8月3日，在2017中國大數據產業生態大會中的中美大數據產業對瞰論壇中，北京天澤智云科技有限公司研發副總裁、美國國家科學基金會(NSF)智能維護系統(IMS)產學合作中心博士研究員劉宗長發表了“CPS、云計算、邊緣計算在工業智能中的應用探索”的主題演講。

劉宗長在演講中，從多個維度分析了工業大數據的概念與含義，解讀了邊緣計算、云計算、工業互聯網、CPS人工智能與大數據的關系，通過分享風場智能運維系統和軌道交通智能運維系統的應用案例，提出融合邊緣計算和云計算的“信息-物理系統”（CPS）架構是實現工業智能化升級和價值轉型的根基。

智能維護系統 (IMS) 中心

在2000年IMS中心成立時期，人工智能、大數據以及機器學習等都是當時非常前沿的技術，那時IMS就開始探索怎么通過機器的數據來分析判斷發生故障前衰退的痕跡，以及預測未來的生命周期表現。目標是將設備糾錯式維修變成預測性維護，結合生產維護排程，在資源效率最優、成本最小的情況下排除故障，最終實現近零停機的智能維護系統。

工業中的憂慮

工業環境當中會遇到很多的問題，無論是質量問題、設備的停機問題還是產生次品問題等，這些都是在冰山上面可見的部分，而冰山下面不可見的問題才是最重要的挑戰。在生產場景當中，這些不可見的問題包括設備的衰退、過程參數的偏移、還有人員操作的不穩定性等；使用場景當中，如一臺風機或者船舶的經濟性、安全性、功能性狀態變化都是不可見的。可見的問題都是在不可見的問題累計到一定程度之后才產生的結果。我們能夠用數據分析的手段把不可見的問題顯性化，最終實現：零停機、零次品、零浪費，實現了這三個零，才能讓工業變得無憂。

工業互聯網與工業大數據

今天會議的主題是工業大數據，2011年GE提出工業互聯網和工業大數據的概念，當初是怎么提出的？GE是怎么認識這個問題的？起初GE畫了這樣一個圈，作為工業互聯網整個技術和應用的綜合性架構圖。數據從設備當中輸出并沒有直接送到云端，而是放在機器端的算法上，這需要和邊緣計算結合在一起。去年GE提出了工業互聯網的十個先行的解決方案，這其中許多案例都用到硬件Predix-Ready Box，它能夠與Predix隨時相連，大量數據在設備端被預先定義好的流程和方法進行相對重復的初步分析，云端則使用更先進的算法做大數據的挖掘、關聯性挖掘，甚至是具有認知性的遷移學習等。云端還有一個非常重要的作用，要把數據中的洞察進行分享和分憂；并且當數據被需要時，無論何時何地都可見可得，這樣就可以實現整個決策過程的實時性和協同性。目前對于一個公司來講，它的決策水平，主要體現在如何快速精準地做決策，就需要結合運行方面的模型。分析后的數據變成有用的決策，決策再反饋到設備當中，無論是指導它的生產、維護還是設計，最終形成閉環的數據驅動決策流程。

工業互聯網需要具備三個智能，即智能設備、智能分析、智能決策，如何體現？包含幾個重要的技術層次，連接、監控、分析、預測和優化，在這五個方面中，數據起到非常重要的作用。

大數據是很早就提出的概念，最早的大數據出現在互聯網，現在工業大數據和互聯網大數據是不同的。區別在于：第一，工業大數據由于每一個設備工況的復雜和個性化，需要高度的定制化；第二，是需要非常多的洞察。過去大數據挖掘的是相關性，從相關性就可以轉變成決策，而工業大數據最重要的是因果性，那么找到因果性的關鍵是什么？是對這個設備本身的領域知識和對設備機理的認知；第三，是在做分析的時候，傳統的互聯網大數據的特點更多是發散性，比如給我一組數據，可以沒有明確的目標，通過數據挖掘出相關性，再去定義服務模式和商業模式，但是工業大數據是收斂的，從收集數據開始就要了解目標是什么，故障的預測、設備壽命的預測、質量風險的預測還是維護排程優化。具備了明確的目標后，再定義需要什么樣的數據和采用什么樣的分析方法。

