CPS是美國科學基金會在2006年提出的新技術概念，并將此項技術體系作為新一代技術革命的突破點。同時，德國的“工業(yè)4.0”戰(zhàn)略也將CPS作為核心技術，其實質是CPS 在生產系統(tǒng)中的應用體系。無論是德國“工業(yè)4.0”戰(zhàn)略還是美國CPS計劃，都將CPS作為智能化轉型的核心技術，并據(jù)此設定各自的戰(zhàn)略轉型目標。

中國在第四次科技革命浪潮中的機遇與挑戰(zhàn)

第四次科技革命是從“可見”到“不可見”世界的競爭

前三次工業(yè)革命發(fā)展的過程給我們的啟示是，每一次科技革命的根本原因在于原有技術體系下的生產要素已經無法滿足生產力的發(fā)展要求，在這種需求的推動下，新的使能技術的誕生幫助人們突破了限制生產力發(fā)展的瓶頸，同時伴隨著新的基礎設施的發(fā)展，新技術的紅利得以快速普及。

第四次科技革命被稱為“智能化”的革命，需要解決的生產力瓶頸在于技術要素的不可見部分，即人的知識產生和利用效率已經不能滿足生產系統(tǒng)的要求，難以實現(xiàn)最優(yōu)的運行效率和協(xié)同。以人的決策為驅動的生產系統(tǒng)中，有很大一部分的價值并沒有被釋放出來，這主要體現(xiàn)在對知識獲取的速度、利用的深度、應用的規(guī)模化三個方面的瓶頸。

因此，第四次科技革命所要解決的核心問題主要包括：

提升知識作為核心生產要素的生產力邊界，使知識的產生、利用和傳承效率與規(guī)模獲得本質的提升。

重新優(yōu)化生產組織要素的價值鏈關系，使得整個產業(yè)鏈中的各個環(huán)節(jié)圍繞最終用戶的價值交付，以高效的協(xié)同方式組織生產活動。

現(xiàn)在層出不窮的技術概念如人工智能、大數(shù)據(jù)、物聯(lián)網、工業(yè)互聯(lián)網、云制造等，無不是為了提升知識生產力和價值交付的效率。

中國智能化轉型中的三個新機遇

在過去幾年中，我們看到中國的工業(yè)經濟經歷了非常嚴峻的挑戰(zhàn)，需求側的增長動力不足與供給側產能過剩之間的矛盾非常突出。針對產業(yè)鏈高價值端的需求，中國企業(yè)滿足能力不足，但在低價值端的供給又嚴重過剩。形勢雖然嚴峻，但是筆者認為中國的工業(yè)轉型有三個方向的機遇：

機遇一：從出口低端產品向出口高端制造裝備和增值服務轉變。

在最近十年中，中國制造正在逐步走出依賴低端產品出口的模式，在軌道交通、發(fā)電裝備、船舶、電力基礎設施等高端裝備領域已形成了自己的品牌和競爭力。中國在2015年發(fā)布的《中國制造2025》，除了著重強調發(fā)展十大領域外，還首次提出了將大力發(fā)展知識經濟和服務型制造業(yè)作為轉型重點，將裝備智能化、過程智能化和服務智能化作為重點發(fā)展領域。因此，未來中國不僅要將高鐵賣到國外，還有可能輸出鐵路運營的經驗，從鐵路的運營服務中獲得可持續(xù)增長的價值。中國的裝備制造企業(yè)，也不再僅以賣給客戶產品為目標，還會從產品使用場景中的增值服務中獲得收入。

