CPS为中国工业智能转型创造新空间

李杰 刘宗长

CPS是美国科学基金会在2006年提出的新技术概念，并将此项技术体系作为新一代技术革命的突破点。同时，德国的“工业4.0”战略也将Cyber-Physical Production System （信息——物理生产系统）作为核心技术，其实质是CPS 在生产系统中的应用体系。无论是德国“工业4.0”战略还是美国CPS计划，都将CPS作为智能化转型的核心技术，并据此设定各自的战略转型目标。

前三次工业革命发展的过程给我们的启示是，每一次科技革命的根本原因在于原有技术体系下的生产要素已经无法满足生产力的发展要求，在这种需求的推动下，新的使能技术的诞生帮助人们突破了限制生产力发展的瓶颈，同时伴随着新的基础设施的发展，新技术的红利得以快速普及。

第四次科技革命被称为“智能化”的革命，需要解决的生产力瓶颈在于技术要素的不可见部分，即人的知识产生和利用效率已经不能满足生产系统的要求，难以实现最优的运行效率和协同。以人的决策为驱动的生产系统中，有很大一部分的价值并没有被释放出来，这主要体现在对知识获取的速度、利用的深度、应用的规模化三个方面的瓶颈。因此，第四次科技革命所要解决的核心问题主要包括：

提升知识作为核心生产要素的生产力边界，使知识的产生、利用和传承效率与规模获得本质的提升。

重新优化生产组织要素的价值链关系，使得整个产业链中的各个环节围绕最终用户的价值交付，以高效的协同方式组织生产活动。

现在层出不穷的技术概念如人工智能、大数据、物联网、工业互联网、云制造等，无不是为了提升知识生产力和价值交付的效率。

中国智能化转型中的三个新机遇

在过去几年中，我们看到中国的工业经济经历了非常严峻的挑战，需求侧的增长动力不足与供给侧产能过剩之间的矛盾非常突出。针对产业链高价值端的需求，中国企业满足能力不足，但在低价值端的供给又严重过剩。形势虽然严峻，但是笔者认为中国的工业转型有三个方向的机遇：

机遇一：从出口低端产品向出口高端制造装备和增值服务转变。在最近十年中，中国制造正在逐步走出依赖低端产品出口的模式，在轨道交通、发电装备、船舶、电力基础设施等高端装备领域已形成了自己的品牌和竞争力。中国在2015年发布的《中国制造2025》，除了着重强调发展十大领域外，还首次提出了将大力发展知识经济和服务型制造业作为转型重点，将装备智能化、过程智能化和服务智能化作为重点发展领域。因此，未来中国不仅要将高铁卖到国外，还有可能输出铁路运营的经验，从铁路的运营服务中获得可持续增长的价值。中国的装备制造企业，也不再仅以卖给客户产品为目标，还会从产品使用场景中的增值服务中获得收入。

机遇二：工业增长模式从对增量的投资向对存量的有效利用转变。中国经济过去30年高速增长的核心动能来源于“从无到有”的需求，因此绝大部分的投入是面向增量的。而现在这一部分的需求已經达到饱和，新的需求转向“从有到精”，即对存量的有效利用。“新旧动能转换”的概念指出，中国经济新常态下的发展动力来源于“增量崛起”与“存量变革”并举：一方面发展以新技术、新产业、新业态和新模式为代表的新动能，同时对于旧动能以产业转型升级和提升发展效率和质量的方式，也可转换为新动能。在新旧动能的转换中，要以知识、技术、信息、数据等新的生产要素作为支撑。因此，GE所提出的“1%的力量”在中国是可行的，即从已有的工业存量中提升1%的效率已是惊人的数字，可实现惊人的成果。所以未来中国的工业增长不能只看百分比增速，还应关注其中有多少增长来自于对存量资源效率的提升，因为这代表着增长的质量。

机遇三：利用新技术不断弥补核心制造知识的缺失，从劳动成本优势向以知识为核心的效率优势转变。2016年到现在，笔者关注到两个有意思的现象：一个是中国作者发表的有关机器学习的论文数量成为世界第一；另一个是中国的ICT产业从业人数成为全球第一。这意味着中国在新一轮竞争中开始具备优势。笔者在《工业大数据》一书中曾经分析过，中国拥有发展工业智能的两个核心资源，即数据与场景。除此以外，中国也逐渐在数据建模能力上积累优势，使得数据转变为知识再应用到具体场景中的速度不断提升。因此可以预见，中国工业的优势将从成本逐渐转变为以知识为核心的制造效率。

