1 前言：當(dāng)今工業(yè)未滿足的用戶需求

如果我們跳脫當(dāng)前的時(shí)間點(diǎn)觀察互聯(lián)網(wǎng)出現(xiàn)并被推廣的這幾十年，會(huì)發(fā)現(xiàn)我們的生活發(fā)生了翻天覆地的變化：看天氣不再依賴電視的天氣預(yù)報(bào)，而是手機(jī)上精確到小時(shí)的氣象軟件；識(shí)別方向不再用紙質(zhì)地圖或指南針，了解交通信息也不再靠交通廣播，導(dǎo)航軟件不僅能提供路線信息，還能根據(jù)實(shí)時(shí)交通狀況及時(shí)更新路線；黑膠唱片已經(jīng)成為懷舊的文藝符號(hào)，曾經(jīng)風(fēng)靡一時(shí)的“隨身聽”已經(jīng)停產(chǎn)，取而代之的是個(gè)性化的音樂推薦與不斷更新的流行曲目推送?；ヂ?lián)網(wǎng)在大眾消費(fèi)領(lǐng)域的應(yīng)用徹底改變了人與信息的交互方式。它連接了曾經(jīng)信息孤島般的個(gè)體，用實(shí)時(shí)的、基于實(shí)證的智能分析取代了離線的、依賴于經(jīng)驗(yàn)的人的判斷。

反觀工業(yè)系統(tǒng)，類似的革新雖在孕育，但尚未發(fā)生。企業(yè)為了提高效率、降低成本，最初走的是加強(qiáng)人對(duì)工業(yè)資產(chǎn)管理的路。隨著預(yù)防性維護(hù)與全生產(chǎn)維護(hù)（Total Productive Maintenance）概念在1951年的提出[1]，工業(yè)生產(chǎn)由以質(zhì)量為目標(biāo)、企業(yè)為中心的制造轉(zhuǎn)變?yōu)橐詣?chuàng)值為目標(biāo)、用戶為中心的服務(wù)。觀念的轉(zhuǎn)變使利用數(shù)據(jù)分析做預(yù)診斷與健康管理（PHM）的工業(yè)資產(chǎn)管理解決方案在企業(yè)內(nèi)逐漸受到重視[2]。PHM系統(tǒng)能夠通過對(duì)機(jī)器數(shù)據(jù)潛在模態(tài)的識(shí)別與預(yù)測(cè)來為用戶提供可執(zhí)行信息，從而發(fā)現(xiàn)隱性問題來避免意外停機(jī)，提高生產(chǎn)系統(tǒng)效率。PHM是用戶“摘取低垂果實(shí)”的有效方法。但隨著信息通信技術(shù)（ICT）在近幾年的迅猛發(fā)展，工業(yè)制造系統(tǒng)互聯(lián)化勢(shì)在必行，而傳統(tǒng)的基于問題、基于單機(jī)的PHM系統(tǒng)已經(jīng)漸漸無法滿足快速規(guī)模化的需求。在工業(yè)互聯(lián)網(wǎng)環(huán)境中，信息物理系統(tǒng)（cyber-physical systems, 以下簡(jiǎn)稱“CPS”）將助力PHM，在工業(yè)生產(chǎn)中發(fā)揮更大的效用 。

信息物理系統(tǒng)是建構(gòu)自、且依賴于計(jì)算機(jī)算法與實(shí)體元件無縫融合的工程系統(tǒng)[3]。CPS的實(shí)現(xiàn)將革新人與工程系統(tǒng)的交互方式，就像互聯(lián)網(wǎng)革新我們的生活一樣。CPS的理論雖然還在發(fā)展中，但其一經(jīng)提出便在當(dāng)下求變心切的工業(yè)界中引起關(guān)注[4]–[8]。原因之一，是CPS應(yīng)用的廣泛性：能源、航空、汽車、醫(yī)療等等，CPS的理論框架能夠應(yīng)用在幾乎所有工業(yè)領(lǐng)域，可能成為這些行業(yè)顛覆性的重要變革技術(shù)；原因之二，是CPS能夠彌補(bǔ)傳統(tǒng)建模分析方法的不足。這種不足體現(xiàn)在兩點(diǎn)：一是傳統(tǒng)的分析方法無法實(shí)時(shí)準(zhǔn)確地描述實(shí)體系統(tǒng)與模型間復(fù)雜而動(dòng)態(tài)的關(guān)系，這導(dǎo)致了模型在實(shí)體系統(tǒng)狀態(tài)變化時(shí)沒有辦法準(zhǔn)確預(yù)測(cè)實(shí)體系統(tǒng)行為；二是傳統(tǒng)的基于單機(jī)設(shè)計(jì)的模型無法適應(yīng)層級(jí)分布式、高度暫態(tài)化的互聯(lián)工業(yè)系統(tǒng)。在工業(yè)資產(chǎn)管理領(lǐng)域，CPS將能夠?qū)崟r(shí)跟蹤實(shí)體系統(tǒng)的性能變化并預(yù)測(cè)其健康狀態(tài)，有潛力為工業(yè)系統(tǒng)提供自知（self-awareness）、自較（self-comparison）、甚至自愈（self-maintenance）的能力，成為未來工業(yè)智能系統(tǒng)的核心組成部分。