機遇二：工業(yè)增長模式從對增量的投資向對存量的有效利用轉變。

中國經濟過去30年高速增長的核心動能來源于“從無到有”的需求，因此絕大部分的投入是面向增量的。而現(xiàn)在這一部分的需求已經達到飽和，新的需求轉向“從有到精”，即對存量的有效利用。“新舊動能轉換”的概念指出，中國經濟新常態(tài)下的發(fā)展動力來源于“增量崛起”與“存量變革”并舉：一方面發(fā)展以新技術、新產業(yè)、新業(yè)態(tài)和新模式為代表的新動能，同時對于舊動能以產業(yè)轉型升級和提升發(fā)展效率和質量的方式，也可轉換為新動能。在新舊動能的轉換中，要以知識、技術、信息、數(shù)據(jù)等新的生產要素作為支撐。因此，GE所提出的“1%的力量”在中國是可行的，即從已有的工業(yè)存量中提升1%的效率已是驚人的數(shù)字，可實現(xiàn)驚人的成果。所以未來中國的工業(yè)增長不能只看百分比增速，還應關注其中有多少增長來自于對存量資源效率的提升，因為這代表著增長的質量。

機遇三：利用新技術不斷彌補核心制造知識的缺失，從勞動成本優(yōu)勢向以知識為核心的效率優(yōu)勢轉變。

2016年到現(xiàn)在，筆者關注到兩個有意思的現(xiàn)象：一個是中國作者發(fā)表的有關機器學習的論文數(shù)量成為世界第一；另一個是中國的ICT產業(yè)從業(yè)人數(shù)成為全球第一。這意味著中國在新一輪競爭中開始具備優(yōu)勢。筆者在《工業(yè)大數(shù)據(jù)》一書中曾經分析過，中國擁有發(fā)展工業(yè)智能的兩個核心資源，即數(shù)據(jù)與場景。除此以外，中國也逐漸在數(shù)據(jù)建模能力上積累優(yōu)勢，使得數(shù)據(jù)轉變?yōu)橹R再應用到具體場景中的速度不斷提升。因此可以預見，中國工業(yè)的優(yōu)勢將從成本逐漸轉變?yōu)橐灾R為核心的制造效率。

然而，想要抓住這一次產業(yè)升級的機遇，中國工業(yè)還需要克服一些自身的薄弱環(huán)節(jié)。一直以來，中國工業(yè)在標準化和體系化等方面相比德國和美國等制造強國還有一定的差距。要想將大數(shù)據(jù)、人工智能、工業(yè)互聯(lián)網等新技術應用于工業(yè)中，依然離不開體系化的技術建設和系統(tǒng)思維，而這恰恰是CPS之于工業(yè)智能所存在的意義。

CPS：中國工業(yè)智能化的新思維與新途徑

人工智能≠工業(yè)智能

雖然人工智能技術在圖像處理和語義識別等領域已經取得了令人驚嘆的成就，也成功地解決了一些工業(yè)領域中的技術難點問題，但是人工智能技術被體系化地應用于工業(yè)系統(tǒng)中，仍然有很長一段路要走。其中最重要的原因是人工智能中還有太多的未知需要探索（surprise）。使用神經網絡看似無所不能，我們可以使用不同層數(shù)的神經網絡，不同密度的網絡連接在圖像識別上，甚至可以應用在醫(yī)療放射圖像的分析上，但是如果它們甚至不能自我解釋，我們真的可以依靠它們嗎？盡管在神經網絡的可解釋性研究方面已經取得了一些成果，例如從深度神經網絡提取基于樹的規(guī)則、卷積層可視化、特征貢獻度、InterpretNet等，但是機器學習的預測從不確定性到相對可控的確定性之間仍然還有很長的距離。

筆者認為，人工智能真正開始被規(guī)模化地應用于工業(yè)系統(tǒng)中，進而實現(xiàn)工業(yè)智能系統(tǒng)，至少需要做到以下3個S：

Standard(標準化)：即如何與現(xiàn)有工業(yè)系統(tǒng)的標準化體系相結合，包括方法論、建模過程、數(shù)據(jù)質量、模型評價、容錯機制、基于預測的操作規(guī)程、不確定性管理等各方面的標準化。

