效性運營和決策優(yōu)化。

第五個階段，在以上基礎(chǔ)上，把感知、分析、優(yōu)化和執(zhí)行連接起來，實現(xiàn)在賽博空間管理整個實體空間中所有設備的系統(tǒng)，形成了賽博空間與實體空間的鏡像，最終實現(xiàn)CPS的工業(yè)智能系統(tǒng)。

目前，大多數(shù)企業(yè)還處在第三個階段，前兩個階段做得很好，但建模的能力還沒有形成，問題出現(xiàn)時不了解故障原因。

用GE倡導的工業(yè)互聯(lián)網(wǎng)概念再來描繪一下未來工業(yè)智能的技術(shù)圖景，包含了很多的技術(shù)，數(shù)據(jù)輸出后，運用基于機器的算法（machine-based algorithms），如嵌入式智能和邊緣計算技術(shù)以及在云端的智能分析、數(shù)據(jù)可視化等，運用數(shù)據(jù)產(chǎn)生最優(yōu)化的決策，傳遞到不同的組織，最終反饋到設備當中進行執(zhí)行。這既包括IT與OT之間的相結(jié)合，又包括很多的云計算、邊緣計算等最新的信息技術(shù)，甚至包括像大數(shù)據(jù)分析，人工智能建模等最新的技術(shù)研究方向。實現(xiàn)智能設備、智能分析、智能決策，最終形成自發(fā)自動的循環(huán)。

工業(yè)智能化轉(zhuǎn)型的三個路徑

那么對于目前的工業(yè)企業(yè)而言，如何運用工業(yè)智能技術(shù)和大數(shù)據(jù)來實現(xiàn)轉(zhuǎn)型？可以運用這個模型分成三條路徑。

轉(zhuǎn)型的第一條路徑是避免不可見的問題。從數(shù)據(jù)的角度，將問題產(chǎn)生的過程用數(shù)據(jù)分析、建模來了解發(fā)生的原因。并在上述基礎(chǔ)上，通過預測性方式進一步改善，來避免可見問題的發(fā)生。

第二條路徑是把不可見問題變得可見。不可見的問題是指設備衰退或者生產(chǎn)過程中會出現(xiàn)殘次品，設備背后的關(guān)聯(lián)性和關(guān)系性模型存在的問題是不可見的，從數(shù)據(jù)的角度能夠挖掘到關(guān)聯(lián)性，把不可見問題變得可見，更加高效地解決問題，會用到PHM、機器學習還有知識挖掘等核心技術(shù)。

第三個路徑是建立知識的模型，把相關(guān)性挖掘出來后，變成知識進行沉淀。沉淀后在賽博空間建立對稱管理，通過實體空間中所有裝備鏡像的模型，實時產(chǎn)生所需的最優(yōu)決策，用到的核心方法是建模技術(shù)（Twin Model）、信息物理系統(tǒng)（CPS）等。

工業(yè)智能化案例

下面介紹幾個案例，來幫助大家更加清晰地理解工業(yè)智能的這三個轉(zhuǎn)型路徑或方向是怎樣完成的。

第一個案例是通過阿爾斯通的軌道交通智能管理系統(tǒng)解析如何利用數(shù)據(jù)分析問題發(fā)生的過程，并且避免可見問題的發(fā)生。阿爾斯通是全球非常先進的軌道交通解決方案供應商，不僅基礎(chǔ)設施龐大而且維護費用也高，所以阿爾斯通2006年推出智能管理系統(tǒng)Health Hub，實現(xiàn)從車輛級到基礎(chǔ)設施級的智能管理。在感知系統(tǒng)方面通過Train Tracer、Track Tracer、Train Scanner等產(chǎn)品，實現(xiàn)將運行過程當中的實時狀態(tài)數(shù)據(jù)傳遞到HealthHub中進行分析，實時評估關(guān)鍵部件的健康狀態(tài)，預測未來的風險，并且用預測性的方式進行排程優(yōu)化。

整個系統(tǒng)運用了典型的CPS技術(shù)框架，包括設備中數(shù)據(jù)的智能連接、實時的數(shù)據(jù)分析流、云端實現(xiàn)建模過程等，經(jīng)過大數(shù)據(jù)分析之后，對這些問題進行預測，最終將決策運用到所有的相關(guān)部門中。這套系統(tǒng)支撐起了阿爾斯通向服務型制造的轉(zhuǎn)型。目前阿爾斯通已經(jīng)有超過35%的收入、50%的利潤來源于已經(jīng)賣出設備的服務型管理。其中的價值在于，車輛賣給使用者之后，通過智能的分析、預測與優(yōu)化排程，幫助用戶節(jié)省維護成本，這是生產(chǎn)價值模式的轉(zhuǎn)變。

