從人工智能到工業(yè)智能

劉宗長(zhǎng)

我們發(fā)現(xiàn)當(dāng)初預(yù)見的未來正在變成現(xiàn)實(shí)。我們聚焦的現(xiàn)代工業(yè)系統(tǒng)是怎樣的？未來智能工業(yè)系統(tǒng)會(huì)怎樣？目前，主要表現(xiàn)在零部件級(jí)、設(shè)備級(jí)、生產(chǎn)系統(tǒng)這三個(gè)維度上。

2016年人工智能悄然出現(xiàn)并逐漸發(fā)展，直到現(xiàn)在，仍處在人工智能的序曲階段。這是為什么呢？AlphaGo事件中人工智能首次戰(zhàn)勝人類棋手，引發(fā)了許多思考。同時(shí)，越來越多的公司也開始把人工智能技術(shù)引向工業(yè)的應(yīng)用領(lǐng)域。

·柯潔在大戰(zhàn)之前說，從AlphaGo當(dāng)中我們學(xué)到了很多東西，這對(duì)整個(gè)人類認(rèn)識(shí)新的知識(shí)有很大的益處。

·特斯拉首席執(zhí)行官埃隆·馬斯克（Elon Musk）曾聯(lián)合100多位人工智能學(xué)者向聯(lián)合國(guó)提出倡議，我們應(yīng)該去關(guān)注人工智能給人類帶來的威脅。

·麥肯錫曾經(jīng)指出：“可能到2035年，我們一半的工作將被人工智能所取代?！?/p>

·GE前總裁Jeff Emmelt曾提出：“一覺醒來驚奇地發(fā)現(xiàn)，GE已經(jīng)變成了一家互聯(lián)網(wǎng)公司?！?/p>

·德國(guó)Fraunhofer研究中心指出：“人工智能可以將生產(chǎn)率每年提高0.8%～1.4%?！?/p>

這些都預(yù)示著人工智能時(shí)代來臨了?？墒菫槭裁次覀冃枰斯ぶ悄?？舉個(gè)例子，在一輛汽車內(nèi)設(shè)置了移動(dòng)終端，實(shí)現(xiàn)對(duì)路面信息、交通狀況、預(yù)計(jì)到達(dá)時(shí)間以及周圍商圈等情況的信息收集，這樣人們出行時(shí)能夠享受更多的便利和更好的服務(wù)?？梢钥吹?，人工智能帶來的并不是汽車的改變，而是用新的方式提供了更便利的信息服務(wù)。

未來工業(yè)智能系統(tǒng)會(huì)怎樣？

在工業(yè)界也是如此，原本的設(shè)備沒有改變，在機(jī)器端對(duì)數(shù)據(jù)進(jìn)行采集與分析，會(huì)呈現(xiàn)出很多關(guān)于設(shè)備的洞察，包括目前的運(yùn)行狀態(tài)與健康程度，跟其他設(shè)備與歷史狀態(tài)進(jìn)行比較，可以自主預(yù)測(cè)未來設(shè)備的狀態(tài)。最終，這些信息匯集之后傳輸回設(shè)備端，實(shí)現(xiàn)自我的維護(hù)和調(diào)整，這正是智能化技術(shù)體現(xiàn)在工業(yè)界當(dāng)中巨大的優(yōu)勢(shì)。那么，目前工業(yè)中有哪些不足？如何運(yùn)用人工智能來彌補(bǔ)？

過去我們關(guān)注兩個(gè)方面。第一個(gè)是可制造性，運(yùn)用多種建模手段，如沖壓制程等，通過對(duì)物理指標(biāo)的仿真考察規(guī)格是否合格，但無論怎樣仿真，有些問題還是難以被發(fā)現(xiàn)和關(guān)注，最終導(dǎo)致仿真中優(yōu)秀的模型到實(shí)際生產(chǎn)中仍可能會(huì)產(chǎn)生次品。