然而，想要抓住这一次产业升级的机遇，中国工业还需要克服一些自身的薄弱环节。一直以来，中国工业在标准化和体系化等方面相比德国和美国等制造强国还有一定的差距。要想将大数据、人工智能、工业互联网等新技术应用于工业中，依然离不开体系化的技术建设和系统思维，而这恰恰是CPS之于工业智能所存在的意义。

CPS：中国工业智能化的 新思维与新途径

人工智能≠工业智能

虽然人工智能技术在图像处理和语义识别等领域已经取得了令人惊叹的成就，也成功地解决了一些工业领域中的技术难点问题，但是人工智能技术被体系化地应用于工业系统中，仍然有很长一段路要走。其中最重要的原因是人工智能中还有太多的未知需要探索（surprise）。使用神经网络看似无所不能。我们可以使用不同层数的神经网络，不同密度的网络连接在图像识别上，甚至可以应用在医疗放射图像的分析上，但是如果它们甚至不能自我解释，我们真的可以依靠它们吗？尽管在神经网络的可解释性研究方面已经取得了一些成果，例如从深度神经网络提取基于树的规则、卷积层可视化、特征贡献度、InterpretNet等，但是机器学习的预测从不确定性到相对可控的确定性之间仍然还有很长的距离。

笔者认为，人工智能真正开始被规模化地应用于工业系统中，进而实现工业智能系统，至少需要做到以下3个S：

Standard（标准化）：即如何与现有工业系统的标准化体系相结合，包括方法论、建模过程、数据质量、模型评价、容错机制、基于预测的操作规程、不确定性管理等各方面的标准化。

Systematic（体系化）：在技术层级和应用层级方面的体系化上，需要建立一套协同体系，明确工业智能在部件级、设备级、系统级和社区级等不同层级中的任务边界及相互的接口。

Sustainable（稳定可持续）：与人工智能预测的可解释性和结果的确定性相似，如何能够做到对同一组数据和同一个模型，不同的人用来训练得到的结果都需要是一样的。否则怎么做到制造系统的标准化和一致性管理呢？

以5C（Connection、Conversion、Cyber、Cognition、Configuration）为架构的CPS技术体系在设计之初就考虑了如何能够满足这3个S的要求。

CPS的狭义与广义技术内涵

2006年美国国家科学基金会（NSF）举办了第一届CPS研讨会，会议中对CPS的定义第一次进行了阐述：CPS是网络环境（Cyber Space）中的通信（Communication）、计算（Computation）和控制（Control）与实体系统在所有尺度内的深度融合。这个定义给出了CPS的三个基本元素，也就是我们最常提到的3C技术要素。NSF从功能性的角度阐述了CPS的内涵，即实体系统里面的物理规律以信息的方式来表达。《CPS：新一代工业智能》一书从更加广义的角度赋予了CPS新的内涵：对实体系统内变化性、相关性和参考性规律的建模、预测、优化与管理。

除了功能层面的3C要素，CPS的广义定义还需要从另外3个C与3个R的角度去理解，其中，CPS对实体系统分析和预测的目的与手段可以概括为“3C”：

Comparison（比较性）：从比较过程中获取洞察能力，既包括比较相似性，也包括比较差异性。比较的维度既可以是在时间维度上与自身状態的比较，也可以是在集群维度上与其他个体的比较。这种比较分析能够帮助我们将庞大的个体信息进行分类，为接下来寻找相似中的普适性规律和差异中的因果关系奠定基础。

Correlation （相关性）：如果说物联网是可见世界的连接，那么所连接对象之间的相关性就是不可见世界的连接。对相关性的挖掘是形成记忆和知识的基础，简单的将信息存储下来并不能称之为记忆，通过信息之间的关联性对信息进行管理和启发式的联想才是记忆的本质。相关性同时也促进了人脑在管理和调用信息时的效率。我们在回想起一个画面或是情节的时候，往往并不是去回忆每一个细节，而是有一个如线头一样的线索，牵线头一下就能够引出整个场景。这样的类似记忆式的信息管理方式运用在工业智能中，就是一种更加灵活高效的数据管理方式。

