我們發現當初預見的未來正在形成現實。我們聚焦的現代工業系統是怎麼樣的?未來智能工業系統會怎麼樣?目前，主要表如今零部件級、設備級、生產系統這三個維度上。
2016年人工智能悄然出現並逐步發展，直到如今，仍處在人工智能的序曲階段。這是爲什麼呢?AlphaGo事件中人工智能首次鶚と死嗥迨鄭引發了許多思索。同時，越來越多的公司也起初把人工智能技能引向工業的應用領域。
柯潔在大戰之前說，從AlphaGo當中我們學到了很多東西，這對整個人類認識新的知識有很大的益處。
特斯拉首席執行官埃隆馬斯克(Elon Musk)曾結合100多位人工智能學者向結合國提出發起，我們應該去關注人工智能給人類帶來的威脅。
麥肯錫曾經指出：“可能到2035年，我們一半的事務將被人工智能所取代。”
GE前總裁Jeff Emmelt曾提出：“一覺醒來驚奇地發現，GE已經形成了一家互聯網公司。”
德國Fraunhofer研討中心指出：“人工智能能夠將生產率每年提高0.8%～1.4%。”
這些都預示着人工智能時代來臨了。可是爲什麼我們需要人工智能?舉個例子，在一輛汽車內設置了移動終端，實現對路面信息、交通狀況、預計抵達時間以及周圍商圈等情況的信息收集，這樣人們出行時可以享受更多的便利和更好的服務。能夠看到，人工智能帶來的並不是汽車的改變，而是用新的方式提供了更便利的信息服務。
未來工業智能系統會怎麼樣?
在工業界也是如此，原本的設備沒有改變，在機器端對數據進行採集與分析，會呈現出很多關於設備的洞察，包括目前的運行狀態與健康程度，跟其他設備與歷史狀態進行對照，能夠自主預測未來設備的狀態。最後，這些信息彙集之後傳輸回設備端，實現自我的維護和調整，這恰是智能化技能體如今工業界當中巨大的優勢。那麼，目前工業中有哪些不足?如何運用人工智能來補救?
過去我們關注兩個方面。第一個是可製造性，運用多種建模手段，如衝壓製程等，通過對物理目標的仿真考察規格是否合格，但無論怎麼樣仿真，有些問題還是難以被發現和關注，最後導致仿真中優秀的模型到實際生產中仍可能會產生次品。
第二個是生產系統設計，即對於設備綜合效率(OEE)的管理和設計以及整個製造系統當中的設計管理，大多數企業會用到仿真軟件，但無論怎麼樣設計生產線，都很難保持設備的不間斷運行。最主要的原因是設備會產生衰退，衰退到一定程度後會發生停機，進而導致生產線中斷運行，最終導致過去的數據模型失效。
所以我們會發現，設計建模與實際的生產製造中間存在很大的差距。在過去的生產線中，指標是實現work reduction(怎麼樣削減事務)以及waste reduction(怎麼削減浪費)，如今worry reduction(零憂慮)成爲新的指標，即如何把生產過程中原本不可見的東西變得可見，從而去管理這些由於未知所造成的憂慮。將設備中所有造成停機、浪費、次品的風險全部加以抑制，最後實現三個零：零停機、零次品、零浪費，消除生產過程中的憂慮。
美國IMS中心在2000年成立時，曾提出“未來智能工業系統”的觀念。那時發現每個產品或者系統中都會有上百個維度的數據，但當時數據並不像如今這麼容易被提取出來。
我們的想法是，基於嵌入式的智能終端，並聯合有效的分析方法，用Watchdog Agent分析引擎，在邊緣端處理信息之後，傳輸出當前狀態和健康相關的信息，再跟運營系統相連，最後通過可視化的服務傳遞迴設備端，傳遞時間既只是早也只是晚(Just-in-time)，從而實現近零停機(near-zero downtime)，即任何一次停機都處在預料之中。如此能夠對機器進行主動維護，實現對設備的改善，最後實現信息的閉環。這便是我們當初提出來的設想。通過這個設想，我們發現當初預見的未來正在形成現實。我們聚焦的現代工業系統是怎麼樣的?未來智能工業系統會怎麼樣?目前，主要表如今零部件級、設備級、生產系統這三個維度上。
