9月27-29日，以“構建中國制造2025新生態——精益·數字·智能”為主題的第十四屆中國制造業國際論壇(MIF)在天津梅江會展中心舉行。此次論壇由天津市工業和信息化委員會指導，制造業國際聯盟、愛波瑞集團主辦，現場有1500余位制造業領袖、專家、學者、政要以及快速成長型企業參會。北京天澤智云科技有限公司CTO劉宗長受邀出席并發表演講。

大家好，今天這場分論壇的主題是“新一代工業智能——CPS與工業大數據實踐”。那么，工業大數據、CPS、工業智能這些名詞到底是什么？是如何定義的？我今天將為大家分享我們對這些熱門技術詞匯的理解，通過案例幫助大家理解工業智能的含義及其發揮的價值。

人工智能

2016年人工智能悄然出現并逐漸發展，直到現在，仍處在一個人工智能序曲的階段上。這是為什么呢？AlphaGo事件中人工智能首次戰勝人類棋手，引發了許多思考；同時，越來越多的公司也開始把人工智能技術引向工業的應用。

· 柯潔在大戰之前說，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。

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

· 麥肯錫曾經指出:“可能到2035年的時候，我們一半的工作將被人工智能所取代。”

·  GE前總裁Jeff Emmelt曾提出:“一覺醒來驚奇地發現，GE已經變成了一家互聯網公司。”

·  德國Fraunhofer研究中心指出：“人工智能可以將生產率每年提高到0.8%-1.4%的功能。”

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，在一輛汽車內設置了移動終端，實現對路面信息、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。可以看到，人工智能帶來的并不是原本汽車的改變，而是用新的方式提供了更便利的信息服務。

工業智能

在工業界也是如此，原本的設備沒有改變，在機器端對數據進行采集與分析，會呈現出很多關于設備的洞察，包括目前的運行狀態與健康程度，跟其他設備與歷史狀態進行比較，自主預測未來設備的狀態。最終，這些信息匯集之后傳輸回設備端，實現自我的維護和調整，這正是智能化技術在工業界當中巨大的優勢體現。

那么，目前工業中有哪些不足？如何運用人工智能來彌補？過去我們關注兩個方面，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格是否合格，但無論怎樣仿真，有些問題還是難以被發現和關注，最終導致在仿真中優秀的模型，到實際生產中仍可能會產生次品。第二是生產系統設計，即對于設備綜合效率(OEE)的管理和設計、及整個制造系統當中設計的管理，大多數企業會用到仿真軟件，但無論怎樣設計產線，都很難保持設備零意外停機的無間斷運行。最主要的原因是設備都有一定的衰退，當衰退積累到一定程度會產生停機，進而生產線停止，最后導致過去的數據模型失效。

所以我們會發現，設計建模與實際的生產制造中間存在一個很大的差距，它們之間不匹配，這就會產生憂慮。在過去的生產線中，目標是實現work reduction（怎樣減少工作）以及waste reduction （怎么減少浪費），現在worry reduction（零憂慮）成為新的目標，即怎么把生產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，最終實現三個零：零停機、零次品、零浪費，消除生產過程中的憂慮。

美國IMS中心在2000年成立時，曾提出“未來智能工業系統”的概念。當時發現每個產品或者系統中都會有上百維的數據，但那時數據并不像現在這么容易提取出來。我們的想法是，基于嵌入式的智能終端，將分析方法進行有效的結合，用Watchdog Agent分析引擎，將信息在邊緣端處理之后，傳輸出當前狀態和健康相關信息，再跟運營系統相連接，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的維護，同時將信息反饋到從設計端到產品制造端的全過程中，實現對設備的改善，最終實現信息的閉環。這就是我們當初提出來的設想。

通過這個設想的發展，我們發現當初預見的未來正在變成現實。讓我們聚焦到現代工業系統是怎樣的？未來智能工業系統會怎樣？主要表現在零部件級、設備級、生產系統這三個維度上。

從零部件級，現在關注的是精密性，以及如何通過更加精密的傳感器，實現更加精密的動作，那么未來呢？需要具備自預測性和自省性，設備需要精密，但不會一直精密下去，外部原因或者自身衰退都會造成精密性發生變化，這時零部件可以將設備的狀態以及能造成的后果反饋給操作者。

從裝備的狀態角度，現在關注的是性能，以及能否連續生產質量達標的產品。未來更加關注設備的自比較性，自比較性也是對標的概念，麥肯錫在數字化制造的戰略當中，提出了這個概念，它既包括設備與自身歷史最優狀態的對標，也包括在不同的環境下，集群內與其他的設備之間的對標。這樣可以清晰的了解設備目前狀態好壞與否，如果設備狀態不好，還可以進一步了解故障在哪發生，以及是哪種原因造成的。