工業大數據的價值體現

工業大數據怎么體現價值？李杰教授提出的煎蛋模型可以給出很好地解釋。傳統工業價值指的是蛋黃的部分，即5個M，包括它的材料、設備、方法、維護和測量。用傳統的視角看，無論是工業大數據還是工業互聯網，價值的核心是蛋白的部分，即6個C，建立互聯互動的環境(Connection)、IoT的基礎架構以及在云端隨時隨地按需獲取的計算與存儲的能力(Cloud)，在賽博空間(Cyber)建立數字孿生模型，建立設備全生命周期的數據檔案的記憶(Contents/Context)，結合帶有場景化的數據分析，提供對數據深刻的洞察，最后這些數據能夠在社群當(Community)中進行分享，在用戶群體或整個供應鏈和生態鏈當中分享數據，最終在整個社群當中每一個人都能從中獲得個性化的服務(Customization)，這是互聯網和大數據提供的6個C的價值，怎么與我們傳統的工業價值相結合？中間一個最重要的橋梁就是第六個M：建模(Modeling)。這個過程當中需要用數據通過建模的方式對前面的五個M進行管理重構和優化，這其實是絕大多數企業面臨的瓶頸，或者說目前工業大數據的價值缺失的部分就是在第六個M上。

云計算+邊緣計算

大數據是一種現象而不是一項技術，所以會涌現出很多技術來解決大數據造成的問題，包括邊緣計算、云計算、IoT以及人工智能，他們之間是什么關系呢？在李杰教授的《云上工業智能》一書中，邊緣計算的核心就是要產生數據的生態，因為工業里面數據不會自發形成，它不像互聯網一樣本身在線，每一次點擊的消費行為都會產生一個數據。工業的設備數據很難在線，需要通過邊緣計算和IoT架構把數據生態建立起來，包括傳感器、物聯網平臺、嵌入式智能都是在邊緣端要解決的技術的問題。

另一方面在云端做什么？包含兩個部分，第一是知識的生態，工業界的數據本身具備很強的專業化和碎片化，這需要很多專家貢獻他們的知識，無論是特別有經驗的行業專家，還是像我們這種能夠提供機器PHM建模技術的團隊，或者對于用戶畫像或供應鏈等各方面的分析專家，這些能夠形成一個知識的生態。然后怎樣把知識迅速地用低門檻的方式去服務于所有的產業也是我們考慮的問題。這就是另一方面，即怎樣建立一個服務生態，包括產業鏈上下游、第三方的專業服務以及如何讓有經驗的人實現知識的變現。這些全部完成之后，制造的核心知識可以迅速地傳承和應用，同時制造的服務價值也會被迅速擴大。用李杰教授在書中的比喻，數據創造價值要經過分類、分割、分解、分析、分享和分憂。前三個主要在邊緣計算中完成；分析的部分中重復性和內生性的分析在邊緣端完成，而創造性和外延性的分析在云端完成；最終在云端的社區中分享信息和知識，在協同中實現分憂。

支持云端與邊緣端跨平臺部署的工業AI算法引擎

IMS中心過去17年以來，重點解決了一個問題，就是如何建模，即如何實現第六個M，我們過去研發了Watchdog Agent®算法工具包，2011年在美國國家儀器(NI)的LabView上面正式的把這個工具包進行了商業化，經常用到不同的面向機器分析的模型、機器數據分析的模型等都被模塊化了。LabView結合它的硬件平臺CompactRIO可以通過拖拽的方式迅速地利用這些模塊搭建一個模型，嵌入到邊緣端。比如面向一個軸承，振動分析該怎樣去找到故障的特征？怎樣去做故障診斷？能夠形成在平臺上迅速搭建邊緣計算的能力。

