工業4.0時代的工業轉型與價值創造
Date：2016-06-17 17:06:13Click：
從CPS技術體系來看，核心在于以數據分析的能力創造新的價值，因此，這也決定了CPS技術的高移植性、高通用性，應用范圍可以涉及工廠車間、運輸系統、能源等各個行業。
從德國工業4.0的戰略設計來看，德國更多的關注于制造領域的價值創造與智能轉型，即注重以CPS中的CPPS（信息物理生產系統）為主導的智能制造，對于整個工業應用鏈的價值輻射面具有一定的局限性。
而實際上，以CPS為核心的數據價值創造體系應用于工業4.0，同樣需要“二維”應用戰略：
三個橫向的應用基礎：一是平臺基礎，即智能數據收集與平臺運用；二是分析手段，即智能化的數據分析、管理、優化工具與軟件應用；三是商業模式內核，即智能管理及服務體系的設計與應用。
三個縱向的應用擴展：一是基礎的部件級應用；二是系統的裝備級應用；三是成體系的應用鏈設計。
而上述二維應用戰略可以用樹木與樹根的可見與不可見的關系來示意：
圖2-4 CPS二維應用關系圖
我們可以分別以智能裝備、智能工廠與智能服務這三個方向來闡述CPS的應用過程：
1. 智能裝備——實現自省性、自比較性
對于智能裝備的CPS應用設計，我們可以在網絡層面上通過機器網絡接口（CPI）進行網絡健康分析的交互連接，這個從概念上類似于社交網絡。一旦網絡級基礎設施到位，機器就可以注冊到網絡，通過網絡接口交換信息。在這一點上，可以通過已經建立的一套算法跟蹤機器狀態的變化，從歷史信息推斷額外知識，應用對等比較，并將信息輸出傳遞到下一層。這樣，就必須制定新的方法來執行這些操作并產生相應的結果。這里引入“時間機器”的設計在網絡層面執行分析，通過三個步驟實現一個智能裝備的應用設計：
（1）數據切片管理：如圖2-5所示，信息不斷地從機器中輸入網絡空間，快照收集的任務就是以有效的方式管理輸入數據，存儲信息。基本上，機器的快照性能，是通過利用歷史記錄和維護記錄來減少需要的硬盤空間和處理能力。一旦監測機器的狀態發生重要變化時，這些快照才出現。這些變化可以定義為機器健康值的偶然變化，維護行為或者工作制度的改變。在機器的整個生命周期里，這些快照將被收集并用于構造特定狀態點的時間機器的歷史。這個當前的時間機器記錄將被用來進行優點之間的對等比較。一旦這個優點失效或者被替代，其相關的時間機器記錄將改變狀態，從當前變為歷史，并將用作相似性的識別和合成的參考。
（2）相似識別：在網絡層面，對設備自身（以及相同設備）在不同運行模式和健康模式下的歷史數據進行特征提取和建模，再利用該模型與當前狀態產生的數據進行比較，就可以自動識別設備當前的健康狀態，進而對設備進行風險評估和故障診斷。除此之外，單個設備還可以與設備集群中的同類設備進行比較，自動識別與自己工況模式相似的其他設備并進行聚類，在工況模式相同的條件下比較自身的性能與其他設備的差異性，這種自比較和自省性的能力是以往“機器對機器（Machine-to-Machine）”概念中所沒有的。 通過對當前設備運行的模式匹配以及健康模式隨時間的變化軌跡分析，就能夠更加準確地預測設備未來狀態的變化，實現設備自預測性的能力。
（3）執行決策的優化：當設備具備了自省性、自比較性、和自預測性的能力時，就可以對自己當前和未來的性能進行預測。單個設備作為復雜工業系統中的一份子，承擔著該系統某個環節的任務要求。智能設備能夠結合當前自身的性能與任務要求，自動預測自身性能與任務需求在當前和未來的匹配性，并制定最優化的執行策略。執行策略優化的表現是，在滿足任務要求的前提下，使用資源最少、對自身的健康損害最小以及在最優的維護時機進行狀態恢復。執行決策的優化需要設備對自己在整個系統中的角色有較為清晰的認知，并能夠預測自身的活動對系統整體表現的影響，是設備從自省性到自認知能力的進一步智能化。
2. 智能工廠——實現無憂生產