Systematic(體系化)：在技術層級和應用層級方面的體系化上，需要建立一套協(xié)同體系，明確工業(yè)智能在部件級、設備級、系統(tǒng)級和社區(qū)級等不同層級中的任務邊界及相互的接口。

Sustainable(穩(wěn)定可持續(xù))：與人工智能預測的可解釋性和結果的確定性相似，如何能夠做到對同一組數(shù)據(jù)和同一個模型，不同的人用來訓練得到的結果都需要是一樣的。否則怎么做到制造系統(tǒng)的標準化和一致性管理呢？

以5C（Connection、Conversion、Cyber、Cognition、Configuration）為架構的CPS技術體系在設計之初就考慮了如何能夠滿足這3個S的要求。

CPS的狹義與廣義技術內涵

2006年美國國家科學基金會（NSF）舉辦了第一屆CPS研討會，會議中對CPS的定義第一次進行了闡述：CPS是網絡環(huán)境（Cyber Space）中的通信（Communication）、計算(Computation)和控制(Control)與實體系統(tǒng)在所有尺度內的深度融合。這個定義給出了CPS的三個基本元素，也就是我們最常提到的3C技術要素。NSF從功能性的角度闡述了CPS的內涵，即實體系統(tǒng)里面的物理規(guī)律以信息的方式來表達。《CPS：新一代工業(yè)智能》一書從更加廣義的角度賦予了CPS新的內涵：對實體系統(tǒng)內變化性、相關性和參考性規(guī)律的建模、預測、優(yōu)化與管理。

除了功能層面的3C要素，CPS的廣義定義還需要從另外3個C與3個R的角度去理解，其中，CPS對實體系統(tǒng)分析和預測的目的與手段可以概括為“3C”：

Comparison（比較性）

從比較過程中獲取洞察能力，既包括比較相似性，也包括比較差異性。比較的維度既可以是在時間維度上與自身狀態(tài)的比較，也可以是在集群維度上與其他個體的比較。這種比較分析能夠幫助我們將龐大的個體信息進行分類，為接下來尋找相似中的普適性規(guī)律和差異中的因果關系奠定基礎。

Correlation （相關性）

如果說物聯(lián)網是可見世界的連接，那么所連接對象之間的相關性就是不可見世界的連接。對相關性的挖掘是形成記憶和知識的基礎，簡單的將信息存儲下來并不能稱之為記憶，通過信息之間的關聯(lián)性對信息進行管理和啟發(fā)式的聯(lián)想才是記憶的本質。

相關性同時也促進了人腦在管理和調用信息時的效率。我們在回想起一個畫面或是情節(jié)的時候，往往并不是去回憶每一個細節(jié)，而是有一個如線頭一樣的線索，牽線頭一下就能夠引出整個場景。這樣的類似記憶式的信息管理方式運用在工業(yè)智能中，就是一種更加靈活高效的數(shù)據(jù)管理方式。

Consequence （因果性）

數(shù)據(jù)分析的重要目的是進行決策支持，在制定一個特定的決策時，其所帶來的結果和影響應該被同等地分析和預測。這是以往的控制系統(tǒng)所不具備的特性，也是智能化的本質。工業(yè)系統(tǒng)中的大部分活動都具有很強的目的性，就是把目標精度最大化，把破壞度最小化的“結果管理”。

結果管理的基礎是預測，例如在現(xiàn)在的制造系統(tǒng)中，如果我們可以預測到設備的衰退對質量的影響，以及對下一個工序質量的影響，就可以在制造過程中對質量風險進行補償和管理，制造系統(tǒng)的彈性和堅韌性就會增加。

這3個C分別對應了實體空間中的對象、環(huán)境與任務的運轉基礎，又可以用3個R來概括：

Resource（來源）：數(shù)據(jù)來源可以是歷史的數(shù)據(jù)、傳感器的數(shù)據(jù)，或是人的經驗數(shù)據(jù)，這些數(shù)據(jù)都可以用一種邏輯的方式形成一種知識模型。同時，Resource也是比較性的基礎。

