李杰教授谈智能制造的内涵，并解读工业智能化技术与应用

3月5日，第十三届全国人民代表大会第一次会议在北京人民大会堂开幕。国务院总理李克强作政府工作报告时指出，五年来经济结构出现重大变革，其中高技术制造业年均增长11.7%。政府工作报告，对2018年政府工作的建议中特别提出了：

深入推进供给侧结构性改革。坚持把发展经济着力点放在实体经济上，继续抓好“三去一降一补”，大力简政减税减费，不断优化营商环境，进一步激发市场主体活力，提升经济发展质量。

发展壮大新动能。做大做强新兴产业集群，实施大数据发展行动，加强新一代人工智能研发应用，在医疗、养老、教育、文化、体育等多领域推进“互联网+”。发展智能产业，拓展智能生活。运用新技术、新业态、新模式，大力改造提升传统产业。

加快制造强国建设。推动集成电路、第五代移动通信、飞机发动机、新能源汽车、新材料等产业发展，实施重大短板装备专项工程，发展工业互联网平台，创建“中国制造2025”示范区。大幅压减工业生产许可证，强化产品质量监管。全面开展质量提升行动，推进与国际先进水平对标达标，弘扬工匠精神，来一场中国制造的品质革命。

随着智能制造相关政策不断落地实施，媒体和专家们对于工业人工智能、CPS、PHM等新兴技术的关注度不断升温，但是这些技术的概念和内涵到底是什么？它们具体应用在哪些工业制造场景？又能带来哪些具体的价值？

日前，e-works数字化企业网总编黄培博士专访了美国辛辛那提大学讲座教授、美国国家科学基金会 (NSF) 智能维护系统 (IMS) 产学合作中心主任李杰教授，就这些问题展开了深入的交流探讨，以下为访谈内容。

黄：当前智能制造在中国很热，但是对其定义，内涵、外延还缺乏统一认识。请您解读一下智能制造的内涵。

李：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。

黄：如果要预测某一个设备的状况，比如经过相关算法预测得出该设备预计三个星期后可能轴承或齿轮会损坏。在您的实践经验中，有没有某些算法能使预测结果更为准确？

李：最初我们考虑的是从不同的算法中找出最好的一种，后来我们意识到可以通过多种算法并行来进行互相印证，以共性最高的结果作为参考。

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。就像医院体检拿一管血做分析，每一滴血都可以做不同的测试，可以对胆固醇、肝指数、糖尿病、艾滋病等病症同时进行测试，通过不同成分的指标就可以判断出存在各种病情的隐患。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！

黄：人工智能的深度学习算法如果没有任何引导，这种算法有实际意义吗？

李：深度学习是机器学习中的一种，它的先决条件是要制定限制条件。比如我看到一种花，这种花属于哪一类的？这类花还有哪些品种？这类花有什么颜色、叶型？意思就是说每一种植物都有一个种群。但如果仅仅只说这就是一种花，那么这种学习是不可能完成的。所以，深度学习首先要有逻辑支撑，其次要有数据支撑。因为所处的环境不一样，参数也会不一样，背景资料也会变化。另外，我提出深度学习中还要有宽度学习，宽度学习讲的是速度，深度学习讲的是精度，二者的目的性不同。其实这跟我们人类学习一样，宽度学习是通过外部资料去了解，深度学习是自己去研习。

黄：我看过一个案例，通过物联网平台可以预测某一台水泵会损坏的具体时间。您认为目前的预测性维护技术能够达到这样的准确度吗？

李：这是理想化的，因为水泵也包含水质和工况的变化。在预测里面有多工况情况，如果工况都没变，预测具有一定的合理性；如果工况发生变化，预测就不合理，而工况不变的情况在实际应用中很少见。

黄：设备的故障预测与健康管理（PHM）和智能维护之间的关系是什么？

李：故障预测与健康管理（PHM）有很多种算法，是用于分析产品使用过程中的数据，通过对远程监控系统所采集的数据进行分析，实现对产品使用过程中性能衰退和未知变异的透明化管理，通过及时避免故障为客户创造价值。

一般来讲，设备或者工艺中存在的故障类型是多种多样的，每一个故障类型能对应特定的衰退模式以及应对策略。有些故障类型可能会影响设备正常运行和生产安全，而有些故障可能对设备运行不构成影响。

例如，设备内部有些部件损坏后并未对设备整体使用造成影响，也就是说这部分坏的没有价值。所以，我们并不仅要知道每个东西坏没坏，还要了解它的衰退速度对整体使用的影响，影响越大风险越高。如果生产系统的运行人员能够确知未来将要发生的隐患，就可以对情况产生预判，从而更为快速有效地进行修复，实现无忧制造，这才是智能维护的价值。

黄：现在很多人在研究设备管理，通过算法能够计算出具体的故障部位吗？

李：针对这种问题在做大数据分析时，要先找主分量分析，找到最重要的参数。例如有十二个参数来控制液压，实际上只有四个关键参数会具体影响到液压，那么从这四个里面再去做分类，成功率就会很高。如果十二个参数全部做，误差就会很高。所以在做大数据分析时，不需要用所有参数去计算，而是选择若干最关键、关联性最大的参数序列来计算。

黄：请您谈谈对CPS的理解。

李：CPS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。

黄：您认为CPS对工业界的价值体现在哪里？

李：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。

黄：请您列举一个实例来具体阐述一下，在工业界如何应用CPS来解决一些原来解决不了的问题？

李：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。天泽智云

黄：您认为DigitalTwin这个概念应当如何理解？

李：实际上我在1998已发表了Physical and Virtual Cyber model 文章 到了2003年我就在提出了Twin Model理念，每一个产品都有一个Twin，这是当时我们同空军方面合作得来的启发。Twin Model代表真正的健康模型与Condition模型两者是一个Twin。其观念就像照镜子一样（或称为阿凡达），因为实体的好坏都可以通过镜像反映出来，所以当Condition改变的时候健康模型就会跟着变化。在产品设计中，习惯称为DigitalTwin，因为设计Model可以用做后续的参考，但这仅仅适用于产品设计。而在产品实际使用过程中，因为没有Model，所以只能用数据来进行建模，即Twin。并且数据所产生的健康模型是作为实际操作模型的参考，这里面最主要是关系模型。

黄：您目前主要精力放在哪方面的工作？

李：工业大数据、人工智能、智能维护、CPS是智能预测领域的一条纵轴线，对我而言，该领域学无止境。当前，我的工作分为企业和学校两部分，扎根企业，与行业从业者的频繁互动，能更清楚了解这一领域的实践成果和最新出现的问题；立足学校，将自身所学毫无保留传授给学生，因此在学校工作的每一秒我几乎都和学生待在一起。终生投身于智能预测的研究，实现无忧制造，这是我的信仰。过去、现在和未来，我已经做的和将要做的，都是专注于这一领域，向更深更广处扩大它的影响。天泽智云