2010年IMS中心與阿爾斯通進行合作，提供了很多分析模型的核心算法，包括像高鐵集群的監(jiān)控、車輛內(nèi)部的牽引系統(tǒng)、軸承系統(tǒng)、軌道的轉(zhuǎn)轍器、車載的軌道監(jiān)測系統(tǒng)等。在模型的底層上，將傳統(tǒng)的不可見的問題顯性化。

目前，天澤智云也在跟國內(nèi)某高鐵制造商合作，開發(fā)基于CPS技術(shù)的高鐵PHM（預診斷與健康管理）平臺，通過對高鐵進行大量的實驗將關(guān)鍵部件的鏡像模型建立出來，包括失效模式和失效的狀態(tài)，以及過去探測到具有隱性失效特征的算法，等等。

第二個案例是高圣智能帶鋸機床，通過從數(shù)據(jù)中挖掘隱性問題的線索，實現(xiàn)對不可見問題的管理。傳統(tǒng)的不可見的問題，包括設備衰退、質(zhì)量過程參數(shù)產(chǎn)生偏差等，如何進行預測和管理是我們在制造系統(tǒng)當中最常見的問題。帶鋸機床通常用來做材料的粗切割，如將塊狀材料切割成不同的形狀。鋸帶是一個耗材，如果在使用過程當中出現(xiàn)了斷裂等問題，會造成質(zhì)量參數(shù)的缺失以及大量成本的增加。

傳統(tǒng)的方式是通過有經(jīng)驗的操作工人，在現(xiàn)場用耳朵去聽設備的聲音，判斷當前的鋸帶是否正常。如果覺得噪音變大，就更換鋸帶，有時可能把好的鋸帶換掉，造成成本浪費，也會因沒有及時發(fā)現(xiàn)問題而造成鋸帶斷裂，如果切削的是極其昂貴的航空材料，這塊材料可能就會報廢，造成極大的浪費。

后來項目團隊把人的經(jīng)驗和生產(chǎn)過程當中的參數(shù)固化為模型來預測鋸帶的狀態(tài)。通過試驗傳感器的部署，把知識、故障模式、切割參數(shù)等信息集成到模型里，同時運用PHM算法工具，包括信號處理、健康評估、故障預測等，實現(xiàn)了在不同的工況下，通過狀態(tài)參數(shù)進行自動識別，提取不同健康狀態(tài)下的特征聚類，再運用特征識別等模型方法判斷當前的狀況。

最終，實現(xiàn)了將鋸帶從完全健康到鍍層磨損，再到內(nèi)部實際的磨損，最后到斷裂的整個過程的建模。把不同時期的模型建立起來，這樣就能把過去不可見的問題顯性化。這些實時的數(shù)據(jù)，包括鋸帶的衰退狀態(tài)、核心部件的運轉(zhuǎn)模式等，通過模型加以分析，通過手機端或者Web端進行訪問，實時決策，優(yōu)化管理。過去可能一個人管理最多10臺機床，現(xiàn)在一個人可以管理更多機床，實現(xiàn)了從人員的使用效率到成本維護的整體優(yōu)化。這個產(chǎn)品在2014年美國芝加哥國際制造技術(shù)展覽會（IMTS）上第一次展出，2016年正式商業(yè)化，目前已在全球超過一百多家的項目工程上部署了。

第三個案例是通過智慧風場系統(tǒng)解析，如何利用知識建模在賽博空間里產(chǎn)生對實體的管理鏡像，實現(xiàn)對不可見問題的避免。風場大多在相對偏遠的地方且風機成本昂貴，這對生產(chǎn)管理、健康管理以及運維管理層面帶來很大的挑戰(zhàn)。對于一臺風機，生產(chǎn)管理方面要實現(xiàn)對設備衰退狀態(tài)的監(jiān)測，并預測當前的環(huán)境；健康管理方面，主要針對風機內(nèi)部的核心部件的管理；運維管理方面，通過預測的方法實現(xiàn)對設備故障的避免以最大化降低運維成本。