Relationship（關系）：基于比較和相關性的分析，挖掘顯性和隱性的關系。例如，半導體的過程監(jiān)測中有上百個傳感器數(shù)據(jù)，但是從歷史報警的信息，可以利用貝葉斯網絡建立傳感器的關系圖譜，最后發(fā)現(xiàn)上百個傳感器中只有5個傳感器與歷史報警有很強的相關性，那么只用這5個傳感器的組合就可以管理所有傳感器數(shù)據(jù)所代表的狀態(tài)。

Reference（參考）：參考性有兩個方面，一個是比較的參考，另一個是執(zhí)行的參考。同時，參考也是記憶的基礎。如果是以結果作為參考，那么目的就是去定義其發(fā)生的根本原因；如果是以過程作為參考，那么目的就是去尋找避免發(fā)生問題的途徑。古語有云：“以銅為鑒，可以正衣冠；以古為鑒，可以知興替；以人為鑒，可以明得失”。這句話充滿了深刻的哲理，也總結了參考性的三個維度，即以傳感器所反映的自身狀態(tài)為參考、以歷史數(shù)據(jù)中的相關性和因果性為參考，還有以集群中的其他個體作為參考。

CPS的技術基礎包括物聯(lián)網、普適計算和執(zhí)行機構，它們定義了實體系統(tǒng)的功能性。Cyber空間中的來源、關系和參考，構成了實體系統(tǒng)運行的基礎，是CPS在Cyber空間中的管理目標。建立面向實體空間內的比較性、相關性和因果性的對稱性管理是核心的分析手段。而CPS的最終目標，是對實體（Physical）系統(tǒng)的狀態(tài)和活動的精確評估、對實體系統(tǒng)之間關系的挖掘和管理，以及根據(jù)情況進行的決策優(yōu)化。Cyber空間中的管理是對實體空間中3V的精確管理，即可視性（Visualizability）、差異性（Variation）和價值性（Value）。

CPS的技術應用體系

CPS是一個具有清晰架構和使用流程的技術體系，針對工業(yè)大數(shù)據(jù)的特點和分析要求，能夠實現(xiàn)對數(shù)據(jù)進行收集、匯總、解析、排序、分析、預測、決策、分發(fā)的整個處理流程，對實體系統(tǒng)進行流水線式的實時分析能力，并在分析過程中充分考慮機理邏輯、流程關系、活動目標、商業(yè)活動等特征和要求。

CPS技術體系框架包括了5個層次的構建模式：智能感知層（Connection）、信息挖掘層（Conversion）、網絡層（Cyber）、認知層（Cognition），以及配置執(zhí)行層（Configuration）。

這個5C的分析構架設計目的是為了滿足實體空間與Cyber空間相互映射和相互指導過程中的分析和決策要求，其特征主要體現(xiàn)在以下幾個方面：

智能感知：從信息來源、采集方式和管理方式上保證了數(shù)據(jù)的質量和全面性，建立支持CPS上層建筑的數(shù)據(jù)環(huán)境基礎。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目標和信息分析的需求自主地進行選擇性和有所側重的數(shù)據(jù)采集。

信息挖掘層：從低價值密度的數(shù)據(jù)到高價值密度信息的轉換過程，可以對數(shù)據(jù)進行特征提取、篩選、分類和優(yōu)先級排列，保證了數(shù)據(jù)的可解讀性，包括了對數(shù)據(jù)的分割、分解、分類和分析過程。

網絡層：重點在于網絡環(huán)境中信息的融合和Cyber空間的建模，將機理、環(huán)境與群體有機結合，構建能夠指導實體空間的建模分析環(huán)境，包括精確同步、關聯(lián)建模、變化記錄、分析預測等。

