2017年12月，由美國NSF智能維護系統(tǒng)中心（IMS）和北京天澤智云科技有限公司聯(lián)合主辦的2017未來工業(yè)智能峰會在北京召開，匯聚國內(nèi)外前沿專家，共同探討未來工業(yè)智能化的發(fā)展趨勢。美國NSF智能維護系統(tǒng)中心（IMS）主任、智能服務(wù)領(lǐng)域的國際權(quán)威專家李杰教授出席了本次會議，并發(fā)表題為《中國工業(yè)的價值轉(zhuǎn)型之路》的主題演講。

▲李杰教授

　　李杰教授現(xiàn)任美國辛辛那提大學（University of Cincinnati）講座教授，美國國家科學基金會（NSF）智能維護系統(tǒng)（IMS）產(chǎn)學合作中心主任，研究重點是以工業(yè)大數(shù)據(jù)分析為主的智能預測技術(shù)、產(chǎn)品及服務(wù)的主控式創(chuàng)新設(shè)計。李杰教授從2013年起擔任美國白宮信息物理系統(tǒng)（CPS）專家組顧問。李杰教授自2000年起與全球100多家國際公司進行聯(lián)合研發(fā)，包括GE航空、波音、豐田、西門子、阿爾斯通等世界500強公司。李杰教授研發(fā)的智能維護系統(tǒng)技術(shù)突破了傳統(tǒng)機械設(shè)備故障預測理論、方法和技術(shù)，得到國際學術(shù)界高度評價。李杰教授是美國機械工程學會（ASME）及美國制造工程學會（SME）的Fellow（會士）。

　　在會議期間，李杰教授接受了e-works數(shù)字化企業(yè)網(wǎng)總編黃培博士的專訪，就智能服務(wù)、工業(yè)大數(shù)據(jù)、CPS等議題展開了深入的交流探討。以下是訪談內(nèi)容：

　　黃：當前智能制造在中國很熱，但是對其定義，內(nèi)涵、外延還缺乏統(tǒng)一認識。請您解讀一下智能制造的內(nèi)涵。

　　李：智能制造不僅僅是一個技術(shù)體系，更重要的是對智能的理解、解決問題的邏輯和重新定義制造的思維。智能制造所需要解決的核心問題是，如何對制造系統(tǒng)的5M（材料、裝備、工藝、測量和維護）要素的活動進行建模，并通過模型（第六個M）驅(qū)動5M要素。智能制造所要解決的核心問題是知識的產(chǎn)生與傳承過程。

　　同時，推進智能制造還應(yīng)針對不同的行業(yè)領(lǐng)域采取不同的策略，因為領(lǐng)域不同，所以相關(guān)的特征也不同。例如在醫(yī)療領(lǐng)域中，推進智能制造的重點是追溯性，而不是生產(chǎn)制造，目的在于確認加工過程是否會影響最后的認證。而半導體行業(yè)則關(guān)注的是檢測，因為頻繁的檢測可能需要耗費大量時間，同時檢測裝備的價格也很昂貴。如果可以用數(shù)據(jù)直接預測并驗證，則可以為全過程節(jié)省三分之一的時間，也節(jié)約了購買檢測設(shè)備的成本。

　　黃：如果要預測某一個設(shè)備的狀況，比如經(jīng)過相關(guān)算法預測得出該設(shè)備預計三個星期后可能軸承或齒輪會損壞。在您的實踐經(jīng)驗中，有沒有某些算法能使預測結(jié)果更為準確？

　　李：最初我們考慮的是從不同的算法中找出最好的一種，后來我們意識到可以通過多種算法并行來進行互相印證，以共性最高的結(jié)果作為參考。

　　如今大多數(shù)工廠普遍應(yīng)用商品化的管理軟件來獲取整體設(shè)備效率(OEE)等信息，及時掌控對生產(chǎn)系統(tǒng)中可見的影響因素和導致的結(jié)果。然而，生產(chǎn)系統(tǒng)中更多的是不可見因素，比如設(shè)備性能衰退、精度喪失等。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(shè)備的衰退導致最終停機、精度喪失導致質(zhì)量偏差等。因此，對這些不可見因素進行預測和管理是關(guān)鍵。

　　預測制造系統(tǒng)的核心技術(shù)包含用智能軟件來進行預測建模功能的智能計算工具。對設(shè)備性能的預測分析和對故障時間的估算，將減少這些不確定因素的影響，并為用戶提供預先緩和措施和解決對策，防止生產(chǎn)力和效率的損失。

　　在生產(chǎn)系統(tǒng)里隱形問題的預測方面，提取有效的健康特征至關(guān)重要。就像醫(yī)院體檢拿一管血做分析，每一滴血都可以做不同的測試，可以對膽固醇、肝指數(shù)、糖尿病、艾滋病等病癥同時進行測試，通過不同成分的指標就可以判斷出存在各種病情的隱患。這些特征之間存在一定的相關(guān)性，其變化情況也有若干種不同的組合，將這些組合背后所代表的意義用先進的數(shù)據(jù)分析方法破解出來，就是我們進行建模和預測的過程。