第二個(gè)是生產(chǎn)系統(tǒng)設(shè)計(jì)，即對(duì)于設(shè)備綜合效率（OEE）的管理和設(shè)計(jì)以及整個(gè)制造系統(tǒng)當(dāng)中的設(shè)計(jì)管理，大多數(shù)企業(yè)會(huì)用到仿真軟件，但無論怎樣設(shè)計(jì)生產(chǎn)線，都很難保持設(shè)備的不間斷運(yùn)行。最主要的原因是設(shè)備會(huì)產(chǎn)生衰退，衰退到一定程度后會(huì)發(fā)生停機(jī)，進(jìn)而導(dǎo)致生產(chǎn)線停止運(yùn)行，最后導(dǎo)致過去的數(shù)據(jù)模型失效。

所以我們會(huì)發(fā)現(xiàn)，設(shè)計(jì)建模與實(shí)際的生產(chǎn)制造中間存在很大的差距。在過去的生產(chǎn)線中，目標(biāo)是實(shí)現(xiàn)work reduction（怎樣減少工作）以及waste reduction（怎么減少浪費(fèi)），現(xiàn)在worry reduction（零憂慮）成為新的目標(biāo)，即如何把生產(chǎn)過程中原本不可見的東西變得可見，從而去管理這些由于未知所造成的憂慮。將設(shè)備中所有造成停機(jī)、浪費(fèi)、次品的風(fēng)險(xiǎn)全部加以控制，最終實(shí)現(xiàn)三個(gè)零：零停機(jī)、零次品、零浪費(fèi)，消除生產(chǎn)過程中的憂慮。

美國(guó)IMS中心在2000年成立時(shí)，曾提出“未來智能工業(yè)系統(tǒng)”的概念。當(dāng)時(shí)發(fā)現(xiàn)每個(gè)產(chǎn)品或者系統(tǒng)中都會(huì)有上百個(gè)維度的數(shù)據(jù)，但那時(shí)數(shù)據(jù)并不像現(xiàn)在這么容易被提取出來。

我們的想法是，基于嵌入式的智能終端，并結(jié)合有效的分析方法，用Watchdog Agent分析引擎，在邊緣端處理信息之后，傳輸出當(dāng)前狀態(tài)和健康相關(guān)的信息，再跟運(yùn)營(yíng)系統(tǒng)相連，最終通過可視化的服務(wù)傳遞回設(shè)備端，傳遞時(shí)間既不過早也不過晚（Just-in-time），從而實(shí)現(xiàn)近零停機(jī)（near-zero downtime），即任何一次停機(jī)都處在預(yù)料之中。如此可以對(duì)機(jī)器進(jìn)行主動(dòng)維護(hù)，實(shí)現(xiàn)對(duì)設(shè)備的改善，最終實(shí)現(xiàn)信息的閉環(huán)。這就是我們當(dāng)初提出來的設(shè)想。通過這個(gè)設(shè)想，我們發(fā)現(xiàn)當(dāng)初預(yù)見的未來正在變成現(xiàn)實(shí)。我們聚焦的現(xiàn)代工業(yè)系統(tǒng)是怎樣的？未來智能工業(yè)系統(tǒng)會(huì)怎樣？目前，主要表現(xiàn)在零部件級(jí)、設(shè)備級(jí)、生產(chǎn)系統(tǒng)這三個(gè)維度上。

從零部件級(jí)看，現(xiàn)在關(guān)注的是精密性，以及如何通過更加精密的傳感器實(shí)現(xiàn)更加精密的動(dòng)作，那么未來呢？需要具備自預(yù)測(cè)性和自省性，設(shè)備需要精密，但外部原因或者自身衰退都會(huì)造成精密性發(fā)生變化，這時(shí)零部件可以將設(shè)備的狀態(tài)和造成的后果反饋給操作者。

從設(shè)備級(jí)看，現(xiàn)在關(guān)注的是性能和能否連續(xù)生產(chǎn)質(zhì)量達(dá)標(biāo)的產(chǎn)品，未來將更加關(guān)注設(shè)備的自比較性。麥肯錫在數(shù)字化制造的戰(zhàn)略當(dāng)中，提出了自比較性這個(gè)概念，它既包括設(shè)備與自身歷史最優(yōu)狀態(tài)的對(duì)標(biāo)，也包括在不同的環(huán)境下，集群內(nèi)與其他設(shè)備之間的對(duì)標(biāo)。這樣可以清晰地了解設(shè)備目前狀態(tài)的好壞與否，如果設(shè)備狀態(tài)不好，還可以進(jìn)一步了解故障在哪里發(fā)生，以及是哪種原因造成的。