認知層：在復雜環(huán)境與多維度參考條件下面向動態(tài)目標，根據(jù)不同的評估需求進行多源化數(shù)據(jù)的動態(tài)關聯(lián)、評估、預測結果，實現(xiàn)對實體系統(tǒng)運行規(guī)律的認知，以及物、環(huán)境、活動三者之間的關聯(lián)、影響分析與趨勢判斷，形成“自主認知”的能力。同時結合數(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目標的決策支持。

配置執(zhí)行層：根據(jù)活動目標和認知層中分析結果的參考，對運行決策進行優(yōu)化，并將優(yōu)化結果同步到系統(tǒng)的執(zhí)行機構，以保障信息利用的時效性和系統(tǒng)運行的協(xié)同性。

CPS的5C構架

除了技術架構的層級和流程化，CPS的應用也具有清晰的層級化特征。我們從零部件級、設備級、生產系統(tǒng)這三個維度來分析現(xiàn)代工業(yè)系統(tǒng)如何實現(xiàn)智能化。

零部件級——目前大多關注的是精密性，即如何通過更加精密的傳感器，實現(xiàn)更加精密的動作。而智能的零部件則需要具備自預測性和自省性，隨著外部環(huán)境變化或者自身衰退都會造成精密性發(fā)生變化，智能的零部件可以將設備的狀態(tài)和可能造成的后果反饋給操作者。

設備級——現(xiàn)在關注的是設備性能以及設備能否連續(xù)生產質量達標的產品。而智能的設備需要具備自比較性，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，集群內與其他的設備之間的對標。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發(fā)生在哪里，以及是哪種原因造成的。

系統(tǒng)層面——通過實現(xiàn)最大的生產性來提升設備綜合效率(OEE)。目前主要關注的是系統(tǒng)中各個設備、工序之間的配合。而智能化發(fā)展的方向應當是更大價值鏈的優(yōu)化，比如當上游產生了質量誤差，可以及時發(fā)現(xiàn)并在下游進行補償。過程當中如果有設備出現(xiàn)質量問題，也能用其他的途徑進行改善，實現(xiàn)具有強韌性的系統(tǒng)(resilience system)，即系統(tǒng)內部可以通過協(xié)同性的優(yōu)化，把問題的影響降到最小。

無論在部件級還是系統(tǒng)級的CPS體系應用當中，都是由最基本的CPS單元構成的。CPS基本單元又分為智能控制單元、智能管理單元和認知環(huán)境，其中，智能控制單元和智能管理的單元分別面向局部設備和局部系統(tǒng)，而認知環(huán)境為二者提供具有自成長性的智能化能力支撐，是實現(xiàn)智能化由局部到系統(tǒng)應用推廣的關鍵。

案例分析：基于CPS的智慧風場設計與應用

根據(jù)美國FTI咨詢公司的數(shù)據(jù)，中國的風電行業(yè)在過去10年中飛速發(fā)展，目前已經成為風電行業(yè)裝機規(guī)模和增長速度最快的國家，2015年風電行業(yè)迎來了裝機高峰，新增裝機容量達到3.05兆瓦，同比增長31.5%，貢獻了全球超過一半的新增容量。但是風電行業(yè)的蓬勃發(fā)展背后也存在著非常大的隱患，主要在于風電的成本高昂，對國家補貼的依賴度較大。高昂的成本背后，運維成本和管理成本占了非常大的比例。

在計算風電的經濟效益時，業(yè)界常用的兩個指標是“平均化能源成本”和“能效因數(shù)”，前者衡量的是每一度電的成本，后者則是通過實際發(fā)電量與最大發(fā)電量之間的百分比來衡量能源效率。因此，在對風機進行智能管理和使用時，都需要以改善這兩個指標作為最終目的。降低成本的兩個最主要途徑，一是降低制造成本，二是降低運維成本。

