李杰教授：以CPS為核心的智能化大數據創值體系

李杰先生，美國辛辛那提大學特聘講座教授，美國國家科學基金會(NSF)智能維護系統研究中心(IMS)主任。自2000年起領導全球工業大數據分析與智能維護系統技術研發；2013年，他擔任美國白宮信息物理系統與美國挑戰項目顧問；2016年起，擔任美國麥肯錫全球顧問。

美國早在2006年就提出了Cyber-Physical System(CPS),也就是“網絡-實體系統”(又譯為“虛擬-實體系統”或“信息-物理系統”或“智能技術系統”等)的概念，并將此項技術體系作為新一代技術革命的突破點。同時，德國也提出工業4.0的核心技術是Cyber-Physical Production System(網絡-實體生產系統)，也就是CPS技術在生產系統的應用。

CPS的概念雖然看似很抽象，卻可以用日常生活常見事物來解釋。比如國內使用的滴滴打車，就是在網絡端將乘客和出租車的地理位置聯系在一起，將乘客的請求推送給距離較近的出租車，滿足的是乘客對于出行的“按需服務”。 又比如，當我們開車經過一個路段時，GPS自動提醒我們前方路段道路顛簸請減速，使用的是許多其他車輛的經驗和歷史數據，是自身的傳感所不能夠探測到的。所以在虛擬(Cyber)世界中我們每個人都有一個數字化鏡像(Digital Twin)，是我們現實生活的記錄和反映，這些數字化鏡像可以形成一個虛擬的社區，彼此共享信息和協同活動，進而對我們現實的生活進行對稱性的指導和輔助。

同樣地，任何產品也可以存在于虛擬和實體兩個世界，如何在虛擬世界中將實體的狀態以及實體之間的關系透明化，正是CPS技術誕生的目的和意義?；贑PS技術的應用，使設備具備了自省性(對自身狀態變化的意識，self-aware)、自我預測(self-predict)、自我比較(self-compare)、和自我配置(self-configure)的能力。未來產品例如機床、汽車、飛機、船舶等都應該會有實體與虛擬的價值結合，虛擬世界中的代表實體狀態和相互關系的模型和運算結果能夠更加精確地指導實體的行動，使實體的活動相互協同和優化，實現價值更加高效、準確、和優化的傳達。以CPS在船舶上的應用為例，在實體世界中，船舶、海洋、環境、設備、和船員構成了航行活動的主要要素，而在Cyber端可以建立這些要素的關聯模型。當海洋的環境改變時，我們可以在Cyber端分析洋流變化對船舶能耗的影響，再動態優化出當前最佳的轉速航和航行姿態，使船舶時刻保持最經濟的狀態航行。

從技術概念上講，CPS是什么?

CPS不是一個簡單的技術，而是一個具有清晰架構和使用流程的技術體系，能夠實現對數據進行收集、匯總、解析、排序、分析、預測、決策、分發的整個處理流程，能夠對工業數據進行流水線式的實時分析能力，并在分析過程中充分考慮機理邏輯、流程關系、活動目標、商業活動等特征和要求，因此是工業大數據分析中的智能化體系的核心。

這里給出以下幾個概念：

CPS的定義

Cyber-physicalSystem，在眾多翻譯中，我們認為較為合理的是“網絡-實體系統”，即：從實體空間對象、環境、活動大數據的采集、存儲、建模、分析、挖掘、評估、預測、優化、協同，并與對象的設計、測試和運行性能表征相結合，產生與實體空間深度融合、實時交互、互相耦合、互相更新的網絡空間(包括機理空間、環境空間與群體空間的結合); 進而，通過自感知、自記憶、自認知、自決策、自重構和智能支持促進工業資產的全面智能化。

CPS的內涵

CPS實質上是一種多維度的智能技術體系，以大數據、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、優化、協同等技術手段，將計算、通信、控制(Computing、Communication、Control，3C)有機融合與深度協作，做到涉及對象機理、環境、群體的網絡空間與實體空間的深度融合。

“實體空間”vs. “網絡空間”

實體空間是構成真實世界的各類要素和活動個體，包括環境、設備、系統、集群、社區、人員活動等。而網絡空間是上述要素和個體的精確同步和建模，通過模型模擬個體之間和與環境之間的關系，記錄實體空間隨時間的變化，并可以對實體空間的活動進行模擬和預測。網絡空間的成長需要依靠實體空間活動所產生的大量數據，在CPS的自成長體系下，網絡空間的價值和能力將不斷得到提升。因此，實體空間和網絡空間的關系是相互指導和相互映射的關系。

