背景介紹

賽博制造（Cybermanufacturing）的提出，是為了解決當下大規(guī)模制造系統(tǒng)普遍缺乏強韌性（resilience）的問題[1]。從設備維護的角度來說，強韌性指的是制造系統(tǒng)在變化環(huán)境中持續(xù)提供穩(wěn)定生產(chǎn)力的能力。以傳統(tǒng)的生產(chǎn)管理模式管理工業(yè)資產(chǎn)，不僅無助于提高強韌性，成本也往往高昂而難以察覺。從工業(yè)資產(chǎn)管理的角度來看，傳統(tǒng)制造系統(tǒng)強韌性差、維護成本高的直接原因主要有兩點：

一是“失去了的生產(chǎn)機會”。如果在設備數(shù)量增加時，企業(yè)仍然遵循傳統(tǒng)的周期性或應激式維護方式，非預期的故障停機將不可避免。故障停機時間原本可以用來進行生產(chǎn)，故而停機的成本是這段時間沒有被生產(chǎn)的產(chǎn)品所應創(chuàng)造的價值。

二是“看不見的維護支出”。在生產(chǎn)活動中，企業(yè)為了保證生產(chǎn)的連續(xù)性，往往會準備大量的備品備件，對關(guān)鍵設備甚至會準備備用設備。然而，在生產(chǎn)設備正常運行時，備品備件與備用設備造成了庫存閑置，浪費了本可以節(jié)省的庫存空間資源和土地資源。另外，備用設備也需要維護，也存在發(fā)生非預期故障的風險，設置備用設備還要支付額外的維護成本。

究其根本，造成以上兩點的痛點是生產(chǎn)任務與設備健康之間缺乏聯(lián)系。不清楚設備的健康狀態(tài)便直接分配生產(chǎn)任務，就有可能將過多的生產(chǎn)任務分配給已經(jīng)衰退的、生產(chǎn)能力下降的設備，進而加速其劣化，造成非預期故障。不清楚設備的健康狀態(tài)便直接進行設備維護維修，就沒辦法抓住更換劣化元件的最佳時機——換太早，便浪費了元件；太晚，又造成故障停機。

目標

賽博制造的目標是建立生產(chǎn)任務與設備健康之間的聯(lián)系，提高制造系統(tǒng)強韌性。傳感技術(shù)與工業(yè)通訊標準的進步使得越來越多的生產(chǎn)設備實現(xiàn)互聯(lián)，而數(shù)據(jù)價值不斷受到重視的趨勢也讓制造系統(tǒng)成為名副其實的大數(shù)據(jù)環(huán)境。賽博制造所利用的便是互聯(lián)的相似設備之間有條件的可比性，通過對等相較（peer comparison）來評估主件健康狀態(tài)、分析風險，并據(jù)此來優(yōu)化生產(chǎn)任務的分配。對比傳統(tǒng)制造系統(tǒng)基于機器的、應激式的、以控制為主導的自上而下生產(chǎn)管理模式，賽博制造是基于實證的、預防性的、以數(shù)據(jù)洞察為主導的自下而上生產(chǎn)管理模式，如圖 2所示[1][2]。

圖2. 基于“信息物理系統(tǒng)（CPS）”的賽博制造基本框架[2]

核心技術(shù)

賽博制造的核心技術(shù)之一是基于群組（fleet）的預測性建模。所謂群組，即上文所提到的相似設備的集合。設備的相似性可以至少從四方面考慮：型號，功能，環(huán)境，與工況。在采集到這四類信息后，群組的劃分可以采用聚類（clustering）的方法，將相似性信息作為輸入，分群標識作為輸出。由于設備的環(huán)境與工況可能會動態(tài)改變，聚類過程需要具備動態(tài)自調(diào)整的功能以適應這種改變，如圖 3所示[2]。

圖3. 動態(tài)群組聚類方法[2]

基于群組的預測模型相比單機的預診方法具有更合適、更全面的基線信息，故而預測的準確率相較于單機模型而言更高。同時，對等相較也能讓用戶發(fā)現(xiàn)單機預診無法發(fā)現(xiàn)的問題，為設備健康分析建模拓展了除時間之外的另一個維度[3]。

案例分享

基于群組的預測性建模技術(shù)在風電[4]、工業(yè)機械手臂[5]等領域均有應用，通用性強。

在IMS中心與一家知名汽車生產(chǎn)制造商合作的項目中，驗證了基于群組的故障檢測模型的優(yōu)越性。像上文提到的，建立基于群組的模型的基本方法是，將與機器相似性相關(guān)的變量進行聚類來重新組成多個本地集群。之后，以組內(nèi)數(shù)據(jù)為基線進行故障檢測。具體如圖 4，對于機械手臂，聚類分析的輸入是機械手臂的參數(shù)設定、控制信號等數(shù)據(jù)，聚類后對每組內(nèi)的機械手臂用所在本地集群的基線進行建模。經(jīng)過與單機模型的比較發(fā)現(xiàn)，本地集群模型的檢測準確率均與單機模型的準確率相當或者更高，如表 1所示。結(jié)果同時也說明，在本地集群內(nèi)樣本數(shù)量足夠時，基線對于單機模型才有優(yōu)勢。這確定了基于群組預診模型的應用場景是樣本數(shù)量足夠的互聯(lián)群組預診。

圖4. 基于群組的故障檢測方法[5]

基于群組建模相對于單機模型優(yōu)勢除了在大規(guī)模應用中的高準確率之外，還包括其高度可規(guī)模性。傳統(tǒng)的單機模型在建模時需要累積大量的歷史數(shù)據(jù)，而且即便建模之后，在規(guī)?；瘯r不同個體間的差異性也很容易導致模型性能下降。而基于群組建模的方法以在大量機器中尋找差異最小個體，并將其分群的方式從根本上降低了差異性的影響，使得本地集群基線能夠更加準確地反應組內(nèi)個體的健康狀態(tài)，極大增強了模型可規(guī)模性。這一特性也使得基于群組的預測性建模方法成為IMS中心“信息物理系統(tǒng)”（CPS）框架中網(wǎng)絡層（Cyber Level）的重要組成部分之一[6]，為天澤智云實現(xiàn)即插即用的一站式預診解決方案（turn-key prognostics solution）奠定了理論基礎。

參考資料

[1]J.Lee, B. Bagheri, and C. Jin, “Introduction to cyber manufacturing,” Manuf.Lett., vol. 8, pp. 11–15, 2016.

[2]C.Jin, D. Djurdjanovic, H. D. Ardakani, K. Wang, M. Buzza, B. Begheri, P. Brown,and J. Lee, “A comprehensive framework of factory-to-factory dynamicfleet-level prognostics and operation management for geographically distributedassets,” in 2015 IEEE International Conference on Automation Science andEngineering (CASE), 2015, pp. 225–230.

[3]C.Jin, “Cyber Physical Systems-Enabled Prognostics for Fleet-based Systems,” in IMSCenter 29th Industry Advisory Board Meeting, 2015.

[4]E.R. Lapira, H. Al-Atat, and J. Lee, “Turbine-to-turbine prognostics techniquefor wind farms,” 12-Nov-2012.

[5]E.R. Lapira, “Fault detection in a network of similar machines using clusteringapproach,” University of Cincinnati, 2012.

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