在過去十幾年的競爭中，OEM在降低生產成本方面做了大量的努力，繼續(xù)降低成本的空間已經不大。但是風機在使用階段的運維管理依然是比較粗獷的模式，對風機健康管理一直比較忽視，對運維策略和計劃缺少精細的管理，現(xiàn)場值守和維保服務的操作缺乏規(guī)范，這些都為通過風機智能化應用降低運維成本提供了很大的機會空間。而能效因數(shù)的提升也與智能使用有直接的關系，一方面可以通過縮短風機的停機時間減少停機功率損失，另一方面可以通過優(yōu)化風機的控制和調度策略增加風機對風能的捕獲效率。

風場智能運維的核心是在對設備狀態(tài)精確評估、環(huán)境狀態(tài)精確預測和任務狀態(tài)精確推演的基礎上，對風機運維的調度、排程和執(zhí)行進行管理決策的優(yōu)化。由于風機中的核心零部件較多、運行工況和環(huán)境復雜，且運維活動的流程和資源協(xié)調較為復雜，所以需要基于CPS的體系框架對功能的層級關系和系統(tǒng)邏輯進行梳理。

智慧風場的CPS功能構架

風場的數(shù)據(jù)環(huán)境是非常典型的多源異構數(shù)據(jù)類型，主要的數(shù)據(jù)源包括SCADA (Supervisory Control and Data Acquisition)以及CMS(Condition Monitoring System)系統(tǒng)。SCADA所采集的數(shù)據(jù)包括風機的工況信息、控制參數(shù)、環(huán)境參數(shù)和狀態(tài)參數(shù)等，數(shù)據(jù)維度非常廣，但是采樣頻率較低。而CMS則是從風機關鍵零部件（如齒輪箱、軸承等）上采集振動數(shù)據(jù)，采樣頻率在數(shù)千赫茲以上。除此以外，風場的數(shù)據(jù)源還包括電網的調度信息、工單系統(tǒng)、人員管理、維護資源狀態(tài)等信息。在對風機進行精確的狀態(tài)評估，以及對風場的運維和使用進行智能化管理時，需要綜合分析和應用以上的信息。

由于風機的狀態(tài)評估涉及的子系統(tǒng)和功能點十分繁多，這里選一些功能的實現(xiàn)方法，結合前文提到的3R與3C的分析方法，從部件級、設備級和系統(tǒng)級等不同應用層面進行闡述。

部件級：以風機自身的歷史數(shù)據(jù)來源為基礎的狀態(tài)評估

基于實體系統(tǒng)中不同的數(shù)據(jù)來源為基礎的比較（Comparison）是以數(shù)據(jù)為驅動的風機狀態(tài)精確管理的實現(xiàn)手段。前文中我們介紹了不同的數(shù)據(jù)源對應的不同比較維度，包括在時間維度上比較自身狀態(tài)的變化，以及在集群維度上比較與其他個體的差異性。

首先來介紹以自身的歷史數(shù)據(jù)為數(shù)據(jù)源在時間維度上比較自身狀態(tài)變化的方法。SCADA數(shù)據(jù)中有很豐富的環(huán)境參數(shù)和狀態(tài)參數(shù)，這些參數(shù)之間有很強的空間分布模式相關性，這種相關性是非線性的，且某一參數(shù)變化時其他參數(shù)的變化響應速度也不同（例如轉速上升時，振動最先變大，而溫度的上升則很慢）。

因此用傳統(tǒng)的物理建模手段很難進行精確的管理。應當利用固定時間窗內數(shù)據(jù)建立的模型進行差異對比，通過對差異性的量化評估和管理就能夠達到對風機健康管理和故障預測的目的。

以風機歷史數(shù)據(jù)為來源的狀態(tài)評估方法

設備級：以同類設備為基礎的狀態(tài)評估

前一種以自身歷史數(shù)據(jù)為來源的狀態(tài)評估方法需要充分的歷史數(shù)據(jù)建立設備狀態(tài)的基線模型，但是基線模型在建立過程中會受到數(shù)據(jù)樣本是否充分、工況是否完全、數(shù)據(jù)質量是否良好等許多因素的影響。

