本文參考自李杰(Jay Lee), Behrad Bagheri , Hung-An Kao編寫(xiě)的論文：《A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems 》

??前言：當(dāng)今工業(yè)未滿足的用戶(hù)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(lài)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(tīng)”已經(jīng)停產(chǎn)，取而代之的是個(gè)性化的音樂(lè)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(lài)于經(jīng)驗(yàn)的人的判斷。

　　反觀工業(yè)系統(tǒng)，類(lèi)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(hù)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(guò)對(duì)機(jī)器數(shù)據(jù)潛在模型狀態(tài)的識(shí)別與預(yù)測(cè)來(lái)為用戶(hù)提供可執(zhí)行信息，從而發(fā)現(xiàn)隱性問(wèn)題來(lái)避免意外停機(jī)，進(jìn)一步提高生產(chǎn)系統(tǒng)效率。PHM是用戶(hù)“摘取低垂果實(shí)(low-hanging fruit)”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(wèn)題、基于單機(jī)的PHM系統(tǒng)已經(jīng)漸漸無(wú)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(chēng)“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)是指從實(shí)體空間的對(duì)象、環(huán)境、活動(dòng)中進(jìn)行大數(shù)據(jù)的采集、存儲(chǔ)、建模、分析、挖掘、評(píng)估、預(yù)測(cè)、優(yōu)化、協(xié)同，并與對(duì)象的設(shè)計(jì)、測(cè)試和運(yùn)行性能表征相結(jié)合，產(chǎn)生與實(shí)體空間深度融合、實(shí)時(shí)交互、互相耦合、互相更新的網(wǎng)絡(luò)空間[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(chē)、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(wú)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(méi)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(wú)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(lái)工業(yè)智能系統(tǒng)的核心組成部分。

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(chēng)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：

CPS的5C架構(gòu)圖

　　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(lái)提取特征，之后通過(guò)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(guò)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)?Data-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(lái)將數(shù)據(jù)轉(zhuǎn)化為用戶(hù)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)的模型狀態(tài)來(lái)進(jìn)行故障檢測(cè)、故障分類(lèi)、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(hù)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)變化工況的強(qiáng)健性。

　　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)、大規(guī)模機(jī)群建模優(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(lèi)，根據(jù)本地集群建立更為符合該集群狀態(tài)的基線來(lái)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(lèi)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(wèn)題。這種離散化提煉后的壽命周期信息將可以在同類(lèi)設(shè)備中廣泛規(guī)模化，使對(duì)只有少量歷史數(shù)據(jù)的同類(lèi)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(hù)發(fā)現(xiàn)單機(jī)PHM無(wú)法發(fā)現(xiàn)的隱藏問(wèn)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(hù)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(hù)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(hù)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(hù)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(cyber twin)”。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(hù)同時(shí)主動(dòng)作用于實(shí)體系統(tǒng)，延長(zhǎng)使用壽命并且避免非預(yù)期的故障停機(jī)，實(shí)現(xiàn)無(wú)憂生產(chǎn)，為用戶(hù)創(chuàng)值。

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(guò)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(lèi)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(lái)，機(jī)器就可以通過(guò)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(peer comparison)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(kāi)發(fā)新的方法來(lái)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]:

快照收集

（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(lái)講，為了減少所需的磁盤(pán)空間和過(guò)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(guò)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(lái)，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。

（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(lái)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(lái)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。

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(lái)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)從組件和機(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(wú)憂和近似零意外停機(jī)，而且為工廠管理提供了優(yōu)化的生產(chǎn)計(jì)劃和庫(kù)存管理計(jì)劃。

結(jié)語(yǔ)

　　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(guò)更智能地工業(yè)大數(shù)據(jù)預(yù)測(cè)性分析來(lái)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(wú)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 FutureMaintenance & 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]李杰(Jay Lee)等，《工業(yè)大數(shù)據(jù)》

[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 (sutc2008), 2008, pp. 1–9.

[5]K. Sampigethaya and R. Poovendran,“Aviation cyber–physical systems: foundations for future aircraft and airtransport,” 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, “ACyber-Physical Systems architecture for Industry 4.0-based manufacturing systems,” Manuf. Lett., vol. 3, pp. 18–23, 2015.

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

[11] A. Foster, “Why the Industrial IoT Needsan 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, “Acyber-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 productperformance 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, “Asimilarity-based prognostics approach for remaining useful life estimation ofengineered systems,” in Prognostics and Health Management, 2008. PHM 2008.International Conference on, 2008, pp. 1–6.