CPS的特征

以CPS為核心的智能化體系，正是根據工業大數據環境中的分析和決策要求所設計的，其特征主要體現在以下幾個方面：

1)智能的感知：從信息來源、采集方式、和管理方式上保證了數據的質量和全面性，建立支持CPS上層建筑的數據環境基礎。

2)數據到信息的轉化：可以對數據進行特征提取、篩選、分類、和優先級排列，保證了數據的可解讀性。

3)網絡的融合：將機理、環境與群體有機結合，構建能夠指導實體空間的網絡環境，包括精確同步、關聯建模、變化記錄、分析預測等。

4)自我的認知：將機理模型和數據驅動模型相結合，保證數據的解讀符合客觀的物理規律，并從機理上反映對象的狀態變化。同時結合數據可視化工具和決策優化算法工具為用戶提供面向其活動目標的決策支持。

5)自由的配置：根據活動目標進行優化，進而通過執行優化后的決策實現價值的應用。

從技術上如何實現：CPS的5C構架

根據CPS為達成智能化所應該具有的特征，我們在這里給出一個在工業4.0環境下的CPS技術體系架構，包括了5個層次的構建模式：智能感知層(Connection)、信息挖掘層(Conversion)、網絡層(Cyber)、認知層(Cognition)、和配置執行層(Configuration)。

智能感知層(Smart Connection Level)

從機器或部件級，第一件事是如何以高效和可靠的方式采集數據。它可能包括一個本地代理(用于數據記錄、緩存和精簡)，并用來發送來自本地計算機系統數據到遠程中央服務器的通信協議。基于眾所周知的束縛、自由通訊方式，包括ZigBee的藍牙、WiFi、UWB等，以前的研究已經調查并設計堅固的工廠網絡方案來使機器系統更智能，因此，數據的透明性絕對是第一步。

數據到信息轉換層，也即是信息挖掘層(Data-to-information Conversion Level)

在工業環境中，數據可能來自不同的資源，包括控制器、傳感器、制造系統(ERP，MES，SCM和CRM系統)，維修記錄，等等。這些數據或信號代表所監視機器的系統的狀況，但是，該數據必須被轉換成用于一個實際的應用程序的有意義的信息，包括健康評估和故障診斷。

網絡-實體融合層，也即是網絡化的內容管理(Cyber Level)

一旦我們能夠從機械系統收獲信息，如何利用它是下一個挑戰。從被監控的系統中提取的信息可表示在該時間點的系統條件。如果它能夠與其他類似的機器或在不同的時間歷程的機器進行比較，用戶能夠更深入了解系統的變化和預測任務狀態。這就是所謂的網絡層，通過網絡化的內容管理，建設對每一臺機器系統的一流的知識基礎。

自認知層，也即是識別與決策層(Cognition Level)

通過實施CPS的網絡層，它可以提供解決方案，以機器信號轉換為健康信息，并且還與其他實例進行比較。在認知層面上，機器本身應該采取這種在線監測系統的優勢，以提前確診潛在的故障，并意識到其潛在的降解。根據歷史健康評估的適應性學習，系統可以利用一些特定的預測算法來預測潛在的故障，并估計到達故障的一定程度的時間。

配置層，也既是重構層(Configuration Level)

由于本機可以在網上追蹤其健康狀況，CPS可以提供早期故障檢測和發送健康監測信息。此保養信息可以反饋給業務管理系統，使操作員和工廠管理人員可以基于維護信息做出正確的決定。同時，機器本身可以減少機器故障的損失，并最終實現以彈性系統調整其工作負荷或制造時間表。

在這個架構中，CPS從最底層的物理連接到數據至信息的轉化層，并通過增加先進的分析和彈性功能，最終實現所管理的系統自身的自我配置、自我調整、自我優化的能力。

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技術的高可移植性、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。在這里我們提出以CPS為核心的數據創值體系的“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。

CPS在制造業的應用

分析CPS如何在制造系統中產生價值，我們首先要分析的是Physical和Cyber在制造業中分別代表什么，我認為，6M+6C的模式可以比較明確地闡述制造系統中Physical和Cyber的元素。

傳統的制造系統在前三次工業革命中主要在Physical的領域中進行改善和競爭，它包含了：

Material——材料，包括特性和功能等

Machine——機器，包括精度、自動化、和生產能力等

Methods——方法，包括工藝、效率、和產能等

Measurement——測量，包括六西格瑪、傳感器監測等

Maintenance——維護，包括使用率、故障率、和運維成本等

傳統的制造業向智能化轉型的過程中，第六個M起到了至關重要的作用：

Modeling——數據和知識建模，包括監測、預測、優化和防范等。這也是打通Physical和Cyber的最重要連接。

未來的制造業產品一定是包含6M的，也就是，如何利用智能傳感與分析技術將5M過程中產生的工業數據連接并建立分析模型，即：企業即使不做材料也不做設備，依然可以通過使用數據、維護數據等的分析實現價值創造。數據能夠反映出來問題，比如功能特性、生產工藝等等5M會涉及的各方面問題，假如有一整套建模系統，能夠對每個設備過去、當前及未來性能進行完整的分析，那么這就能夠滲透全壽命周期的決策鏈與價值鏈，其能量可想而知。