然而，由于風場大多數(shù)風機的地理位置相近，環(huán)境狀況也十分相似，因此可以比較風機集群運行特征的分布，找到與大多數(shù)風機特征分布偏差較大的風機，從而補償單機狀態(tài)評估模型的準確率。這樣以集群作為比較性的基礎方式，就能夠以與集群相比的平均功率損失作為風機性能精確評估的結果。

以集群數(shù)據(jù)為來源的狀態(tài)評估方法

系統(tǒng)級：基于結果推演的決策優(yōu)化

在對風機的狀態(tài)進行精確評估的基礎上，如何綜合狀態(tài)信息、環(huán)境信息和維護資源等信息，對維護計劃的決策進行優(yōu)化，也是智能管理和使用的重要方面。風場的維護是一項非常復雜的工作，尤其是建設在海上的風場，維護需要調用船舶、直升機、海工船等特殊設備，成本更加高昂，維修周期更長。由于風機運行環(huán)境較惡劣，風資源的隨機性、風場多地處偏遠地區(qū)等客觀因素，進行人工的狀態(tài)監(jiān)控和維護排程難以實現(xiàn)風能利用的最大效率。

風場的運維策略和排程的優(yōu)化需要綜合考慮許多的因素，包括風機的當前健康狀態(tài)、維護機會窗口、對未來幾天內風資源的預測、維護資源的可用性、維護人員的數(shù)量和技能、船舶的路徑和成本、海上天氣狀況等多個維度的關鍵因素。在對風資源的精確預測基礎上結合維護需求信息，在風資源較弱的時刻進行維護，而在風資源好的情況下盡可能運轉發(fā)電。針對每個維修任務，可以由多個可用的維修團隊選擇乘坐多個可用的維修船只進行維修，這增加了系統(tǒng)維修排程安排的靈活性，有利于降低成本，但同時也擴大了搜索和推演范圍，使問題變得更加復雜。

IMS開發(fā)了面向海上風場中短期運維計劃排程的解決方案，采用了多層次化的決策體系，針對海上風場維修任務的特點，充分考慮船只、天氣、維修人員、維修次序、風機健康狀況、航行費用等因素，建立了風場維護排程優(yōu)化的推演和決策環(huán)境，簡而言之，即能夠靈活適應安排M個維修船只和N個維修團隊去完成P個不同的維修任務。通過維修排程優(yōu)化，使整個維修過程中由于風功率損失和資源使用造成的成本達到最小。以某海上風場中對17個維護任務進行排程優(yōu)化為例，優(yōu)化后的排程計劃在執(zhí)行推演中預測的成本，比沒有進行優(yōu)化的維護計劃成本降低了30%以上。

除此以外，基于整個風場的歷史數(shù)據(jù)統(tǒng)計和維護成本分析，還可以為決策者提供有針對性的改善建議，比如當出現(xiàn)某個零部件的故障發(fā)生頻率高、平均故障時間長的情況，可以反饋到供應商，以對產品的可靠性進行改善，從而優(yōu)化風電行業(yè)產業(yè)鏈的價值。

結 語

智能化是“數(shù)據(jù)—信息—知識—價值”的轉變過程。在這個轉變過程中，數(shù)據(jù)和信息是信息時代的產物，知識和價值才是智能化時代的關鍵。當“知識化”與城市、工廠、社區(qū)、醫(yī)療相結合，就形成了智慧城市、智慧工廠、智慧社區(qū)、智慧醫(yī)療……而這些恰恰回答了智能化有什么用的問題，即智能化通過知識化的創(chuàng)新應用，將知識切切實實地轉化為了社會生產力，進而帶動整個國家在經濟、社會、公共服務等各領域的轉型與發(fā)展。