Consequence （因果性）：数据分析的重要目的是进行决策支持，在制定一个特定的决策时，其所带来的结果和影响应该被同等地分析和预测。这是以往的控制系统所不具备的特性，也是智能化的本质。工业系统中的大部分活动都具有很强的目的性，就是把目标精度最大化，把破坏度最小化的“结果管理”。结果管理的基础是预测，例如在现在的制造系统中，如果我们可以预测到设备的衰退对质量的影响，以及对下一个工序质量的影响，就可以在制造过程中对质量风险进行补偿和管理，制造系统的弹性和坚韧性就会增加。

这3个C分别对应了实体空间中的对象、环境与任务的运转基础，又可以用3个R来概括：

Resource（来源）：数据来源可以是历史的数据、传感器的数据，或是人的经验数据，这些数据都可以用一种逻辑的方式形成一种知识模型。同时，Resource也是比较性的基础。

Relationship（关系）：基于比较和相关性的分析，挖掘显性和隐性的关系。例如，半导体的过程监测中有上百个传感器数据，但是从历史报警的信息，可以利用贝叶斯网络建立传感器的关系图谱，最后发现上百个传感器中只有5个传感器与历史报警有很强的相关性，那么只用这5个传感器的组合就可以管理所有传感器数据所代表的状态。

Reference（参考）：参考性有两个方面，一个是比较的参考，另一个是执行的参考。同时，参考也是记忆的基础。如果是以结果作为参考，那么目的就是去定义其发生的根本原因；如果是以过程作为参考，那么目的就是去寻找避免发生问题的途径。古语有云：“以铜为鉴，可以正衣冠；以古为鉴，可以知兴替；以人为鉴，可以明得失”。这句话充满了深刻的哲理，也总结了参考性的三个维度，即以传感器所反映的自身状态为参考、以历史数据中的相关性和因果性为参考，还有以集群中的其他个体作为参考。

CPS的技术基础包括物联网、普适计算和执行机构，它们定义了实体系统的功能性。Cyber空间中的来源、关系和参考，构成了实体系统运行的基础，是CPS在Cyber空间中的管理目标。建立面向实体空间内的比较性、相关性和因果性的对称性管理是核心的分析手段。而CPS的最终目标，是对实体（Physical）系统的状态和活动的精确评估、对实体系统之间关系的挖掘和管理，以及根据情况进行的决策优化。Cyber空间中的管理是对实体空间中3V的精确管理，即可视性（Visualizability）、差异性（Variation）和价值性（Value）。

CPS的技术应用体系

CPS是一个具有清晰架构和使用流程的技术体系，针对工业大数据的特点和分析要求，能够实现对数据进行收集、汇总、解析、排序、分析、预测、决策、分发的整个处理流程，对实体系统进行流水线式的实时分析能力，并在分析过程中充分考虑机理逻辑、流程关系、活动目标、商业活动等特征和要求。

CPS技术体系框架包括了5个层次的构建模式：智能感知层（Connection）、信息挖掘层（Conversion）、网络层（Cyber）、认知层（Cognition），以及配置执行层（Configuration）。

这个5C的分析构架设计目的是为了满足实体空间与Cyber空间相互映射和相互指导过程中的分析和决策要求，其特征主要体现在以下几个方面：

智能感知：从信息来源、采集方式和管理方式上保证了数据的质量和全面性，建立支持CPS上层建筑的数据环境基础。除了建立互联的环境和数据采集的通道，智能感知的另一核心在于按照活动目标和信息分析的需求自主地进行选择性和有所侧重的数据采集。

信息挖掘层：从低价值密度的数据到高价值密度信息的转换过程，可以对数据进行特征提取、筛选、分类和优先级排列，保证了数据的可解读性，包括了对数据的分割、分解、分类和分析过程。

网络层：重点在于网络环境中信息的融合和Cyber空间的建模，将机理、环境与群体有机结合，构建能够指导实体空间的建模分析环境，包括精确同步、关联建模、变化记录、分析预测等。

认知层：在复杂环境与多维度参考条件下面向动态目标，根据不同的评估需求进行多源化数据的动态关联、评估、预测结果，实现对实体系统运行规律的认知，以及物、环境、活动三者之间的关联、影响分析与趋势判断，形成“自主认知”的能力。同时结合数据可视化工具和决策优化算法工具为用户提供面向其活动目标的决策支持。

