适用于工业4.0和大数据环境的服务创新和智能分析技术研究

林尔迅

（广东电网有限责任公司中山供电局，广东中山528400）

0 引言

在当今竞争激烈的商业环境中，很多公司在应对快速决策的大数据问题方面面临着挑战。由于缺乏智能分析工具，许多制造系统还没有准备好管理大数据。德国正在引领基于网络物理系统制造和服务创新的第四代工业革命（工业4.0）的转型。随着越来越多的软件和嵌入式智能集成在工业产品和系统中的应用，预测技术可以进一步将智能算法与电子和无接触智能相结合，然后这些技术将用于预测产品性能下降，并自主管理和优化产品服务需求。

如今，智能工厂主要关注以控制为中心的优化和智能。此外，通过与对机器性能有直接影响的不同周围系统进行交互，可以实现更高的智能。与周围系统的这种无缝交互可将常规机器转变为自我感知和自学习机器，从而提高整体性能和维护管理水平。尽管自主计算方法已经在计算机科学中成功实施，但自学习机器仍远未在当前得到实现。从今天的状态转变为更智能的机器要通过解决几个基本问题来进一步推进。这些问题可分为以下五个不同类别：

（1）经理和运营商互动。目前，运营商控制机器，经理设计物流计划，机器仅执行分配的任务。虽然这些任务通常有专业操作员和管理人员优化，但这些决策中缺少一个非常重要的因素——机器组件的健康状况。

（2）机器队列。对于不同的任务，类似或相同的机器（机器队列）暴露于完全不同的工作条件是很常见的。相反，大多数预测和预后方法都是为了支持单个或有限数量的机器和工作条件。目前，可用的预后和健康管理方法没有利用通过从不同实例收集的有价值的知识将这些相同的机器视为队列。

（3）产品和工艺质量。作为制造过程的最终结果，产品质量可通过后向推理算法提供对机器状况的深入了解。产品质量可以为系统管理提供反馈，可用于改进生产计划。目前，这种反馈循环不存在，需要进一步研究。

（4）大数据和云。大数据环境中的数据管理和分发对于实现自我感知和自学习机器至关重要。利用云计算提供的额外的灵活性和功能的重要性不言而喻，但调整预测和健康管理算法以有效实施当前数据管理技术需要进一步的研究和开发。

（5）传感器和控制器网络。传感器是机器感知周围物理环境的门户，但是传感器故障和退化可能会将错误且不准确的读数传递给决策算法，从而导致错误的结果。

1 工业4.0时代的趋势和未满足的需求

新技术的涌现保护了行业发展，从早期采用机械系统到支持生产流程，再到当今高度自动化的装配线，方便了对当前动态市场需求做出响应和适应。在工业4.0概念下，信息技术和社交媒体网络的进步及其应用范围的惊人增长已经越来越多地影响着消费者对产品创新、质量、品种和交付速度的看法，这就需要建立具有自我意识、自我预测、自我比较、自我重构和自我维护能力的工厂。伴随着这项新技术，两种创新发展受到了学术界和工业界的更多关注——服务创新和工业大数据。在本节中，将讨论关于这两个主题的研究。

1.1 制造业服务化和创新

经济基础为制造业的许多发达国家都在努力转变经济发展模式，它们受到了新兴市场和全球制造业供应链的威胁。因此，制造企业不仅寻求制造技术创新，而且也开始关注服务的归纳和推动。

Vandermerve和Rada于1988年提出了服务化，他们强调以客户为中心的理念，提出产品、服务、支持和知识是最重要的元素。此外，不仅服务业，还有制造业应该专注于创新的增值服务发展，以便快速提升其核心竞争力。贝恩斯支持将制造服务化定义为组织能力和流程的创新，从产品销售到集成产品服务。

服务化被定义为组织的能力和流程的战略创新，从销售产品转向销售提供使用价值的集成产品和服务，即产品服务系统。产品服务系统（PSS）的概念是服务化的特例。Mont将PSS定义为产品、服务、支持网络和基础设施系统，旨在提高竞争力，满足客户需求，并且其比传统商业模式环境影响更小。在PSS业务模型中，行业开发具有增值服务的产品而不是单个产品本身，并为其客户提供所需的服务。在这种关系中，制造商的市场目标不是一次性产品销售，而是通过总体服务解决方案从客户那里持续获利，这可以满足未满足的客户需求。

1.2 工业大数据环境

大数据一直在数据挖掘中，因为人类生成的内容已经成为社交网络的推动力。2004年底以来也被称为Web2.0时代，许多研究机构和公司都致力于这一新课题的研究，其中大部分都专注于社会或商业数据采集，这包括销售预测、用户关系挖掘、聚类、推荐系统和意见挖掘等。然而，这项研究的重点是“人为或人为相关数据”，而不是“机器生成数据或工业数据”，其中可能包括机器控制器、传感器、制造系统等。