　　基于這些性能特征，生產(chǎn)系統(tǒng)的運行狀況可以通過健康置信值來評估和量化。另外，可以在時間域內(nèi)預測特征的未來值，從而可以預測性能的衰退趨勢和問題發(fā)生的剩余時間。因此，在獲取設(shè)備的工作數(shù)據(jù)之后，還需要通過分析來進行預測，這種預測并不是精確地提供設(shè)備損壞的時間節(jié)點，而是預測出機器將會出現(xiàn)不穩(wěn)定性的時間區(qū)域，并提醒及時處理。

　　隨著制造系統(tǒng)對不可見問題的認識和控制能力不斷加深，工廠管理以準確的信息為基礎(chǔ)，從而提高設(shè)備的運作效率，最終實現(xiàn)零意外和零停機的狀態(tài)。并且，由于對設(shè)備具有自我意識和自我預測功能，可以實現(xiàn)有效管理維護，從而降低管理成本。歷史健康信息也可以反饋到機器設(shè)備設(shè)計部門，從而形成閉環(huán)的生命周期設(shè)計，最終實現(xiàn)無憂制造。讓企業(yè)的生產(chǎn)車間不再有意外發(fā)生！

　　黃：人工智能的深度學習算法如果沒有任何引導，這種算法有實際意義嗎？

　　李：深度學習是機器學習中的一種，它的先決條件是要制定限制條件。比如我看到一種花，這種花屬于哪一類的？這類花還有哪些品種？這類花有什么顏色、葉型？意思就是說每一種植物都有一個種群。但如果僅僅只說這就是一種花，那么這種學習是不可能完成的。所以，深度學習首先要有邏輯支撐，其次要有數(shù)據(jù)支撐。因為所處的環(huán)境不一樣，參數(shù)也會不一樣，背景資料也會變化。另外，我提出深度學習中還要有寬度學習，寬度學習講的是速度，深度學習講的是精度，二者的目的性不同。其實這跟我們?nèi)祟悓W習一樣，寬度學習是通過外部資料去了解，深度學習是自己去研習。

　　黃：我看過一個案例，通過物聯(lián)網(wǎng)平臺可以預測某一臺水泵會損壞的具體時間。您認為目前的預測性維護技術(shù)能夠達到這樣的準確度嗎？

　　李：這是理想化的，因為水泵也包含水質(zhì)和工況的變化。在預測里面有多工況情況，如果工況都沒變，預測具有一定的合理性；如果工況發(fā)生變化，預測就不合理，而工況不變的情況在實際應(yīng)用中很少見。

　　黃：設(shè)備健康管理（PHM）和智能維護之間的關(guān)系是什么？

　　李：設(shè)備健康管理（PHM）有很多種算法，是用于分析產(chǎn)品使用過程中的數(shù)據(jù)，通過對遠程監(jiān)控系統(tǒng)所采集的數(shù)據(jù)進行分析，實現(xiàn)對產(chǎn)品使用過程中性能衰退和未知變異的透明化管理，通過及時避免故障為客戶創(chuàng)造價值。

　　一般來講，設(shè)備或者工藝中存在的故障類型是多種多樣的，每一個故障類型能對應(yīng)特定的衰退模式以及應(yīng)對策略。有些故障類型可能會影響設(shè)備正常運行和生產(chǎn)安全，而有些故障可能對設(shè)備運行不構(gòu)成影響。

　　例如，設(shè)備內(nèi)部有些部件損壞后并未對設(shè)備整體使用造成影響，也就是說這部分壞的沒有價值。所以，我們并不僅要知道每個東西壞沒壞，還要了解它的衰退速度對整體使用的影響，影響越大風險越高。如果生產(chǎn)系統(tǒng)的運行人員能夠確知未來將要發(fā)生的隱患，就可以對情況產(chǎn)生預判，從而更為快速有效地進行修復，實現(xiàn)無憂制造，這才是智能維護的價值。

　　黃：現(xiàn)在很多人在研究設(shè)備管理，通過算法能夠計算出具體的故障部位嗎？

　　李：針對這種問題在做大數(shù)據(jù)分析時，要先找主分量分析，找到最重要的參數(shù)。例如有十二個參數(shù)來控制液壓，實際上只有四個關(guān)鍵參數(shù)會具體影響到液壓，那么從這四個里面再去做分類，成功率就會很高。如果十二個參數(shù)全部做，誤差就會很高。所以在做大數(shù)據(jù)分析時，不需要用所有參數(shù)去計算，而是選擇若干最關(guān)鍵、關(guān)聯(lián)性最大的參數(shù)序列來計算。