從生產(chǎn)系統(tǒng)層面看，是怎樣實(shí)現(xiàn)最大的生產(chǎn)性來提升設(shè)備綜合效率（OEE）?，F(xiàn)在我們主要關(guān)注的是系統(tǒng)中各個(gè)設(shè)備、工序之間怎樣配合。配合的概念是指當(dāng)上游產(chǎn)生了質(zhì)量誤差時(shí)，及時(shí)發(fā)現(xiàn)并在下游進(jìn)行補(bǔ)償。在這個(gè)過程中，如果有設(shè)備出現(xiàn)質(zhì)量問題，能用其他的途徑進(jìn)行改善，這就實(shí)現(xiàn)了具有強(qiáng)韌性的系統(tǒng)（resilience system），即系統(tǒng)內(nèi)部可以通過協(xié)同性的優(yōu)化，把問題的影響降到最小。

以上從零部件、裝備到系統(tǒng)的不同層級(jí)的角度，為大家展示了未來我們希望的工業(yè)智能系統(tǒng)的狀態(tài)。

工業(yè)智能發(fā)展的五個(gè)階段

在實(shí)現(xiàn)工業(yè)智能的過程中，需要經(jīng)歷五個(gè)階段。第一個(gè)階段是過去大家一直在做的，即TPS全員生產(chǎn)系統(tǒng)的標(biāo)準(zhǔn)化，提升整體的生產(chǎn)文化的管理。

第二個(gè)階段是精益化和數(shù)字化。精益化和數(shù)字化的概念是以數(shù)據(jù)為驅(qū)動(dòng)，使整個(gè)系統(tǒng)當(dāng)中的配合性能夠達(dá)到最大化，用數(shù)字化的方式把當(dāng)前的狀態(tài)實(shí)時(shí)地表示出來，這樣就可以了解設(shè)備將會(huì)出現(xiàn)的問題以及可能帶來的影響。

第三個(gè)階段，在我們知道了當(dāng)前狀況的時(shí)候，如果能夠通過預(yù)測(cè)性的手段，或者通過數(shù)據(jù)驅(qū)動(dòng)建模的分析方式，尋找到問題產(chǎn)生的隱性原因，這就是將隱性問題顯性化的階段。要實(shí)現(xiàn)這一目標(biāo)，需要基于大數(shù)據(jù)，或者人工智能的建模技術(shù)。

第四個(gè)階段，當(dāng)知道設(shè)備出現(xiàn)問題的原因時(shí)，可以通過結(jié)合具體場(chǎng)景，預(yù)測(cè)對(duì)設(shè)備的運(yùn)營(yíng)或決策會(huì)產(chǎn)生什么后果，來實(shí)現(xiàn)以預(yù)測(cè)性為基礎(chǔ)的有效性運(yùn)營(yíng)和決策優(yōu)化。

第五個(gè)階段，在以上基礎(chǔ)上，把感知、分析、優(yōu)化和執(zhí)行連接起來，實(shí)現(xiàn)在賽博空間管理整個(gè)實(shí)體空間中所有設(shè)備的系統(tǒng)，形成了賽博空間與實(shí)體空間的鏡像，最終實(shí)現(xiàn)CPS的工業(yè)智能系統(tǒng)。