在上述工业4.0时代，智能分析和网络物理系统相互结合，实现了生产管理和工厂转型的新思路。使用适当的传感器，可以提取各种信号，例如振动、压力等；此外，可以收集历史数据以进行进一步的数据挖掘；通信协议可以帮助用户记录控制器信号。当汇总所有数据时，此合并称为“大数据”，而将大数据实际处理成有用的信息是工业4.0工厂内可持续创新的关键。

2 适用于工业大数据环境的自我感知和自我维护机器

对于机械系统，自我意识意味着能够评估机器的当前或过去状况，并对评估输出作出反应。可以通过使用数据驱动算法来分析从给定机器及其周围环境收集的数据/信息来执行这种健康评估。可以将实时机器的状态反馈给机器控制器以进行自适应控制，并根据机器管理器的反馈及时进行维护。然而，对于大多数工业应用特别是机器队列而言，机器的自我意识仍远未实现。当前的诊断或预测算法通常用于特定的机器或应用，并且不具有足够的适应性或灵活性以处理更复杂的信息。

自我感知机器尚未完全实现的原因总结如下：

（1）缺乏紧密耦合的人机交互：机器状态和性能的主要影响因素是人工操作和管理。任务设计和调度会极大地影响生产力和生产质量。当前机器只能被动地听取操作员的命令并做出反应，即使分配的任务对于其当前状况不是最佳的。另一方面，更智能的机器系统应该能够主动建议任务安排并调整操作参数，以最大化实现生产率和产品质量。

（2）缺乏自适应学习和充分利用可用信息的能力：PHM系统由于适应性低而无法在业界广泛实施，最终导致健康监测算法缺乏稳健性。这个现象背后的问题是，对于PHM系统，开发和实施通常是分开的。PHM算法是通过实验收集的数据开发的，除非经过专家的重新培训，否则在实施过程中不会发生变化。在大多数情况下，该算法仅使用预定义的过程处理来自真实机器的状态监视数据，而不试图从中学习。这种情况远非最佳，因为从现场机器收集的实时数据通常来自更多的机器单元并且持续时间更长，这意味着它包含比实验室生成的数据更多的信息。能够从这些数据中学习的算法将能够实现用于处理不同情况的最佳灵活性和鲁棒性。

为了解决上述研究差距，本文设计了一种用于自我感知和自我维护机器的统一网络——物理系统框架，该框架可以更有效地从大数据中提取有意义的信息，并进一步执行更智能的决策。该框架包括：先前和当前收集的状态监测（CM）数据、控制器参数、数字化机器性能（例如产品质量测量）、机器和组件配置、型号信息、利用历史、正在执行的任务、人类行为（包括维护活动、人为控制的操作参数和使用模式）。

在网络（计算）空间中，首先，需要正确定义数据和信息格式，以便记录和管理从物理空间收集的信息。其次，网络空间旨在能够总结和积累关于机器退化的知识，以便这些知识用于新机器的健康评估。最后，健康评估结果应及时反馈到物理空间，以便采取适当的行动。

机器健康意识分析与自学知识库：与大多数面向控制或模拟的现有CPS不同，本设计的CPS使用知识库和相关算法来表示物理世界中的机器退化和性能行为，机器健康意识分析旨在完成此类任务。使用自适应学习和数据挖掘算法，可以自动填充表示机器性能和退化机制的知识库，知识库能够随着新数据的增长而完善，最终提高其保真度和表现现实世界机器中复杂工作条件的能力。针对从机器收集的数据样本和相关信息，将使用专门设计的知识提取算法进行水平（机器到机器）和垂直（不同时间）比较。每当需要特定机器的健康信息时，知识库将为健康评估和预测算法提供必要的信息。由于知识库的全面性，PHM算法可以更灵活地处理前所未有的事件，并且更准确地生成PHM结果。

算法方面，使用无监督学习算法，如自组织映射（SOM）和高斯混合模型（GMM），可用于自主创建不同工作制度和机器条件的集群。自适应聚类方法利用了在线更新机制，应用此算法将最新输入与现有聚类进行比较，并尝试使用多维距离测量来识别与输入样本最相似的一个聚类。

搜索类似的集群可以以两个结果结束：

（1）找到类似的集群。那么从中收集样本的机器将被标记为具有由所识别的集群定义的健康状况。同时，根据现有集群与最新样本之间的偏差，算法将使用来自最新样本的新信息更新现有集群。

（2）没有找到类似的群集。则算法将使用当前样本保持其操作，直到它看到足够数量的簇外样本。当集群外样本的数量超过一定量时，意味着存在尚未建模的机器的新行为，因此算法将自动创建新群集以表示此类新行为。聚类算法可以适应新条件。此外，自我成长集群将被用作拟议网络空间中健康评估的知识库，利用这种机制，可以在知识库中累积不同的机器性能行为，并用于将来的健康评估。

3 结语

本文设计了一种用于自我感知和自我维护机器的统一网络物理系统框架，该框架可以更有效地从大数据中提取有意义的信息，并进一步执行更智能的决策。