深耕智能服务，实现无忧制造

李 杰

机械工程博士学历。现任美国辛辛那提大学特聘讲座教授，美国国家科学基金会智能维护系统产学合作中心创始主任，美国麦肯锡公司资深顾问等职务，著有《工业大数据》、《从大数据到智能制造》、《CPS》以及《云上的工业智能》等著作，并在2016年被美国制造学会选为美国30位最有远见的智能制造人物。

智能制造是一种重新定义制造的思维

智能制造不仅仅是一个技术体系，更重要的是对智能的理解、解决问题的逻辑和重新定义制造的思维。智能制造所需要解决的核心问题是，如何对制造系统的5M（材料、装备、工艺、测量和维护）要素的活动进行建模，并通过模型（第六个M）驱动5M要素。智能制造所要解决的核心问题是知识的产生与传承过程。

同时，推进智能制造还应针对不同的行业领域采取不同的策略，因为领域不同，所以相关的特征也不同。例如在医疗领域中，推进智能制造的重点是追溯性，而不是生产制造，目的在于确认加工过程是否会影响最后的认证。而半导体行业则关注的是检测，因为频繁的检测可能需要耗费大量时间，同时检测装备的价格也很昂贵。如果可以用数据直接预测并验证，则可以为全过程节省三分之一的时间，也节约了购买检测设备的成本。

预测制造系统可有效评估工厂“健康”状况

如今大多数工厂普遍应用商品化的管理软件来获取整体设备效率(OEE)等信息，及时掌控对生产系统中可见的影响因素和导致的结果。然而，生产系统中更多的是不可见因素，比如设备性能衰退、精度丧失等。而可见的影响因素往往是不可见因素积累到一定程度所引起的，比如设备的衰退导致最终停机、精度丧失导致质量偏差等。因此，对这些不可见因素进行预测和管理是关键。

预测制造系统的核心技术包含用智能软件来进行预测建模功能的智能计算工具。对设备性能的预测分析和对故障时间的估算，将减少这些不确定因素的影响，并为用户提供预先缓和措施和解决对策，防止生产力和效率的损失。

在生产系统里隐形问题的预测方面，提取有效的健康特征至关重要。这些特征之间存在一定的相关性，其变化情况也有若干种不同的组合，将这些组合背后所代表的意义用先进的数据分析方法破解出来，就是我们进行建模和预测的过程。

基于这些性能特征，生产系统的运行状况可以通过健康置信值来评估和量化。另外，可以在时间域内预测特征的未来值，从而可以预测性能的衰退趋势和问题发生的剩余时间。因此，在获取设备的工作数据之后，还需要通过分析来进行预测，这种预测并不是精确地提供设备损坏的时间节点，而是预测出机器将会出现不稳定性的时间区域，并提醒及时处理。

随着制造系统对不可见问题的认识和控制能力不断加深，工厂管理以准确的信息为基础，从而提高设备的运作效率，最终实现零意外和零停机的状态。并且，由于对设备具有自我意识和自我预测功能，可以实现有效管理维护，从而降低管理成本。历史健康信息也可以反馈到机器设备设计部门，从而形成闭环的生命周期设计，最终实现无忧制造，让企业的生产车间不再有意外发生。

用CPS的思维去创造新的智能化规划

CPS（信息物理系统）实质上是一种多维度的智能技术体系，以大数据、网络与海量计算为依托，通过核心的智能感知、分析、挖掘、评估、预测、优化、协同等手段，使计算、通信、控制实现有机融合，做到涉及对象机理、环境、群体的网络空间与实体空间的深度融合。如何用CPS的思维去创造新的智能化规划是非常关键的。

工业设备系统中存在“看得见的世界”和“看不见的世界”，而真正的科技与挑战都是隐藏在“看不见的世界”当中，所有显性问题都是隐性问题积累到一定成都后所触发的。所以，需要建立能够将隐性问题显性化的预测模型，进行精确的同步，形成相互指导、相互映射的关系，这样就可以挖掘出这些“隐形杀手”，然后控制住所有可激活设备故障的条件。

例如在加工机器中，甲乙两个工人轮班作业，甲在完成加工之后，机器是甲的调试方法，而乙在完成加工后则是乙的调法，同样的一台机器，甲乙两个加工出来的产品质量不一样。为什么不一样呢？原因在于甲、乙在进行加工作业操作时的习惯不同。CPS有一个回溯系统，比如在甲进行加工时甲进行了调试，加工完的参数测量出来之后，测量结果与调试的人建立关联。若甲调试后加工的产品质量更好，下次甲或乙再来调试时如果不一样系统就会进行提示，调试的人就能很快了解如何做才能将产品做得更好。CPS就是先把好的关系建立起来，变成一个记忆之后，让下一个人开始做的时候有一个可以传承的知识，这个对制造业很有帮助，它也是一个智能化系统。企业对此也提出过两个方面的困惑，第一是不知道加工过程中是如何产生误差的；第二是因为每一个工序没有关联在一起，所以在检验系统时找不到影响质量好坏的原因。