2 CPS的“5C”體系架構(gòu)

CPS的架構(gòu)主要包含兩個(gè)主要部分：一是先進(jìn)的工業(yè)設(shè)備的連通性，以保證數(shù)據(jù)實(shí)時(shí)地在實(shí)體空間與網(wǎng)絡(luò)空間之間流動(dòng)；二是智能的數(shù)據(jù)分析技術(shù)，以構(gòu)筑網(wǎng)絡(luò)空間。然而，與通常意義的數(shù)據(jù)分析不同，CPS更加強(qiáng)調(diào)實(shí)體空間與網(wǎng)絡(luò)空間的互相依存關(guān)系，而這種關(guān)系在實(shí)體空間上的體現(xiàn)便是連通性，在網(wǎng)絡(luò)空間上的體現(xiàn)便是智能的數(shù)據(jù)分析。根據(jù)CPS的特點(diǎn)，其體系架構(gòu)主要可以設(shè)計(jì)為由五個(gè)層級(jí)構(gòu)成，簡(jiǎn)稱為“5C”架構(gòu)[9], [10]。這個(gè)架構(gòu)為建立工業(yè)場(chǎng)景中的CPS系統(tǒng)提供了理論支持與參考?！?C”結(jié)構(gòu)具體如下：

智能感知層（Smart Connection Level）。智能感知層作為網(wǎng)絡(luò)空間與實(shí)體空間交互的第一層，肩負(fù)著建立連通性的使命。這一層主要負(fù)責(zé)數(shù)據(jù)的采集與信息的傳輸，其可能的形式之一是，利用本地代理在機(jī)器上采集數(shù)據(jù)，在本地做輕量級(jí)的分析來提取特征，之后通過標(biāo)準(zhǔn)化的通訊協(xié)議將特征傳輸至能力更強(qiáng)的計(jì)算平臺(tái)。值得一提的是，由于工業(yè)設(shè)備對(duì)智能分析運(yùn)算的及時(shí)性要求非常高，原始數(shù)據(jù)體量龐大傳輸成本高，且其中包含大量的知識(shí)產(chǎn)權(quán)信息，在這一層直接將所有原始數(shù)據(jù)傳輸至云端分析不僅成本高昂，而且風(fēng)險(xiǎn)巨大。與原始數(shù)據(jù)相比，特征是提煉后的診斷信息，維度更小，其經(jīng)過處理后可以在保留診斷信息的情況下最大程度隱匿知識(shí)產(chǎn)權(quán)信息。顯然，將特征而非數(shù)據(jù)作為本地與云端的交互媒介更為合理。隨著邊緣計(jì)算、霧運(yùn)算、與云運(yùn)算協(xié)同工作機(jī)制的不斷完善[11]，智能感知層的將可以自動(dòng)為復(fù)雜的預(yù)測(cè)性分析提供“有用信息”，成為網(wǎng)絡(luò)空間的數(shù)字化入口。