從零部件級看，如今關注的是精密性，以及如何通過更加精密的傳感器實現更加精密的動作，那麼未來呢?需要具備自預測性和自省性，設備需要精密，但外部原因或者自身衰退都會造成精密性發生變化，這時零部件能夠將設備的狀態和造成的後果反饋給操作者。
從設備級看，如今關注的是本能和能否連續生產質量達標的產品，未來將更加關注設備的自對照性。麥肯錫在數字化製造的戰略當中，提出了自對照性這個觀念，它既包括設備與自身歷史最優狀態的對標，也包括在不同的環境下，集羣內與其他設備之間的對標。這樣能夠清晰地明白設備目前狀態的好壞與否，如果設備狀態不好，還能夠進一步明白故障在哪裏發生，以及是哪種原因造成的。
從生產系統層面看，是怎麼樣實現最大的生產性來提升設備綜合效率(OEE)。如今我們主要關注的是系統中各個設備、工序之間怎麼樣配合。配合的觀念是指當上遊產生了質量誤差時，準時發現並在下游進行補償。在這個過程中，如果有設備出現質量問題，能用其他的途徑進行改善，這就實現了具有強韌性的系統(resilience system)，即系統內部能夠通過協同性的優化，把問題的影響降到最小。
以上從零部件、裝備到系統的不同層級的角度，爲各位展示了未來我們希望的工業智能系統的狀態。
工業智能發展的五個階段
在實現工業智能的過程中，需要履歷五個階段。第一個階段是過去各位一直在做的，即TPS全員生產系統的標準化，提升總體的生產文化的管理。
第二個階段是精益化和數字化。精益化和數字化的觀念是以數據爲驅動，使整個系統當中的配合本能夠達到最大化，用數字化的方式把當前的狀態實時地表示出來，這樣就能夠明白設備將會出現的問題以及可能帶來的影響。
第三個階段，在我們知道了當前狀況的時候，如果可以通過預測性的手段，或者通過數據驅動建模的分析方式，尋找到問題產生的隱性原因，這便是將隱性問題顯性化的階段。要實現這一指標，需要基於大數據，或者人工智能的建模技能。 第四個階段，當知道設備出現問題的原因時，能夠通過聯合具體場景，預測對設備的運營或決策會產生什麼後果，來實現以預測性爲基礎的有效性運營和決策優化。
第五個階段，在以上基礎上，把感知、分析、優化和執行連接起來，實如今賽博空間管理整個實體空間中所有設備的系統，變成了賽博空間與實體空間的鏡像，最後實現CPS的工業智能系統。
目前，大多數企業還處在第三個階段，前兩個階段做得很好，但建模的能力還沒有變成，問題出現時不明白故障原因。
用GE倡導的工業互聯網觀念再來描繪一下未來工業智能的技能圖景，包含了很多的技能，數據輸出後，運用基於機器的算法(machine-based algorithms)，如嵌入式智能和邊緣計算技能以及在雲端的智能分析、數據可視化等，運用數據產生最優化的決策，傳遞到不同的組織，最後反饋到設備當中進行執行。這既包括IT與OT之間的相聯合，又包括很多的雲計算、邊緣計算等最新的信息技能，甚至包括像大數據分析，人工智能建模等最新的技能研討方向。實現智能設備、智能分析、智能決策，最後變成自發自動的循環。
工業智能化轉型的三個路徑
那麼對於目前的工業企業而言，如何運用工業智能技能和大數據來實現轉型?能夠運用這個模型分成三條路徑。
轉型的第一條路徑是避免不可見的問題。從數據的角度，將問題產生的過程用數據分析、建模來明白髮生的原因。並在上述基礎上，通過預測性方式進一步改善，來避免可見問題的發生。
第二條路徑是把不可見問題變得可見。不可見的問題是指設備衰退或者生產過程中會出現殘次品，設備背後的關聯性和關係性模型存在的問題是不可見的，從數據的角度可以挖掘到關聯性，把不可見問題變得可見，更加高效地解決問題，會用到PHM、機器學習還有知識挖掘等核心技能。