目前，大多數(shù)企業(yè)還處在第三個(gè)階段，前兩個(gè)階段做得很好，但建模的能力還沒有形成，問題出現(xiàn)時(shí)不了解故障原因。

用GE倡導(dǎo)的工業(yè)互聯(lián)網(wǎng)概念再來描繪一下未來工業(yè)智能的技術(shù)圖景，包含了很多的技術(shù)，數(shù)據(jù)輸出后，運(yùn)用基于機(jī)器的算法（machine-based algorithms），如嵌入式智能和邊緣計(jì)算技術(shù)以及在云端的智能分析、數(shù)據(jù)可視化等，運(yùn)用數(shù)據(jù)產(chǎn)生最優(yōu)化的決策，傳遞到不同的組織，最終反饋到設(shè)備當(dāng)中進(jìn)行執(zhí)行。這既包括IT與OT之間的相結(jié)合，又包括很多的云計(jì)算、邊緣計(jì)算等最新的信息技術(shù)，甚至包括像大數(shù)據(jù)分析，人工智能建模等最新的技術(shù)研究方向。實(shí)現(xiàn)智能設(shè)備、智能分析、智能決策，最終形成自發(fā)自動(dòng)的循環(huán)。

工業(yè)智能化轉(zhuǎn)型的三個(gè)路徑

那么對(duì)于目前的工業(yè)企業(yè)而言，如何運(yùn)用工業(yè)智能技術(shù)和大數(shù)據(jù)來實(shí)現(xiàn)轉(zhuǎn)型？可以運(yùn)用這個(gè)模型分成三條路徑。

轉(zhuǎn)型的第一條路徑是避免不可見的問題。從數(shù)據(jù)的角度，將問題產(chǎn)生的過程用數(shù)據(jù)分析、建模來了解發(fā)生的原因。并在上述基礎(chǔ)上，通過預(yù)測(cè)性方式進(jìn)一步改善，來避免可見問題的發(fā)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(shè)備衰退或者生產(chǎn)過程中會(huì)出現(xiàn)殘次品，設(shè)備背后的關(guān)聯(lián)性和關(guān)系性模型存在的問題是不可見的，從數(shù)據(jù)的角度能夠挖掘到關(guān)聯(lián)性，把不可見問題變得可見，更加高效地解決問題，會(huì)用到PHM、機(jī)器學(xué)習(xí)還有知識(shí)挖掘等核心技術(shù)。

第三個(gè)路徑是建立知識(shí)的模型，把相關(guān)性挖掘出來后，變成知識(shí)進(jìn)行沉淀。沉淀后在賽博空間建立對(duì)稱管理，通過實(shí)體空間中所有裝備鏡像的模型，實(shí)時(shí)產(chǎn)生所需的最優(yōu)決策，用到的核心方法是建模技術(shù)（Twin Model）、信息物理系統(tǒng)（CPS）等。

工業(yè)智能化案例

下面介紹幾個(gè)案例，來幫助大家更加清晰地理解工業(yè)智能的這三個(gè)轉(zhuǎn)型路徑或方向是怎樣完成的。

第一個(gè)案例是通過阿爾斯通的軌道交通智能管理系統(tǒng)解析如何利用數(shù)據(jù)分析問題發(fā)生的過程，并且避免可見問題的發(fā)生。阿爾斯通是全球非常先進(jìn)的軌道交通解決方案供應(yīng)商，不僅基礎(chǔ)設(shè)施龐大而且維護(hù)費(fèi)用也高，所以阿爾斯通2006年推出智能管理系統(tǒng)Health Hub，實(shí)現(xiàn)從車輛級(jí)到基礎(chǔ)設(shè)施級(jí)的智能管理。在感知系統(tǒng)方面通過Train Tracer、Track Tracer、Train Scanner等產(chǎn)品，實(shí)現(xiàn)將運(yùn)行過程當(dāng)中的實(shí)時(shí)狀態(tài)數(shù)據(jù)傳遞到HealthHub中進(jìn)行分析，實(shí)時(shí)評(píng)估關(guān)鍵部件的健康狀態(tài)，預(yù)測(cè)未來的風(fēng)險(xiǎn)，并且用預(yù)測(cè)性的方式進(jìn)行排程優(yōu)化。