天澤智云基于Watchdog Agent®算法工具包開發了我們的工業智能算法引擎，建立了智能算法庫?，F在我們與微軟的Azure進行合作，將智能算法引擎部署到云端，一方面利用云計算的環境建立模型，做數據的挖掘、知識的產生。另一方面在云端做邊緣計算節點的管理與部署。實現這樣的部署之后，比如平時監控十個節點，這些節點的數采管理、模型版本的管理、遠程分發部署等，都可以在云端通過節點的服務去完成。最終實現的這些模型，如果是可以重復使用的，比如不需要運算、不需要與外界的信息相連，或者是數據重復性在做的，這樣的模型一旦建立好，數據進來，在云計算環境進行計算，部署好再了放到邊緣端上去。運算的結果也可以通過傳輸到用戶端，以Machine Apps這樣的方式實現客制化的軟件服務發布。

案例分享 – 風場智能運維系統

給大家舉幾個例子以及工業大數據幾個核心的應用場景。第一個應用場景是智能風場運維系統，風電的裝備在過去幾年中發展得越來越龐大且難以維護，每停機一次造成功率的損失、維護成本也越來越高，風機在運行時能否實現在遠端平臺上實時監控相應的狀態指標？從風場級別上看，整個風場運行的KPI，每臺風機的分布都可以一目了然，哪臺風機存在隱患時，我們可以得到歷史數據，通過嵌入了很多故障預測和異常監測的模型，能夠判斷具體哪一個部件有什么樣的風險，甚至是接下來會出現怎樣的故障模式。在這個過程中，狀態被透明化后，再以預測性的視角進行排程，同時對風速進行實時預測，可以選擇在風小的時候停下來進行維護，風大的時候盡量保持發電。通過結合維護排程優化的模型能夠把整個維護過程當中的損失大幅降低。

這個系統目前能夠解決的三方面問題，在生產管理方面，結合風功率預測技術和每個風機的管理技術，可以實現每一臺風機發電的精準預測，精準率達90%以上；健康管理方面，結合遠程監測和故障預測性診斷技術，對超過30多種關鍵部件建立故障預測的模型，針對核心部件的故障我們可以至少提前28天預測出來；運維管理方面，實現維護的排程優化，一方面優化排程，一方面優化資源的調度，能夠把整個維護過程當中的費用降低30%以上。

在這個系統中，我們將很多模型部署在邊緣端。在建模的過程中，很多數據有相關性，用模式識別等算法將許多數據的相關性建立起來之后，模型基本上可以被固化下來。每臺風機根據自己的數據建立模型，可以對風機自身問題的表征具備較高的客制化功能。這個模型建立起來之后部署在邊緣端，每次數據傳輸進來后與模型進行匹配，可以實現基于相似度的評估，如目前風機和正常狀態偏離了多少，可以追溯這些多維的數據中到底是哪一個測點有偏移造成了整體的變化。

云端做什么？用機器學習的技術挖掘產生的知識。這個領域里，我們曾經對數十萬個振動信號做過大數據挖掘。首先定義了很多的特征，這些特征來自于專家的經驗知識，比如分析師判斷在整個振動鏈上面是否有問題，這些特征用機器學習的建模技術，對它進行批量處理，之后找到一些規律和其中的一些現象，用這樣的規律可以對整個集群建立更加可視化的模型。模型建立起來以后，可以直接被分發到面向每臺風機具體執行的計算當中去，包括對機位的管理、故障的定位，再到詳細的過程分析，整個過程中把有問題的風機從數十萬個風機當中迅速地挖掘出來。這樣的建模一旦產生，就產生了一個新的知識，這個模型就可以被用到全世界所有的風機上。這就是用機器學習迅速挖掘知識并且利用知識的過程。