　　黃：請您談?wù)剬PS的理解。

　　李：CPS實質(zhì)上是一種多維度的智能技術(shù)體系，以大數(shù)據(jù)、網(wǎng)絡(luò)與海量計算為依托，通過核心的智能感知、分析、挖掘、評估、預測、優(yōu)化、協(xié)同等手段，使計算、通信、控制實現(xiàn)有機融合，做到涉及對象機理、環(huán)境、群體的網(wǎng)絡(luò)空間與實體空間的深度融合。如何用CPS的思維去創(chuàng)造新的智能化規(guī)劃是非常關(guān)鍵的。

　　黃：您認為CPS對工業(yè)界的價值體現(xiàn)在哪里？

　　李：工業(yè)設(shè)備系統(tǒng)中存在“看得見的世界”和“看不見的世界”，而真正的科技與挑戰(zhàn)都是隱藏在“看不見的世界”當中，所有顯性問題都是隱性問題積累到一定成都后所觸發(fā)的。所以，需要建立能夠?qū)㈦[性問題顯性化的預測模型，進行精確的同步，形成相互指導、相互映射的關(guān)系，這樣就可以挖掘出這些“隱形殺手”，然后控制住所有可激活設(shè)備故障的條件。

　　黃：請您列舉一個實例來具體闡述一下，在工業(yè)界如何應(yīng)用CPS來解決一些原來解決不了的問題？

　　李：例如在加工機器中，甲乙兩個工人輪班作業(yè)，甲在完成加工之后，機器是甲的調(diào)試方法，而乙在完成加工后則是乙的調(diào)法，同樣的一臺機器，甲乙兩個加工出來的產(chǎn)品質(zhì)量不一樣。為什么不一樣呢？原因在于甲、乙在進行加工作業(yè)操作時的習慣不同。

　　CPS有一個回溯系統(tǒng)，比如在甲進行加工時甲進行了調(diào)試，加工完的參數(shù)測量出來之后，測量結(jié)果與調(diào)試的人建立關(guān)聯(lián)。若甲調(diào)試后加工的產(chǎn)品質(zhì)量更好，下次甲或乙再來調(diào)試時如果不一樣系統(tǒng)就會進行提示，調(diào)試的人就能很快了解如何做才能將產(chǎn)品做得更好。

　　CPS就是先把好的關(guān)系建立起來，變成一個記憶之后，讓下一個人開始做的時候有一個可以傳承的知識，這個對制造業(yè)很有幫助，它也是一個智能化系統(tǒng)。企業(yè)對此也提出過兩個方面的困惑，第一是不知道加工過程中是如何產(chǎn)生誤差的；第二是因為每一個工序沒有關(guān)聯(lián)在一起，所以在檢驗系統(tǒng)時找不到影響質(zhì)量好壞的原因。

　　黃：您認為DigitalTwin這個概念應(yīng)當如何理解？

　　李：實際上我在1998已發(fā)表了Physical and Virtual Cyber model 文章 到了2003年我就在提出了Twin Model理念，每一個產(chǎn)品都有一個Twin，這是當時我們同空軍方面合作得來的啟發(fā)。Twin Model代表真正的健康模型與Condition模型兩者是一個Twin。其觀念就像照鏡子一樣（或稱為阿凡達），因為實體的好壞都可以通過鏡像反映出來，所以當Condition改變的時候健康模型就會跟著變化。在產(chǎn)品設(shè)計中，習慣稱為DigitalTwin，因為設(shè)計Model可以用做后續(xù)的參考，但這僅僅適用于產(chǎn)品設(shè)計。而在產(chǎn)品實際使用過程中，因為沒有Model，所以只能用數(shù)據(jù)來進行建模，即Twin。并且數(shù)據(jù)所產(chǎn)生的健康模型是作為實際操作模型的參考，這里面最主要是關(guān)系模型。

　　黃：您目前主要精力放在哪方面的工作？

　　李：工業(yè)大數(shù)據(jù)、人工智能、智能維護、CPS是智能預測領(lǐng)域的一條縱軸線，對我而言，該領(lǐng)域?qū)W無止境。當前，我的工作分為企業(yè)和學校兩部分，扎根企業(yè)，與行業(yè)從業(yè)者的頻繁互動，能更清楚了解這一領(lǐng)域的實踐成果和最新出現(xiàn)的問題；立足學校，將自身所學毫無保留傳授給學生，因此在學校工作的每一秒我?guī)缀醵己蛯W生待在一起。終生投身于智能預測的研究，實現(xiàn)無憂制造，這是我的信仰。過去、現(xiàn)在和未來，我已經(jīng)做的和將要做的，都是專注于這一領(lǐng)域，向更深更廣處擴大它的影響。

后記

　　智能服務(wù)是制造業(yè)推進智能制造的重要途徑之一，可以幫助制造企業(yè)實現(xiàn)無憂制造。李杰教授的科研成果使這一領(lǐng)域解決問題的方法有了全新突破，勢必會給制造業(yè)帶來重大變革。李杰教授是這一領(lǐng)域的開拓者和實戰(zhàn)家，讓人由衷敬佩。祝愿李杰教授在自己所熱愛的領(lǐng)域得償所愿，獲得更大的成就。