整個(gè)系統(tǒng)運(yùn)用了典型的CPS技術(shù)框架，包括設(shè)備中數(shù)據(jù)的智能連接、實(shí)時(shí)的數(shù)據(jù)分析流、云端實(shí)現(xiàn)建模過程等，經(jīng)過大數(shù)據(jù)分析之后，對(duì)這些問題進(jìn)行預(yù)測(cè)，最終將決策運(yùn)用到所有的相關(guān)部門中。這套系統(tǒng)支撐起了阿爾斯通向服務(wù)型制造的轉(zhuǎn)型。目前阿爾斯通已經(jīng)有超過35%的收入、50%的利潤(rùn)來源于已經(jīng)賣出設(shè)備的服務(wù)型管理。其中的價(jià)值在于，車輛賣給使用者之后，通過智能的分析、預(yù)測(cè)與優(yōu)化排程，幫助用戶節(jié)省維護(hù)成本，這是生產(chǎn)價(jià)值模式的轉(zhuǎn)變。

2010年IMS中心與阿爾斯通進(jìn)行合作，提供了很多分析模型的核心算法，包括像高鐵集群的監(jiān)控、車輛內(nèi)部的牽引系統(tǒng)、軸承系統(tǒng)、軌道的轉(zhuǎn)轍器、車載的軌道監(jiān)測(cè)系統(tǒng)等。在模型的底層上，將傳統(tǒng)的不可見的問題顯性化。

目前，天澤智云也在跟國(guó)內(nèi)某高鐵制造商合作，開發(fā)基于CPS技術(shù)的高鐵PHM（預(yù)診斷與健康管理）平臺(tái)，通過對(duì)高鐵進(jìn)行大量的實(shí)驗(yàn)將關(guān)鍵部件的鏡像模型建立出來，包括失效模式和失效的狀態(tài)，以及過去探測(cè)到具有隱性失效特征的算法，等等。

第二個(gè)案例是高圣智能帶鋸機(jī)床，通過從數(shù)據(jù)中挖掘隱性問題的線索，實(shí)現(xiàn)對(duì)不可見問題的管理。傳統(tǒng)的不可見的問題，包括設(shè)備衰退、質(zhì)量過程參數(shù)產(chǎn)生偏差等，如何進(jìn)行預(yù)測(cè)和管理是我們?cè)谥圃煜到y(tǒng)當(dāng)中最常見的問題。帶鋸機(jī)床通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(gè)耗材，如果在使用過程當(dāng)中出現(xiàn)了斷裂等問題，會(huì)造成質(zhì)量參數(shù)的缺失以及大量成本的增加。

傳統(tǒng)的方式是通過有經(jīng)驗(yàn)的操作工人，在現(xiàn)場(chǎng)用耳朵去聽設(shè)備的聲音，判斷當(dāng)前的鋸帶是否正常。如果覺得噪音變大，就更換鋸帶，有時(shí)可能把好的鋸帶換掉，造成成本浪費(fèi)，也會(huì)因沒有及時(shí)發(fā)現(xiàn)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(huì)報(bào)廢，造成極大的浪費(fèi)。

后來項(xiàng)目團(tuán)隊(duì)把人的經(jīng)驗(yàn)和生產(chǎn)過程當(dāng)中的參數(shù)固化為模型來預(yù)測(cè)鋸帶的狀態(tài)。通過試驗(yàn)傳感器的部署，把知識(shí)、故障模式、切割參數(shù)等信息集成到模型里，同時(shí)運(yùn)用PHM算法工具，包括信號(hào)處理、健康評(píng)估、故障預(yù)測(cè)等，實(shí)現(xiàn)了在不同的工況下，通過狀態(tài)參數(shù)進(jìn)行自動(dòng)識(shí)別，提取不同健康狀態(tài)下的特征聚類，再運(yùn)用特征識(shí)別等模型方法判斷當(dāng)前的狀況。

最終，實(shí)現(xiàn)了將鋸帶從完全健康到鍍層磨損，再到內(nèi)部實(shí)際的磨損，最后到斷裂的整個(gè)過程的建模。把不同時(shí)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(shí)時(shí)的數(shù)據(jù)，包括鋸帶的衰退狀態(tài)、核心部件的運(yùn)轉(zhuǎn)模式等，通過模型加以分析，通過手機(jī)端或者Web端進(jìn)行訪問，實(shí)時(shí)決策，優(yōu)化管理。過去可能一個(gè)人管理最多10臺(tái)機(jī)床，現(xiàn)在一個(gè)人可以管理更多機(jī)床，實(shí)現(xiàn)了從人員的使用效率到成本維護(hù)的整體優(yōu)化。這個(gè)產(chǎn)品在2014年美國(guó)芝加哥國(guó)際制造技術(shù)展覽會(huì)（IMTS）上第一次展出，2016年正式商業(yè)化，目前已在全球超過一百多家的項(xiàng)目工程上部署了。