數(shù)據(jù)信息轉(zhuǎn)換層/信息挖掘?qū)樱―ata-to-information Conversion Level）。在數(shù)據(jù)導(dǎo)入后，需要對(duì)其進(jìn)行預(yù)測(cè)性分析來將數(shù)據(jù)轉(zhuǎn)化為用戶可執(zhí)行的信息。在這一層，PHM技術(shù)發(fā)揮著核心作用。根據(jù)不同的工業(yè)場(chǎng)景，機(jī)器學(xué)習(xí)與統(tǒng)計(jì)建模的算法可以識(shí)別數(shù)據(jù)的模態(tài)來進(jìn)行故障檢測(cè)、故障分類、與故障預(yù)測(cè)。高維的數(shù)據(jù)流將被轉(zhuǎn)化為低維的、可執(zhí)行的實(shí)時(shí)健康信息，為用戶迅速做決策提供實(shí)證支持。由于工業(yè)大數(shù)據(jù)本身“3B”的特點(diǎn)[10]，即數(shù)據(jù)質(zhì)量差、碎片化、場(chǎng)景性強(qiáng)的特點(diǎn)，這一層能夠有效作用的關(guān)鍵是算法場(chǎng)景化的快速，以及適應(yīng)變化工況的魯棒性。

網(wǎng)絡(luò)層（Cyber Level）。網(wǎng)絡(luò)層是整個(gè)CPS的核心。它是“5C”體系架構(gòu)的信息集散中心，也是發(fā)揮CPS對(duì)于互聯(lián)、大量機(jī)器建模優(yōu)勢(shì)的關(guān)鍵層。在網(wǎng)絡(luò)層中，基于群組的預(yù)診斷技術(shù)可以將大量相似設(shè)備的信息進(jìn)行聚類，根據(jù)本地集群建立更為符合該集群狀態(tài)的基線來進(jìn)行預(yù)測(cè)。同時(shí)，“時(shí)間機(jī)器”技術(shù)將可以離散化設(shè)備壽命周期，記錄某類設(shè)備健康狀態(tài)變化在壽命周期中的時(shí)機(jī)，以及可能出現(xiàn)的問題。這種離散化提煉后的壽命周期信息將可以在同類設(shè)備中廣泛規(guī)模化，將使對(duì)只有少量歷史數(shù)據(jù)的同類設(shè)備建模速度極大提升。同時(shí)，對(duì)等相較（peer comparison）的建模技術(shù)也可以讓用戶發(fā)現(xiàn)單機(jī)PHM無法發(fā)現(xiàn)的隱藏問題，從而優(yōu)化設(shè)備的使用方式，延長(zhǎng)設(shè)備使用壽命。

認(rèn)知層（Cognition Level）。CPS在這一層將綜合前兩層產(chǎn)生的信息，為用戶提供所監(jiān)控系統(tǒng)的完整信息。這一層CPS應(yīng)該提供設(shè)備維護(hù)的可執(zhí)行信息：機(jī)器總體的性能表現(xiàn)機(jī)器預(yù)測(cè)的趨勢(shì)，潛在的故障，故障可能發(fā)生的時(shí)間，需要進(jìn)行的維護(hù)，以及最佳的維護(hù)時(shí)間。

配置層（Configuration Level）。根據(jù)認(rèn)知層提供的信息，用戶或者控制系統(tǒng)將要對(duì)設(shè)備實(shí)體進(jìn)行干預(yù)，使其保持在用戶能夠接受的性能范圍之內(nèi)，避免非預(yù)期的故障停機(jī)。這一層是網(wǎng)絡(luò)空間對(duì)實(shí)體空間的反饋，是對(duì)設(shè)備健康狀況的洞察（insight）為用戶創(chuàng)造價(jià)值的關(guān)鍵步驟。

整個(gè)CPS系統(tǒng)以數(shù)據(jù)為載體，建立了實(shí)體設(shè)備的“網(wǎng)絡(luò)孿生”。網(wǎng)絡(luò)孿生能夠?qū)崟r(shí)反映實(shí)體系統(tǒng)的變化并預(yù)測(cè)可能發(fā)生的后果，警示用戶，同時(shí)主動(dòng)作用于實(shí)體系統(tǒng)，延長(zhǎng)使用壽命，避免非預(yù)期的故障停機(jī)，實(shí)現(xiàn)無憂生產(chǎn)，為用戶創(chuàng)值。