第三個路徑是建立知識的模型，把相關性挖掘出來後，形成知識進行沉澱。沉澱後在賽博空間建立對稱管理，通過實體空間中所有裝備鏡像的模型，實時產生所需的最優決策，用到的核心方法是建模技能(Twin Model)、信息物理系統(CPS)等。
工業智能化案例
下面介紹幾個案例，來幫助各位更加清晰地理解工業智能的這三個轉型路徑或方向是怎麼樣完成的。
第一個案例是通過阿爾斯通的軌道交通智能管理系統解析如何利用數據分析問題發生的過程，並且避免可見問題的發生。阿爾斯通是全球相當先進的軌道交通解決方案供應商，不但基礎設施龐大而且維護費用也高，所以阿爾斯通2006年推出智能管理系yHealth Hub，實現從車輛級到基礎設施級的智能管理。在感知系統方面通過Train Tracer、Track Tracer、Train Scanner等產品，實現將運行過程當中的實時狀態數據傳遞到HealthHub中進行分析，實時評估關鍵部件的健康狀態，預測未來的風險，並且用預測性的方式進行排程優化。
整個系統運用了典型的CPS技能框架，包括設備中數據的智能連接、實時的數據分析流、雲端實現建模過程等，經過大數據分析之後，對這些問題進行預測，最後將決策運用到所有的相關部門中。這套系統支撐起了阿爾斯通向服務型製造的轉型。目前阿爾斯通已經有超過35%的收入、50%的利潤來源於已經賣出設備的服務型管理。其中的價值在於，車輛賣給使用者之後，通過智能的分析、預測與優化排程，幫助用戶節省維護成本，這是生產價值模式的轉變。
2010年IMS中心與阿爾斯通進行合作，提供了很多分析模型的核心算法，包括像高鐵集羣的監控、車輛內部的牽引系統、軸承系統、軌道的轉轍器、車載的軌道監測系統等。在模型的底層上，將傳統的不可見的問題顯性化。
目前，天澤智雲也在跟國內某高鐵製造商合作，開發基於CPS技能的高鐵PHM(預診斷與健康管理)平臺，通過對高鐵進行大量的實驗將關鍵部件的鏡像模型建立出來，包括失效模式和失效的狀態，以及過去探測到具有隱性失效特徵的算法，等等。
第二個案例是高聖智能帶鋸機牀，通過從數據中挖掘隱性問題的線索，實現對不可見問題的管理。傳統的不可見的問題，包括設備衰退、質量過程參數產生偏差等，如何進行預測和管理是我們在製造系統當中最常見的問題。帶鋸機牀常常用來做材料的粗切割，如將塊狀材料切割成不同的形狀。鋸帶是一個耗材，如果在使用過程當中出現了斷裂等問題，會造成質量參數的缺失以及大量成本的增加。
傳統的方式是通過有經驗的操作工人，在現場用耳朵去聽設備的聲音，判斷當前的鋸帶是否正常。如果覺得噪音變大，就更換鋸帶，偶爾可能把好的鋸帶換掉，造成成本浪費，也會因沒有準時發現問題而造成鋸帶斷裂，如果切削的是極其昂貴的航空材料，這塊材料可能就會報廢，造成極大的浪費。
後來項目團隊把人的經驗和生產過程當中的參數固化爲模型來預測鋸帶的狀態。通過試驗傳感器的部署，把知識、故障模式、切割參數等信息集成到模型裏，同時運用PHM算法工具，包括信號處理、健康評估、故障預測等，實現了在不同的工況下，通過狀態參數進行自動識別，提取不同健康狀態下的特徵聚類，再運用特徵識別等模型方法判斷當前的狀況。鄭州婦科醫院
最後，實現了將鋸帶從完全健康到鍍層磨損，再到內部實際的磨損，最終到斷裂的整個過程的建模。把不同時期的模型建立起來，這樣就能把過去不可見的問題顯性化。這些實時的數據，包括鋸帶的衰退狀態、核心部件的運轉模式等，通過模型加以分析，通過手機端或者Web端進行訪問，實時決策，優化管理。過去可能一個人管理最多10臺機牀，如今一個人能夠管理更多機牀，實現了從人員的使用效率到成本維護的總體優化。這個產品在2014年美國芝加哥國際製造技能展覽會(IMTS)上第一次展出，2016年正式商業化，目前已在全球超過一百多家的項目工程上部署了。