通過研究發(fā)現(xiàn)，要把以上的憂慮解決掉，需要三個步驟。

第一步進行狀態(tài)評估，即了解風機的實時狀態(tài)，無論是性能的衰退或健康的風險，都要進行精確的量化。

第二步是場景化預測，比如整體維護排程的優(yōu)化，采用不同的排程規(guī)劃，會產(chǎn)生不同的生產(chǎn)和維護成本，結(jié)果也有所不同，因此需要將所有可能的成本結(jié)果都量化出來，從上億種可能性中搜索最優(yōu)的一個結(jié)果。

第三步是優(yōu)化和避免，一臺風機中可能有上百個維度的參數(shù)，運用模式識別的方法可以清晰地識別出正常狀態(tài)下的風機。當新的數(shù)據(jù)輸入進來時，實時地跟正常模式進行比較，當風機發(fā)生逐漸偏離健康的狀態(tài)時，設備就會產(chǎn)生新的風險。實現(xiàn)這一系統(tǒng)后，對大型的部件如傳動鏈可以做到提前至少30天預測到潛在故障。當了解到設備的故障后，就要對故障進行排除。這涉及維護的問題，要考慮多成本要素的綜合建模，包括機會成本、固定成本、動態(tài)成本，實現(xiàn)全部建模后，基于建模進行有效預測，比如在某一時刻，將有幾十個排程的任務，不同排程組合造成的成本是多少，這可能有上億種不同的組合途徑。

如何在這些途徑中搜索最優(yōu)的結(jié)果，我們運用了遺傳算法的優(yōu)化模型求解過程。遺傳算法針對于風場排程的問題，實現(xiàn)了多層的優(yōu)化求解器，比傳統(tǒng)的線性規(guī)劃提升上千倍的效率，比單層的遺傳算法提升數(shù)十倍的效率。對于一個風場來講，如果要排程幾十個維護任務，可以在一分鐘之內(nèi)找到最優(yōu)的結(jié)果。

目前，這個WindInsight系統(tǒng)是我們與微軟Azure合作，實現(xiàn)部署的一個海上風場。風場在實時運行的時候，整個風場的風機運行狀態(tài)是否有潛在的故障或者風險發(fā)生等，都可以在這個系統(tǒng)上進行遠程判斷。

當某個風機出現(xiàn)潛在故障時，我們可以對它進行最優(yōu)化的排程。優(yōu)化排程中考慮的因素包括當前人員使用率、整個風場的風資源情況、風機的發(fā)電能力情況、故障衰退情況等，也包括對每臺風機進行對標，與整個風場內(nèi)的其他風機相比發(fā)電能力如何？與歷史相比，發(fā)電能力如何？在對風場管理時，對當前風場未來72小時的風資源進行預測，包括風向和風力的情況。在維護的過程當中，要盡量選擇風小的時候進行停機維護，在風大的時候進行發(fā)電，如此經(jīng)過多成本的綜合考慮后，產(chǎn)生新的智能優(yōu)化的模型，對這些模型進行在線評估。這樣的過程實現(xiàn)了對風場從設備的管理到生產(chǎn)管理再到維護管理的全棧式解決方案。

關(guān)于CPS信息物理系統(tǒng)

以上三個案例的實現(xiàn)，是基于融合邊緣計算和云計算的CPS技術(shù)架構(gòu)。CPS這項技術(shù)在國外研究的人非常多，2011年，GE第一次提出工業(yè)互聯(lián)網(wǎng)概念的時候，就提到CPS將會是未來的核心技術(shù)，而德國的工業(yè)4.0也提出CPS的概念。在我國，CPS也是工信部推廣的一項重要的技術(shù)架構(gòu)，《信息物理系統(tǒng)白皮書（2017）》將CPS定義為支撐工業(yè)和信息化深度融合的一套綜合技術(shù)體系，對于推進我國工業(yè)產(chǎn)業(yè)的價值轉(zhuǎn)型與升級具有重大的意義。

在李杰教授的《CPS新一代工業(yè)智能》書中，定義了CPS的5C技術(shù)體系架構(gòu)，即Connection智能連接層、Conversion智能分析層、Cyber智能網(wǎng)絡層、Cognition智能認知層、Configuration智能配置與執(zhí)行層。

實現(xiàn)這五層的CPS架構(gòu)，需要融合DT數(shù)據(jù)處理技術(shù)、AT分析軟件技術(shù)、PT平臺接口技術(shù)和OT運營技術(shù)，對工業(yè)大數(shù)據(jù)進行連接、挖掘、分析、預測和優(yōu)化，將工業(yè)生產(chǎn)制造當中的知識轉(zhuǎn)換成高價值生產(chǎn)力。