評價生產系統性能的關鍵指標是產量、質量、成本和零部件的精度，利用數據去分析和了解影響生產系統的上述關鍵指標的因素，并對可能出現的風險進行預測和管控，是能否實現預測型制造的關鍵。今天大多數工廠的生產系統較為普遍地運用商業化的管理軟件輔助工廠管理者去獲取整體設備效率（OEE）等信息，從而對生產系統中可見的影響因素和產生的結果進行及時的掌握和應對。然而生產系統中更多的是不可見因素的影響，比如設備性能的衰退、精度的缺失、資源的浪費等。而可見的影響因素往往是不可見因素積累到一定程度所引起的，比如設備的衰退最終導致停機、精度的缺失最終導致質量偏差等。因此對這些不可見因素進行預測和管理是避免可見因素影響的關鍵。在工業4.0的工廠中，自省（Self-Aware）和自我預測（Self-Predict）的功能成為監測和控制系統的新功能，這些新功能可以幫助用戶去了解機器的健康退化、剩余可用時間、精度的缺失以及各類因素對質量和成本的影響。此外，機器的健康還可以通過零部件的健康狀況的融合和同類機器的對比（peer-to-peer）來預測。這種預測能力使得工廠可以采取及時的維護措施從而提高管理效率，并最終優化機器的正常運行。最后，歷史健康信息也可以反饋到機器設備設計部門，從而形成閉環的生命周期更新設計，最終實現無憂生產（worry-free production）。
這種預測分析方法可以使產品和制造系統都具備自我意識和自我維護的功能。產品預測服務系統可以使得產品在其功能退化的過程中產生主動觸發的服務請求并進一步預測和預防潛在的故障。預測及制造融合了來自生產制造系統的信息和來自供應鏈系統的信息。傳統意義上，制造商通過供應鏈系統做出決策，這種方法利用物流、同步化供給與需求，以及全球化性能測試來實現優化成本的目標。
工業4.0實現自我意識、自我預測和自我重新配置的能力所需的核心技術是利用智能預診斷工具和解析工具來實現預測分析。智能預診斷工具主要涉及信號采集、數據存儲、同步、合成與服務。解析工具主要涉及信息轉化的四個子工具：信號處理和特征提取、健康評估、性能預測以及故障診斷。圖2-6展示的就是傳統工廠與未來工業4.0工廠的差別。
3. 智能服務——實現全產業鏈協同優化
工業4.0時代的智能信息服務已經不再是傳統意義上遠程人工在線的應答式和售后產品服務的模式，而是更注重利用全產業鏈形成的大數據進行綜合的數據分析與挖掘，針對全產業鏈各個環節的各級用戶，面向其具體的活動需求提供定制化的，可以輔助其具體活動決策的信息。
不同層級的用戶對于信息的要求是不同的，對于數據量和種類的要求也是有差距的。執行層更關心具體設備控制活動的實時性和精確性，因此，要求的數據種類不多，但是每個類別的數據量要求很大；管理層關心活動組織的合理性和高效性，因此，對數據種類要求更全，但每類的數據量要求呈指數下降；決策層關心活動方向的正確性和前瞻性，于是，對數據種類的要求最全，對于每類數據量的要求最小，對于數據價值的要求最高。
這種不同層級的用戶對于數據有不同程度的要求并對數據分析有層次化的需求，如果不加選擇地將所有數據匯聚到一起，在一個所謂的數據中心進行數據分析與挖掘，將是一個災難性的工作，因此，必須將數據的采集與分析層次化進行，才具有工程的實際意義。
同時，正如德國對于工業4.0分析中指出的那樣，只有建立起“二維戰略”的智能信息體系，才能真正發揮數據對于實體活動最大的價值。這是因為，在微觀與宏觀、產業上下游活動中所有活動都是相互影響和相互作用的，將自身活動產生的數據都當作自身的核心秘密，敝帚自珍，互相就各自的數據進行分析與挖掘，效率比是極其差的。其實，企業核心競爭力并不是數據的擁有，而是數據信息化后的利用能力！
所以，如果產業鏈相關企業能夠建立一個智能信息同盟，將各自數據交由一個熟悉產業鏈各環節的機構。該機構并不參與產業鏈各環節的實體活動，只是專門進行智能信息服務體系的建設。由這個機構在基于產業鏈數據的基礎上，按需為各級各類用戶提供各自需要的定制化信息服務，這是可分享的；而各個企業以此為基礎開展滿足各自企業發展目標的信息價值化利用，這是不共享的。
這樣，既發揮了工業大數據最大的作用，又在最大程度上保護甚至提高了各個企業的核心競爭能力！或許，這是在智能時代的制造業和現代工業的一種新模式。