配置执行层：根据活动目标和认知层中分析结果的参考，对运行决策进行优化，并将优化结果同步到系统的执行机构，以保障信息利用的时效性和系统运行的协同性。

除了技术架构的层级和流程化，CPS的应用也具有清晰的层级化特征。我们从零部件级、设备级、生产系统这三个维度来分析现代工业系统如何实现智能化。

零部件级——目前大多关注的是精密性，即如何通过更加精密的传感器，实现更加精密的动作。而智能的零部件则需要具备自预测性和自省性，随着外部环境变化或者自身衰退都会造成精密性发生变化，智能的零部件可以将设备的状态和可能造成的后果反馈给操作者。

设备级——现在关注的是设备性能以及设備能否连续生产质量达标的产品。而智能的设备需要具备自比较性，它既包括设备与自身历史最优状态的对标，也包括在不同的环境下，集群内与其他的设备之间的对标。这样可以清晰地了解设备目前状态的好坏与否，如果设备状态不好，还可以进一步了解故障发生在哪里，以及是哪种原因造成的。

系统层面——通过实现最大的生产性来提升设备综合效率（OEE）。目前主要关注的是系统中各个设备、工序之间的配合。而智能化发展的方向应当是更大价值链的优化，比如当上游产生了质量误差，可以及时发现并在下游进行补偿。过程当中如果有设备出现质量问题，也能用其他的途径进行改善，实现具有强韧性的系统（resilience system），即系统内部可以通过协同性的优化，把问题的影响降到最小。

无论在部件级还是系统级的CPS体系应用当中，都是由最基本的CPS单元构成的。CPS基本单元又分为智能控制单元、智能管理单元和认知环境，其中，智能控制单元和智能管理的单元分别面向局部设备和局部系统，而认知环境为二者提供具有自成长性的智能化能力支撑，是实现智能化由局部到系统应用推广的关键。

基于CPS的智慧风场设计与应用

根据美国FTI咨询公司的数据，中国的风电行业在过去10年中飞速发展，目前已经成为风电行业装机规模和增长速度最快的国家，2015年风电行业迎来了装机高峰，新增装机容量达到3.05兆瓦，同比增长31.5%，贡献了全球超过一半的新增容量。但是风电行业的蓬勃发展背后也存在着非常大的隐患，主要在于风电的成本高昂，对国家补贴的依赖度较大。高昂的成本背后，运维成本和管理成本占了非常大的比例。在计算风电的经济效益时，业界常用的两个指标是“平均化能源成本”和“能效因数”，前者衡量的是每一度电的成本，后者则是通过实际发电量与最大发电量之间的百分比来衡量能源效率。因此，在对风机进行智能管理和使用时，都需要以改善这两个指标作为最终目的。降低成本的两个最主要途径，一是降低制造成本，二是降低运维成本。在过去十几年的竞争中，OEM在降低生产成本方面做了大量的努力，继续降低成本的空间已经不大。但是风机在使用阶段的运维管理依然是比较粗犷的模式，对风机健康管理一直比较忽视，对运维策略和计划缺少精细的管理，现场值守和维保服务的操作缺乏规范，这些都为通过风机智能化应用降低运维成本提供了很大的机会空间。而能效因数的提升也与智能使用有直接的关系，一方面可以通过缩短风机的停机时间减少停机功率损失，另一方面可以通过优化风机的控制和调度策略增加风机对风能的捕获效率。

风场智能运维的核心是在对设备状态精确评估、环境状态精确预测和任务状态精确推演的基础上，对风机运维的调度、排程和执行进行管理决策的优化。由于风机中的核心零部件较多、运行工况和环境复杂，且运维活动的流程和资源协调较为复杂，所以需要基于CPS的体系框架对功能的层级关系和系统逻辑进行梳理。

风场的数据环境是非常典型的多源异构数据类型，主要的数据源包括SCADA （Supervisory Control and Data Acquisition）以及CMS（Condition Monitoring System）系统。SCADA所采集的数据包括风机的工况信息、控制参数、环境参数和状态参数等，数据维度非常广，但是采样频率较低。而CMS则是从风机关键零部件（如齿轮箱、轴承等）上采集振动数据，采样频率在数千赫兹以上。除此以外，风场的数据源还包括电网的调度信息、工单系统、人员管理、维护资源状态等信息。在对风机进行精确的状态评估，以及对风场的运维和使用进行智能化管理时，需要综合分析和应用以上的信息。