隨著智能傳感器技術，如RFID技術的發展，收集數據已經變得很簡單，但是仍然存在的問題是，這些器件及數據是否在正確時間、為正確的目的、提供給正確的人正確的信息?除非數據被處理后可為需要者提供內容和意義，否則這些數據也是無用的。單純將傳感器連接到設備上或者將一臺設備與另一臺進行連接，是不會給用戶提供足以做出更好決策所需的信息的。

為了使傳感器、設備、群體乃至社區網絡等之間的聯接更有意義，到底該如何獲取并從數據分析中萃取洞察力和價值呢?這就離不開Cyber系統中的“6C”元素，即：

Connection——連接，涉及傳感器和網絡、物聯網等;

Cloud——云，即在任何時間按需獲取的存儲和計算能力;

Cyber——虛擬網絡，包括模型與記憶等;

Content/Context——數據來源背景與內容，包括相關性、含義、決策等;

Community——社群，包括交互、分享、協同等;

Customization——客制化，即個性化的服務與價值。

這些正是可以對工業4.0環境下的智能制造與智能使用系統模式開展進一步的強化說明。也就是說，現有的制造系統需要對制造設備本身的以及制造過程中產生的數據進行更深入的分析，將數據轉化成為能夠指導生產活動的信息，再利用信息產生優化的決策和個性化的服務來創造價值。

如果用煎蛋模型來審視CPS與制造業的關系，那么以6M為核心要素的“Physical”部分就是蛋黃，是整個制造系統價值的基礎和載體。而以6C為核心要素的“Cyber”部分就是蛋白，是整個制造系統價值的創造和分發。利用CPS從生產活動的大數據中挖掘新的知識，實現無憂的透明化生產環境，是制造業未來的核心競爭力。

總而言之，整個CPS的5C體系所要傳遞的概念就是如何從工業大數據中創造面向客戶的價值過程。

首先，先進的傳感器技術、通信技術、物聯網技術等等可以使得大量原始數據的獲取并非難事，然而，有了數據并不代表一定就能產生價值。一種是數據的利用程度，比如，很多運營型企業會存儲大量的設備使用數據，設備出現問題時才會查看當時的數據是否出現了異常、并且只用于處理當下的問題，這樣，大量的使用數據被浪費，實際上如果能通過一個統一的平臺分析、預測數據的關聯，就可能避免不必要的問題或浪費;另一種是數據的可用程度，即有可能我們采集到的數據90%以上都是無用的數據，而技術人員需要花費大量時間進行數據處理，因此，這實際上對于感知數據的采集與存儲提出了新的要求。

第二，就算有了可利用的數據，也必須能夠轉化為有用的信息。這種信息的轉化，類似于人的記憶過程，即人之所以有記憶，并非單純感知到實體世界的數據存儲，或者是實體世界鏡像的映射，而是通過篩選、存儲、關聯、融合、索引、調用等形式將數據變為對人有用的信息，這是人類思維與行為的基礎。因此，在CPS的框架下，能夠按照信息分析的頻度和重點重新進行自適應的、動態的“數據-信息”轉換，并解決海量信息的持續存儲、多層挖掘、層次化聚類調用，進而達成數據到信息的智能篩選、存儲、融合、關聯、調用，才是有效的信息提取過程。

第三，就是如何能夠從信息當中產生價值。單一信息源產生單一價值，這是過去的概念;如今的工業4.0時代需要解決的核心問題是，關注實時的動態過程中，以多源數據的多維度關聯、評估、預測，實現多問題、多環節乃至全產業鏈的協同優化。

預期到2030年，傳統的生產系統將轉型成為生產智能產品的智慧工廠，未來的工廠將實現具備自省性、自預測性、自比較性和自重構能力的無憂生產環境。然而，在邁向工業4.0時代以前，諸多的關鍵技術需要我們持續不斷地研究，現有的生產基礎設施也需要不斷更新以應對工業4.0的新標準。物聯網+智能分析平臺+務聯網的大數據創值體系還需要不斷完善，尤其是填補智能分析平臺中的技術缺口。構建CPS系統的工具、技術和方法也需要不斷改進。如何通過捕獲智慧工廠和智能產品兩方面的大數據，運用先進的大數據分析方法建立實體設備與產品的鏡像模型，并利用鏡像模型產生的信息對實體進行對稱化的內容管理和提供創值服務，將成為未來競爭力的核心。如果中國制造能夠成功運用網絡集成的數據分析，實現工業化與信息化的深度融合，將強力推進中國提升全球競爭力、開拓全新的市場機遇。