李杰教授談智能制造的內涵，并解讀工業(yè)智能化技術與應用

3月5日，第十三屆全國人民代表大會第一次會議在北京人民大會堂開幕。國務院總理李克強作政府工作報告時指出，五年來經濟結構出現(xiàn)重大變革，其中高技術制造業(yè)年均增長11.7%。政府工作報告，對2018年政府工作的建議中特別提出了：

深入推進供給側結構性改革。堅持把發(fā)展經濟著力點放在實體經濟上，繼續(xù)抓好“三去一降一補”，大力簡政減稅減費，不斷優(yōu)化營商環(huán)境，進一步激發(fā)市場主體活力，提升經濟發(fā)展質量。

發(fā)展壯大新動能。做大做強新興產業(yè)集群，實施大數(shù)據發(fā)展行動，加強新一代人工智能研發(fā)應用，在醫(yī)療、養(yǎng)老、教育、文化、體育等多領域推進“互聯(lián)網+”。發(fā)展智能產業(yè)，拓展智能生活。運用新技術、新業(yè)態(tài)、新模式，大力改造提升傳統(tǒng)產業(yè)。

加快制造強國建設。推動集成電路、第五代移動通信、飛機發(fā)動機、新能源汽車、新材料等產業(yè)發(fā)展，實施重大短板裝備專項工程，發(fā)展工業(yè)互聯(lián)網平臺，創(chuàng)建“中國制造2025”示范區(qū)。大幅壓減工業(yè)生產許可證，強化產品質量監(jiān)管。全面開展質量提升行動，推進與國際先進水平對標達標，弘揚工匠精神，來一場中國制造的品質革命。

隨著智能制造相關政策不斷落地實施，媒體和專家們對于工業(yè)人工智能、CPS、PHM等新興技術的關注度不斷升溫，但是這些技術的概念和內涵到底是什么？它們具體應用在哪些工業(yè)制造場景？又能帶來哪些具體的價值？

日前，e-works數(shù)字化企業(yè)網總編黃培博士專訪了美國辛辛那提大學講座教授、美國國家科學基金會 (NSF) 智能維護系統(tǒng) (IMS) 產學合作中心主任李杰教授，就這些問題展開了深入的交流探討，以下為訪談內容。

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

李：智能制造不僅僅是一個技術體系，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）驅動5M要素。智能制造所要解決的核心問題是知識的產生與傳承過程。

同時，推進智能制造還應針對不同的行業(yè)領域采取不同的策略，因為領域不同，所以相關的特征也不同。例如在醫(yī)療領域中，推進智能制造的重點是追溯性，而不是生產制造，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)約了購買檢測設備的成本。

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

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，以共性最高的結果作為參考。

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

預測制造系統(tǒng)的核心技術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，防止生產力和效率的損失。

在生產系統(tǒng)里隱形問題的預測方面，提取有效的健康特征至關重要。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，在獲取設備的工作數(shù)據之后，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，從而提高設備的運作效率，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備設計部門，從而形成閉環(huán)的生命周期設計，最終實現(xiàn)無憂制造。讓企業(yè)的生產車間不再有意外發(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。其實這跟我們人類學習一樣，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用中很少見。

黃：設備的故障預測與健康管理（PHM）和智能維護之間的關系是什么？

李：故障預測與健康管理（PHM）有很多種算法，是用于分析產品使用過程中的數(shù)據，通過對遠程監(jiān)控系統(tǒng)所采集的數(shù)據進行分析，實現(xiàn)對產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特定的衰退模式以及應對策略。有些故障類型可能會影響設備正常運行和生產安全，而有些故障可能對設備運行不構成影響。

例如，設備內部有些部件損壞后并未對設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)據分析時，不需要用所有參數(shù)去計算，而是選擇若干最關鍵、關聯(lián)性最大的參數(shù)序列來計算。

黃：請您談談對CPS的理解。

李：CPS實質上是一種多維度的智能技術體系，以大數(shù)據、網絡與海量計算為依托，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、群體的網絡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，需要建立能夠將隱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，機器是甲的調試方法，而乙在完成加工后則是乙的調法，同樣的一臺機器，甲乙兩個加工出來的產品質量不一樣。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試，加工完的參數(shù)測量出來之后，測量結果與調試的人建立關聯(lián)。若甲調試后加工的產品質量更好，下次甲或乙再來調試時如果不一樣系統(tǒng)就會進行提示，調試的人就能很快了解如何做才能將產品做得更好。

CPS就是先把好的關系建立起來，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生誤差的；第二是因為每一個工序沒有關聯(lián)在一起，所以在檢驗系統(tǒng)時找不到影響質量好壞的原因。天澤智云

黃：您認為DigitalTwin這個概念應當如何理解？

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。在產品設計中，習慣稱為DigitalTwin，因為設計Model可以用做后續(xù)的參考，但這僅僅適用于產品設計。而在產品實際使用過程中，因為沒有Model，所以只能用數(shù)據來進行建模，即Twin。并且數(shù)據所產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、人工智能、智能維護、CPS是智能預測領域的一條縱軸線，對我而言，該領域學無止境。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，我已經做的和將要做的，都是專注于這一領域，向更深更廣處擴大它的影響。天澤智云