第三個(gè)案例是通過智慧風(fēng)場(chǎng)系統(tǒng)解析，如何利用知識(shí)建模在賽博空間里產(chǎn)生對(duì)實(shí)體的管理鏡像，實(shí)現(xiàn)對(duì)不可見問題的避免。風(fēng)場(chǎng)大多在相對(duì)偏遠(yuǎn)的地方且風(fēng)機(jī)成本昂貴，這對(duì)生產(chǎn)管理、健康管理以及運(yùn)維管理層面帶來很大的挑戰(zhàn)。對(duì)于一臺(tái)風(fēng)機(jī)，生產(chǎn)管理方面要實(shí)現(xiàn)對(duì)設(shè)備衰退狀態(tài)的監(jiān)測(cè)，并預(yù)測(cè)當(dāng)前的環(huán)境；健康管理方面，主要針對(duì)風(fēng)機(jī)內(nèi)部的核心部件的管理；運(yùn)維管理方面，通過預(yù)測(cè)的方法實(shí)現(xiàn)對(duì)設(shè)備故障的避免以最大化降低運(yùn)維成本。

通過研究發(fā)現(xiàn)，要把以上的憂慮解決掉，需要三個(gè)步驟。

第一步進(jìn)行狀態(tài)評(píng)估，即了解風(fēng)機(jī)的實(shí)時(shí)狀態(tài)，無論是性能的衰退或健康的風(fēng)險(xiǎn)，都要進(jìn)行精確的量化。

第二步是場(chǎng)景化預(yù)測(cè)，比如整體維護(hù)排程的優(yōu)化，采用不同的排程規(guī)劃，會(huì)產(chǎn)生不同的生產(chǎn)和維護(hù)成本，結(jié)果也有所不同，因此需要將所有可能的成本結(jié)果都量化出來，從上億種可能性中搜索最優(yōu)的一個(gè)結(jié)果。

第三步是優(yōu)化和避免，一臺(tái)風(fēng)機(jī)中可能有上百個(gè)維度的參數(shù)，運(yùn)用模式識(shí)別的方法可以清晰地識(shí)別出正常狀態(tài)下的風(fēng)機(jī)。當(dāng)新的數(shù)據(jù)輸入進(jìn)來時(shí)，實(shí)時(shí)地跟正常模式進(jìn)行比較，當(dāng)風(fēng)機(jī)發(fā)生逐漸偏離健康的狀態(tài)時(shí)，設(shè)備就會(huì)產(chǎn)生新的風(fēng)險(xiǎn)。實(shí)現(xiàn)這一系統(tǒng)后，對(duì)大型的部件如傳動(dòng)鏈可以做到提前至少30天預(yù)測(cè)到潛在故障。當(dāng)了解到設(shè)備的故障后，就要對(duì)故障進(jìn)行排除。這涉及維護(hù)的問題，要考慮多成本要素的綜合建模，包括機(jī)會(huì)成本、固定成本、動(dòng)態(tài)成本，實(shí)現(xiàn)全部建模后，基于建模進(jìn)行有效預(yù)測(cè)，比如在某一時(shí)刻，將有幾十個(gè)排程的任務(wù)，不同排程組合造成的成本是多少，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(yōu)的結(jié)果，我們運(yùn)用了遺傳算法的優(yōu)化模型求解過程。遺傳算法針對(duì)于風(fēng)場(chǎng)排程的問題，實(shí)現(xiàn)了多層的優(yōu)化求解器，比傳統(tǒng)的線性規(guī)劃提升上千倍的效率，比單層的遺傳算法提升數(shù)十倍的效率。對(duì)于一個(gè)風(fēng)場(chǎng)來講，如果要排程幾十個(gè)維護(hù)任務(wù)，可以在一分鐘之內(nèi)找到最優(yōu)的結(jié)果。