第三個案例是通過智慧風場系統解析，如何利用知識建模在賽博空間裏產生對實體的管理鏡像，實現對不可見問題的避免。風場大多在相對偏遠的地方且風機成本昂貴，這對生產管理、健康管理以及運維管理層面帶來很大的挑戰。對於一臺風機，生產管理方面要實現對設備衰退狀態的監測，並預測當前的環境;健康管理方面，主要針對風機內部的核心部件的管理;運維管理方面，通過預測的方法實現對設備故障的避免以最大化降低運維成本。 通過研討發現，要把以上的憂慮解決掉，需要三個步驟。
第一步進行狀態評估，即明白風機的實時狀態，無論是本能的衰退或健康的風險，都要進行精確的量化。
第二步是場景化預測，比如總體維護排程的優化，選取不同的排程規劃，會產生不同的生產和維護成本，結果也有所不同，因此需要將所有可能的成本結果都量化出來，從上億種可能性中搜索最優的一個結果。
第三步是優化和避免，一臺風機中可能有上百個維度的參數，運用模式識別的方法能夠清晰地識別出正常狀態下的風機。當新的數據輸入進來時，實時地跟正常模式進行對照，當風機發生逐步偏離健康的狀態時，設備就會產生新的風險。實現這一系統後，對大型的部件如傳動鏈能夠做到提前至少30天預測到潛在故障。當明白到設備的故障後，就要對故障進行排除。這涉及維護的問題，要考慮多成本要素的綜合建模，包括機會成本、固定成本、動態成本，實現全部建模後，基於建模進行有效預測，比如在某一時刻，將有幾十個排程的任務，不同排程組合造成的成本是幾多，這可能有上億種不同的組合途徑。
如何在這些途徑中搜索最優的結果，我們運用了遺傳算法的優化模型求解過程。遺傳算法針對於風場排程的問題，實現了多層的優化求解器，比傳統的線性規劃提升上千倍的效率，比單層的遺傳算法提升數十倍的效率。對於一個風場來講，如果要排程幾十個維護任務，能夠在一分鐘之內找到最的結果。
目前，這個WindInsight系統是我們與微軟Azure合作，實現部署的一個海上風場。風場在實時運行的時候，整個風場的風機運行狀態是否有潛在的故障或者風險發生等，都能夠在這個系統長進行遠程判斷。
當某個風機出現潛在故障時，我們能夠對它進行最優化的排程。優化排程中考慮的因素包括當前人員使用率、整個風場的風資源情況、風機的發電能力情況、故障衰退情況等，也包括對每颱風機進行對標，與整個風場內的其他風機相比發電能力如何?與歷史相比，發電能力如何?在對風場管理時，對當前風場未來72小時的風資源進行預測，包括風向和風力的情況。在維護的過程當中，要儘量選擇風小的時候進行停機維護，在風大的時候進行發電，如此經過多成本的綜合考慮後，產生新的智能優化的模型，對這些模型進行在線評估。這樣的過程實現了對風場從設備的管理到生產管理再到維護管理的全棧式解決方案。
關於CPS信息物理系統
以上三個案例的實現，是基於融合邊緣計算和雲計算的CPS技能架構。CPS這項技能在國外研討的人相當多，2011年，GE第一次提出工業互聯網觀念的時候，就提到CPS將會是未來的核心技能，而德國的工業4.0也提出CPS的觀念。在我國，CPS也是工信部推廣的一項重要的技能架構，《信息物理系統白皮書(2017)》將CPS定義爲支撐工業和信息化深度融合的一套綜合技能體系，對於推進我國工業家當的價值轉型與升級具有重大的意義。
在李傑教授的《CPS新一代工業智能》書中，定義了CPS的5C技能體系架構，即Connection智能連接層、Conversion智能分析層、Cyber智能網絡層、Cognition智能認知層、Configuration智能配置與執行層。
實現這五層的CPS架構，需要融合DT數據處理技能、AT分析軟件技能、PT平臺接口技能和OT運營技能，對工業大數據進行連接、挖掘、分析、預測和優化，將工業生產製造當中的知識轉換成高價值生產力。