3 基于CPS的預(yù)診斷與健康管理

基于網(wǎng)絡(luò)層的故障預(yù)測(cè)與健康管理的優(yōu)勢(shì)在于通過計(jì)算機(jī)的機(jī)器網(wǎng)絡(luò)接口（CPI）與機(jī)器健康分析之間建立相互聯(lián)系，這在概念上類似于社交網(wǎng)絡(luò)。 一旦網(wǎng)絡(luò)層的基礎(chǔ)設(shè)施建立起來，機(jī)器就可以通過網(wǎng)絡(luò)接口登陸網(wǎng)絡(luò)進(jìn)行信息的交換。 此時(shí)，必須建立一個(gè)跟蹤機(jī)器狀態(tài)變化的算法，從歷史信息中尋找附加信息，運(yùn)用對(duì)等相較的方法進(jìn)行比較，并將輸出的信息傳遞到下一層級(jí)。需要開發(fā)新的方法來執(zhí)行這些操作，從而得到合理的結(jié)果。在網(wǎng)絡(luò)層進(jìn)行分析的“時(shí)間機(jī)器”由以下三個(gè)部分組成[12]:

（1）快照收集：信息正不斷地從機(jī)器推向網(wǎng)絡(luò)空間?？煺帐占淖饔檬枪芾韨魅氲臄?shù)據(jù)并以有效的方式存儲(chǔ)信息。從根本上來講，為了減少所需的磁盤空間和過程能力，必須記錄機(jī)器性能、使用歷史和維護(hù)信息的快照，而不是記錄全過程的時(shí)間序列。這些快照只在對(duì)監(jiān)視機(jī)器的狀態(tài)發(fā)生顯著變化后會(huì)被啟用。這種顯著變化在機(jī)器健康、維護(hù)功能或工作狀況上有所體現(xiàn)。在一臺(tái)機(jī)器的生命周期中，這些快照將被累積下來，用于構(gòu)建特定資產(chǎn)的時(shí)間機(jī)器歷史。這種有效的時(shí)間機(jī)器記錄將用于資產(chǎn)之間的點(diǎn)對(duì)點(diǎn)（peer-to-peer）的比較。一旦資產(chǎn)失效或被替代，其相對(duì)時(shí)間機(jī)器記錄的狀態(tài)從活動(dòng)狀態(tài)更改為歷史狀態(tài)，對(duì)于相似性識(shí)別和綜合參考有很大的幫助。

快照收集

（2）相似性識(shí)別：在網(wǎng)絡(luò)層，基于從多臺(tái)機(jī)器獲得信息的能力，在較短時(shí)間內(nèi)捕捉某些故障模式的可能性較高。 因此，相似性識(shí)別部分必須回顧歷史時(shí)間機(jī)器記錄，以計(jì)算當(dāng)前機(jī)器狀態(tài)與前一資產(chǎn)利用率和機(jī)器健康的相似性。在此階段，利用不同的算法與匹配矩陣[13]、軌跡相似方法[14]或各種隨機(jī)方法進(jìn)行匹配。一旦模式匹配，就可以更準(zhǔn)確地預(yù)測(cè)被監(jiān)視系統(tǒng)的預(yù)期運(yùn)行狀態(tài)。

（3）綜合優(yōu)化的預(yù)期步驟：預(yù)測(cè)資產(chǎn)的剩余使用壽命有助于制造型工廠實(shí)施精準(zhǔn)化的維修策略。除此之外，壽命預(yù)測(cè)與歷史時(shí)間機(jī)器的記錄有助于根據(jù)當(dāng)前的機(jī)器健康狀況來提高資產(chǎn)利用效率。相似資產(chǎn)在不同健康階段的歷史使用模式提供所需的信息，以模擬目標(biāo)資產(chǎn)未來可能使用的情況及其結(jié)果。在這些場(chǎng)景中，可以為目標(biāo)資產(chǎn)實(shí)現(xiàn)最高效的利用模式。

4 CPS的5C架構(gòu)在工廠中的應(yīng)用

在工廠中實(shí)施CPS有多個(gè)優(yōu)點(diǎn)，分別體現(xiàn)在組件、機(jī)器和生產(chǎn)系統(tǒng)這三部分中。組件階段，一旦將關(guān)鍵組件的傳感器數(shù)據(jù)轉(zhuǎn)換為信息，每個(gè)組件的網(wǎng)絡(luò)孿生將負(fù)責(zé)捕獲時(shí)間機(jī)器快照，并綜合未來步驟，提供自我意識(shí)和自我預(yù)測(cè)。在下一階段，更先進(jìn)的機(jī)器數(shù)據(jù)，如控制器參數(shù)，將被集成到組件信息中，以監(jiān)視狀態(tài)并生成每臺(tái)特定機(jī)器的網(wǎng)絡(luò)孿生。這些機(jī)器網(wǎng)絡(luò)孿生在CPS的作用下提供額外的自我比較能力。在第三階段（針對(duì)生產(chǎn)系統(tǒng)），聚集的知識(shí)從部件和機(jī)器級(jí)信息自下而上使能自我配置和自我維護(hù)的工廠。這種知識(shí)水平不僅保證了生產(chǎn)無憂和近似零意外停機(jī)時(shí)間，而且為工廠管理提供了優(yōu)化的生產(chǎn)計(jì)劃和庫存管理計(jì)劃。