目前，這個(gè)WindInsight系統(tǒng)是我們與微軟Azure合作，實(shí)現(xiàn)部署的一個(gè)海上風(fēng)場(chǎng)。風(fēng)場(chǎng)在實(shí)時(shí)運(yùn)行的時(shí)候，整個(gè)風(fēng)場(chǎng)的風(fēng)機(jī)運(yùn)行狀態(tài)是否有潛在的故障或者風(fēng)險(xiǎn)發(fā)生等，都可以在這個(gè)系統(tǒng)上進(jìn)行遠(yuǎn)程判斷。

當(dāng)某個(gè)風(fēng)機(jī)出現(xiàn)潛在故障時(shí)，我們可以對(duì)它進(jìn)行最優(yōu)化的排程。優(yōu)化排程中考慮的因素包括當(dāng)前人員使用率、整個(gè)風(fēng)場(chǎng)的風(fēng)資源情況、風(fēng)機(jī)的發(fā)電能力情況、故障衰退情況等，也包括對(duì)每臺(tái)風(fēng)機(jī)進(jìn)行對(duì)標(biāo)，與整個(gè)風(fēng)場(chǎng)內(nèi)的其他風(fēng)機(jī)相比發(fā)電能力如何？與歷史相比，發(fā)電能力如何？在對(duì)風(fēng)場(chǎng)管理時(shí)，對(duì)當(dāng)前風(fēng)場(chǎng)未來72小時(shí)的風(fēng)資源進(jìn)行預(yù)測(cè)，包括風(fēng)向和風(fēng)力的情況。在維護(hù)的過程當(dāng)中，要盡量選擇風(fēng)小的時(shí)候進(jìn)行停機(jī)維護(hù)，在風(fēng)大的時(shí)候進(jìn)行發(fā)電，如此經(jīng)過多成本的綜合考慮后，產(chǎn)生新的智能優(yōu)化的模型，對(duì)這些模型進(jìn)行在線評(píng)估。這樣的過程實(shí)現(xiàn)了對(duì)風(fēng)場(chǎng)從設(shè)備的管理到生產(chǎn)管理再到維護(hù)管理的全棧式解決方案。

關(guān)于CPS信息物理系統(tǒng)

以上三個(gè)案例的實(shí)現(xiàn)，是基于融合邊緣計(jì)算和云計(jì)算的CPS技術(shù)架構(gòu)。CPS這項(xiàng)技術(shù)在國(guó)外研究的人非常多，2011年，GE第一次提出工業(yè)互聯(lián)網(wǎng)概念的時(shí)候，就提到CPS將會(huì)是未來的核心技術(shù)，而德國(guó)的工業(yè)4.0也提出CPS的概念。在我國(guó)，CPS也是工信部推廣的一項(xiàng)重要的技術(shù)架構(gòu)，《信息物理系統(tǒng)白皮書（2017）》將CPS定義為支撐工業(yè)和信息化深度融合的一套綜合技術(shù)體系，對(duì)于推進(jìn)我國(guó)工業(yè)產(chǎn)業(yè)的價(jià)值轉(zhuǎn)型與升級(jí)具有重大的意義。

在李杰教授的《CPS新一代工業(yè)智能》書中，定義了CPS的5C技術(shù)體系架構(gòu)，即Connection智能連接層、Conversion智能分析層、Cyber智能網(wǎng)絡(luò)層、Cognition智能認(rèn)知層、Configuration智能配置與執(zhí)行層。

實(shí)現(xiàn)這五層的CPS架構(gòu)，需要融合DT數(shù)據(jù)處理技術(shù)、AT分析軟件技術(shù)、PT平臺(tái)接口技術(shù)和OT運(yùn)營(yíng)技術(shù)，對(duì)工業(yè)大數(shù)據(jù)進(jìn)行連接、挖掘、分析、預(yù)測(cè)和優(yōu)化，將工業(yè)生產(chǎn)制造當(dāng)中的知識(shí)轉(zhuǎn)換成高價(jià)值生產(chǎn)力。