第三個層面就是整個系統，怎樣實現最大的生產性來提升設備綜合效率(OEE)。現在我們主要關注的是系統中各個設備、工序之間怎樣配合。配合的概念是指當上游產生了質量誤差，及時發現并在下游進行補償。在這個過程當中，如果有設備出現質量問題，能用其他的途徑進行改善，這就實現了具有強韌性的系統(resilience system)，即系統內部可以通過協同性的優化，把問題的影響降到最小。

以上講的由零部件、裝備到系統的不同層級的角度，為大家展示了未來我們希望的工業智能系統的狀態。

工業智能發展的五個階段

在實現工業智能的過程中，需要經歷五個階段。正如這場論壇的主題——精益、數字、智能，這六個字涵蓋了制造系統從傳統到智能化的演變過程。

第一個階段，是過去大家一直在做的，即TPS全員生產系統的標準化持續改善，提升整體的生產文化的管理；

第二個階段，是精益化和數字化。精益化和數字化的概念是以數據為驅動標準，使整個系統當中的配合性能夠達到最大化，用數字化的方式把當前的狀態實時地表示出來，這樣就可以了解設備將會出現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，或者通過數據驅動建模的分析方式，尋找到問題產生的隱性原因，這就是將隱性問題顯性化的階段。要實現這一目標，需要基于大數據，或者人工智能的建模技術；

第四個階段，當知道設備出現問題的原因時，可以通過結合具體場景，預測對設備的運營或決策會產生什么后果，來實現以預測性為基礎的有效性運營和決策優化；

第五個階段，在以上基礎上，把感知、分析、優化和執行連接起來，實現在賽博空間管理整個實體空間中所有設備的系統，形成了賽博空間與實體空間的鏡像，最終實現CPS的工業智能系統。

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

用GE倡導的工業互聯網概念再來描繪一下未來工業智能的技術圖景。這個圓圈包含了很多的技術，數據輸出后，運用基于機器的算法(machine-based algorithms)，如嵌入式智能和邊緣計算的技術，以及在云端的智能分析、數據可視化等，運用數據產生最優化的決策，傳遞到不同的組織，最終反饋到設備當中進行執行。這既包括IT與OT之間的相結合，又包括很多的云計算、邊緣計算等最新的IT技術，甚至包括像大數據分析，人工智能建模等最新的技術研究方向。實現智能設備、智能分析、智能決策，最終形成自發自動的循環。

工業智能化轉型的三個路徑

那么對于目前的工業企業，如何運用工業智能技術和大數據來實現轉型？可以運用這個模型分成三條路徑 - 對于問題，縱軸分為可以解決或是避免，橫軸分為可見問題和不可見問題，過去致力于怎樣解決可見的問題，并進行持續的改善和標準化。

那么接下來轉型的第一條路徑是怎樣去避免不可見的問題：從數據的角度，將問題產生的過程用數據分析、建模，來了解發生的原因。并在發生的原因上，通過預測性方式持續改善，來避免可見問題的發生。

不可見的問題是指設備衰退或者生產過程中會出現殘次品，設備背后的關聯性和關系性模型存在的問題是不可見的，從數據的角度能夠挖掘到關聯性，把不可見問題變得可見，更加高效地解決問題，這是我們可以開發的第二條路徑，會用到PHM、機器學習還有知識挖掘等核心技術。

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

工業智能化案例

下面介紹幾個案例，來幫助大家更加清晰地理解工業智能的這三個轉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來解析如何利用數據分析問題發生的過程，并且避免可見問題的發生。阿爾斯通是全球非常先進的軌道交通解決方案的供應商，不僅基礎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Health Hub，實現從車輛級到基礎設施級的智能管理。在感知系統方面通過Train Tracer、Track Tracer、Train Scanner等產品，實現將運行過程當中的實時狀態數據傳遞到HealthHub中進行分析，實時評估關鍵部件的健康狀態，預測未來的風險，并且用預測性的方式進行排程優化。

這套系統支撐起了阿爾斯通向服務型制造的轉型。目前阿爾斯通已經有超過35%的收入、50%的利潤來源于對已經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、預測與優化排程，幫助用戶節省維護成本，這是生產價值模式的轉變。

整個系統運用了典型的CPS技術框架，包括設備中數據的智能連接，實時的數據分析流，云端實現建模過程，經過大數據分析之后，對這些問題預測和決策，最終將決策運用到所有的相關部門中。展示一些典型的界面，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控、車輛內部的牽引系統、軸承系統、軌道的轉轍器、車載的軌道監測系統等。在模型的底層上，將傳統的不可見的問題顯性化。

目前天澤智云也在跟國內某高鐵制造商合作，開發基于CPS技術的高鐵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鍵部件的鏡像模型建立出來，包括失效模式、失效的狀態，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，通過從數據中挖掘隱性問題的線索，實現對不可見問題的管理。傳統的不可見的問題，包括設備衰退、質量過程參數產生偏差等，如何進行預測和管理是在我們在制造系統當中最常見的問題。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了斷裂等問題，會造成質量參數的缺失，以及大量成本的增加。