由于风机的状态评估涉及的子系统和功能点十分繁多，这里选一些功能的实现方法，结合前文提到的3R与3C的分析方法，从部件级、设备级和系统级等不同应用层面进行阐述。

部件级：以风机自身的历史数据来源为基础的状态评估

基于实体系统中不同的数据来源为基础的比较（Comparison）是以数据为驱动的风机状态精确管理的实现手段。前文中我们介绍了不同的数据源对应的不同比较维度，包括在时间维度上比较自身状态的变化，以及在集群维度上比较与其他个体的差异性。

首先来介绍以自身的历史数据为数据源在时间维度上比较自身状态变化的方法。SCADA数据中有很丰富的环境参数和状态参数，这些参数之间有很强的空间分布模式相关性，这种相关性是非线性的，且某一参数变化时其他参数的变化响应速度也不同（例如转速上升时，振动最先变大，而温度的上升则很慢）。因此用传统的物理建模手段很难进行精确的管理。应当利用固定时间窗内数据建立的模型进行差异对比，通过对差异性的量化评估和管理就能够达到对风机健康管理和故障预测的目的。

设备级：以同类设备为基础的状态评估

前一种以自身历史数据为来源的状态评估方法需要充分的历史数据建立设备状态的基线模型，但是基线模型在建立过程中会受到数据样本是否充分、工况是否完全、数据质量是否良好等许多因素的影响。然而，由于风场大多数风机的地理位置相近，环境状况也十分相似，因此可以比较风机集群运行特征的分布，找到与大多数风机特征分布偏差较大的风机，从而补偿单机状态评估模型的准确率。这样以集群作为比较性的基础方式，就能够以与集群相比的平均功率损失作为风机性能精确评估的结果。

系统级：基于结果推演的决策优化

在对风机的状态进行精确评估的基础上，如何综合状态信息、环境信息和维护资源等信息，对维护计划的决策进行优化，也是智能管理和使用的重要方面。风场的维护是一项非常复杂的工作，尤其是建设在海上的风场，维护需要调用船舶、直升机、海工船等特殊设备，成本更加高昂，维修周期更长。由于风机运行环境较恶劣，风资源的随机性、风场多地处偏远地区等客观因素，进行人工的状态监控和维护排程难以实现风能利用的最大效率。

风场的运维策略和排程的优化需要综合考慮许多的因素，包括风机的当前健康状态、维护机会窗口、对未来几天内风资源的预测、维护资源的可用性、维护人员的数量和技能、船舶的路径和成本、海上天气状况等多个维度的关键因素。在对风资源的精确预测基础上结合维护需求信息，在风资源较弱的时刻进行维护，而在风资源好的情况下尽可能运转发电。针对每个维修任务，可以由多个可用的维修团队选择乘坐多个可用的维修船只进行维修，这增加了系统维修排程安排的灵活性，有利于降低成本，但同时也扩大了搜索和推演范围，使问题变得更加复杂。

IMS开发了面向海上风场中短期运维计划排程的解决方案，采用了多层次化的决策体系，针对海上风场维修任务的特点，充分考虑船只、天气、维修人员、维修次序、风机健康状况、航行费用等因素，建立了风场维护排程优化的推演和决策环境，简而言之，即能够灵活适应安排M个维修船只和N个维修团队去完成P个不同的维修任务。通过维修排程优化，使整个维修过程中由于风功率损失和资源使用造成的成本达到最小。以某海上风场中对17个维护任务进行排程优化为例，优化后的排程计划在执行推演中预测的成本，比没有进行优化的维护计划成本降低了30%以上。

除此以外，基于整个风场的历史数据统计和维护成本分析，还可以为决策者提供有针对性的改善建议，比如当出现某个零部件的故障发生频率高、平均故障时间长的情况，可以反馈到供应商，以对产品的可靠性进行改善，从而优化风电行业产业链的价值。

结语

智能化是“数据—信息—知识—价值”的转变过程。在这个转变过程中，数据和信息是信息时代的产物，知识和价值才是智能化时代的关键。

当“知识化”与城市、工厂、社区、医疗相结合，就形成了智慧城市、智慧工厂、智慧社区、智慧医疗……而这些恰恰回答了智能化有什么用的问题，即智能化通过知识化的创新应用，将知识切切实实地转化为了社会生产力，进而带动整个国家在经济、社会、公共服务等各领域的转型与发展。