案例分享 – 軌道交通智能運維系統

阿爾斯通的案例向我們展示了怎樣運用數據去產生商業價值。它在軌道交通方面是全球非常領先的OEM生產商，早在2006年就開始探索怎么利用運行當中產生的數據為用戶提供更好的服務。阿爾斯通的技術布局包括建立一些邊緣端的系統，如Train Tracer、Track Tracer、Train Scanner等，這些系統即便離開云端，部署的嵌入式模型依然能夠解決90%的問題。同時很多輛的列車和基礎設施相關數據分析完之后產生了跟狀態相關的洞察，會被傳到云端，在遠程云端可以實現實時評估關鍵部件健康狀態、預測運行風向和剩余壽命、以及維護計劃排程優化。

目前HealthHub的應用使維護成本降低15%，維護時間降低85%。同時由于有這樣一套系統，ALSTOM軌道交通部門的服務型收入占總收入超過35%，利潤占比超過50%，其對智能軌道交通產品發展的重視體現了ALSTOM進一步向服務型制造轉型的決心。

技術實現的過程是在連接層和邊緣端進行實時的數據分析，到網絡層進行計算，包括如何做決策，如何做維護的排程，再反饋到最后的執行端，是一套完整的技術架構。IMS在2010年開始與阿爾斯通合作，開發了很多軌道交通的典型應用，比如高鐵的在線監控，每個車輛里面的詳細部件，如軸承牽引系統等健康狀態的診斷等。針對軌道的基礎設施，如道岔機、鐵軌的健康狀態，我們也做了一個系統，在載客狀態下，實時判斷鐵軌是否有問題。

CPS（信息-物理系統）的意義

今年3月份李杰教授出了一本新書《CPS新一代工業智能》，在這本書里定義了CPS的5C技術體系架構，即Connection智能連接層、Conversion智能分析層、Cyber智能網絡層、 Cognition智能認知層、Configuration智能配置與執行層。CPS也是今年工信部推廣的一項重要的技術架構，于3月1日正式發布了CPS信息物理系統白皮書，將CPS定義為支撐工業和信息化深度融合的一套綜合技術體系，對于實現中國制造2025和推進我國工業產業的價值轉型與升級具有重大的意義。李杰教授基于5C架構的CPS理論被收錄于白皮書中，也是經過落地實踐（中國船舶工業集團船舶智能運行與維護系統SOMS）驗證成功的CPS指導框架和技術體系。

天澤智云的工業智能化解決方案以CPS為基礎，將CPS的5C架構作為指導框架，融合DT數據處理技術、AT分析軟件技術、PT平臺接口技術和OT運營技術，對工業大數據進行分析、預測和優化，轉換成高價值生產力。第一個數據處理技術DT，包括信息的感知層以及邊緣計算；第二個分析軟件技術AT，是將數據轉化成有用的信息；再往上第三個層次的賽博(Cyber)代表平臺技術(PT)，平臺和分析技術融合產生一些認知和洞察后，要反饋到運營技術OT去進行有效的協同優化與配置。5個C的架構，從數據獲取到最終價值的交付是一個非常完整的體系，它打通了從原始數據到業務應用的通道，實現了從數據庫到模型庫最終產生應用庫的價值升級。

關于天澤智云

天澤智云是工業智能實踐引領者。提供以先進算法引擎和全球領先算法庫為核心的端到端工業智能解決方案。我們以服務為驅動，以實現企業最終價值為導向，提升資產的經濟效益，加速產業的智能化升級和價值轉型。

天澤智云的工業資產智能運維解決方案以“信息-物理系統”（CPS）技術為構架，結合對工業場景的深度理解，為客戶提供從方案的咨詢到實施以及持續的能力交付的整體解決方案。通過交付從產品到能力的賦能服務，真正地幫助客戶提升整體競爭力，實現價值轉型。

最后，歡迎關注天澤智云的官方微信，里面有很多工業智能化成功應用案例，以及工業智能相關的技術資訊可供參考。