傳統的方式是通過有經驗的操作工人，在現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；也會出現沒有及時發現問題而造成了鋸帶斷裂，如果切削的是極其昂貴的航空材料時，這塊材料可能就會報廢，造成極大的成本浪費。

后來項目團隊把人的經驗和生產過程當中的參數固化為模型，來預測鋸帶的狀態。通過試驗傳感器的部署，把知識、故障模式、切割參數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，實現了在不同的工況下，通過狀態參數進行自動識別，提取不同健康狀態下的特征聚類，再運用特征識別等模型方法判斷當前的狀況。

最終，實現了將鋸帶從完全健康到鍍層磨損，再到內部實際的磨損，最后到斷裂的整個過程中，把不同時期的模型建立起來，這樣就把過去不可見的問題顯性化。這些實時的數據，包括鋸帶的衰退狀態，核心部件的運轉模式等，通過模型加以分析，通過手機端或者web端進行訪問，實時決策優化管理。過去可能一個人管理最多10臺機床，現在一個人可以管理更多的機床，實現了從人員的使用效率到成本維護的整體優化。這個產品在2014年芝加哥國際制造技術展會(IMTS)上第一次展出，2016年正式商業化，目前已在全球部署了超過一百多家的項目工程。

第三個案例是通過智慧風場系統解析如何利用知識建模在賽博空間里面產生對實體的管理鏡像，實現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，這對生產管理、健康管理以及運維管理層面有很大的挑戰。對于一臺風機，生產管理方面要實現對設備衰退狀態的監測，并預測當前的環境；健康管理方面，主要針對風機內部的核心部件的管理；運維管理方面，通過預測的方法實現對設備故障的避免以最大化降低運維成本。

通過研究發現，要把以上的憂慮解決掉，需要三個步驟。

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

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

第三步是優化和避免，一臺風機中可能有上百維的參數，運用模式識別的方法判斷正常狀態、非正常狀態，這樣可以清晰地識別出正常狀態下的風機。當新的數據輸入進來時，實時地跟正常模式進行比較，當發生逐漸偏離健康狀態時，設備就會產生新的風險。

實現這一系統后，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、動態成本，實現全部建模后，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的結果，我們運用了遺傳算法的優化模型求解過程。遺傳算法針對于風場排程的問題，實現了多層的優化求解器，比傳統的線性規劃提升上千倍的效率，比單層的遺傳算法提升數十倍的效率。對于一個風場來講，如果要排程幾十個維護任務，可以在一分鐘之內找到最優的結果。

目前這個WindInsight系統是我們與微軟的Azure合作，實現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是否有潛在的故障或者風險發生等，都可以在這個系統上進行遠程判斷。當某個風機出現潛在故障時，我們可以對它進行最優化的排程。優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，風機的發電能力情況，故障衰退情況等。也對每臺風機進行對標，與整個風場內的其他風機相比發電能力如何？與歷史相比發電能力如何？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，要盡量的選擇風小的時候進行停機維護，在風大的時候進行發電，如此經過多成本的綜合考慮后，產生新的智能優化的模型，對這些模型進行在線評估。這樣的過程實現了對風場從設備的管理到生產管理再到維護管理的全棧式解決方案。

關于CPS信息物理系統

以上三個案例的實現，是基于融合了邊緣計算和云計算的CPS技術架構。CPS這項技術在國外研究的人非常多，2011年GE第一次提出工業互聯網的概念的時候，就提到CPS將會是未來的核心技術，而德國的工業4.0也提出CPPS的概念。在我國，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。

在李杰教授的《CPS新一代工業智能》書中，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，也被收錄于工信部的CPS信息物理系統白皮書中。實現這五層的CPS架構，需要融合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，對工業大數據進行連接、挖掘、分析、預測和優化，將工業生產制造當中的知識轉換成高價值生產力。

關于天澤智云

最后給大家介紹一下我們。IMS中心是美國自然基金會下屬的一個產學研合作中心，過去在IMS中心時，我們主要的研究方向是設備的預診斷與健康管理(PHM)，隨著數據量越來越龐大，IMS的研究領域開始向工業智能和大數據分析方轉移。我的導師是IMS中心的創始主任李杰教授，在他的《工業大數據》、《從大數據到智能制造》、《CPS新一代工業智能》、《云上工業智能》這四本書當中，對剛提到的概念有詳細解讀，并且列舉了之前做過的30多個工業智能化的案例， 如果大家想要了解更多，可以翻閱書中得到更詳盡的資料。

天澤智云是IMS中心在國內的技術孵化企業，定位是工業智能實踐引領者。核心團隊來自于IMS的機械工程博士，具備工業領域知識、計算機科學、人工智能算法的跨界知識與應用能力，擁有豐富的工業智能項目的實踐經驗。我們希望將IMS過去17年在工業智能方面的項目經驗智慧在中國進行傳承。

天澤智云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全棧工業智能方案集成。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，歡迎大家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，都可以供各位參考。謝謝大家！