5 結(jié)語

本文介紹了應(yīng)用于工業(yè)場(chǎng)景的信息物理系統(tǒng)及其5C架構(gòu)。它為制造業(yè)提供了一個(gè)可行和實(shí)用的指導(dǎo)方針，通過更智能得工業(yè)大數(shù)據(jù)預(yù)測(cè)性分析來實(shí)現(xiàn)CPS，以提高產(chǎn)品質(zhì)量和系統(tǒng)可靠性，為實(shí)現(xiàn)無憂生產(chǎn)提供了理論基礎(chǔ)。

參考資料

[1]J. Lee, H. D. Ardakani, S. Yang, and B. Bagheri, “Industrial Big Data Analytics and Cyber-physical Systems for Future Maintenance & Service Innovation,” Procedia CIRP, vol. 38, pp. 3–7, 2015.

[2]J. Lee, C. Jin, Z. Liu, and H. D. Ardakani, “Introduction to Data-Driven Methodologies for Prognostics and Health Management,” in Probabilistic Prognostics and Health Management of Energy Systems, vol. 1, no. 0, S. Ekwaro-Osire, A. C. Gonçalves, and F. M. Alemayehu, Eds. 2017, p. 277.

[3]National Science Foundation, “Program Solicitation: Cyber-Physical Systems (CPS).” [Online]. Available: http://www.nsf.gov/pubs/2015/nsf15541/nsf15541.htm.

[4]L. Sha, S. Gopalakrishnan, X. Liu, and Q. Wang, “Cyber-Physical Systems: A New Frontier,” in 2008 IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing (sutc 2008), 2008, pp. 1–9.

[5]K. Sampigethaya and R. Poovendran, “Aviation cyber–physical systems: foundations for future aircraft and air transport,” Proc. IEEE, vol. 101, no. 8, pp. 1834–1855, 2013.

[6]L. Monostori, “Cyber-physical Production Systems: Roots, Expectations and R&D Challenges,” Procedia CIRP, vol. 17, pp. 9–13, 2014.

[7]L. Wang, M. Törngren, and M. Onori, “Current status and advancement of cyber-physical systems in manufacturing,” J. Manuf. Syst., vol. 37, no. Part 2, pp. 517–527, 2015.

[8]F. Hu, Y. Lu, A. V. Vasilakos, Q. Hao, R. Ma, Y. Patil, T. Zhang, J. Lu, X. Li, and N. N. Xiong, “Robust Cyber-Physical Systems: Concept, models, and implementation,” Futur. Gener. Comput. Syst., vol. 56, pp. 449–475, 2016.

[9]J. Lee, B. Bagheri, and H.-A. Kao, “A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems,” Manuf. Lett., vol. 3, pp. 18–23, 2015.

[10]J. Lee, Industrial Big Data. Mechanical Industry Press, China, 2015.

[11]A. Foster, “Why the Industrial IoT Needs an Open-Source Edge Platform - RTInsights.” [Online]. Available: https://www.rtinsights.com/why-the-industrial-iot-needs-an-open-source-edge-platform/. [Accessed: 06-Aug-2017].

[12]J. Lee, B. Bagheri, and H.-A. Kao, “A cyber-physical systems architecture for industry 4.0-based manufacturing systems,” Manuf. Lett., vol. 3, pp. 18–23, 2015.

[13]D. Djurdjanovic, J. Lee, and J. Ni, “Watchdog Agent—an infotronics-based prognostics approach for product performance degradation assessment and prediction,” Adv. Eng. Informatics, vol. 17, no. 3–4, pp. 109–125, Jul. 2003.

[14]T. Wang, J. Yu, D. Siegel, and J. Lee, “A similarity-based prognostics approach for remaining useful life estimation of engineered systems,” in Prognostics and Health Management, 2008. PHM 2008. International Conference on, 2008, pp. 1–6.