在解答这两个问题之前，我们首先需要思考为什么需要工业智能？可以试想一下互联网如何改变了我们的生活。互联网革新最明显的例子是基于地理位置的服务。比如，早年在一辆车上没有导航设备，我们在一个陌生的城市从A点出发到B点，完全要依靠人的经验，用地图、指南针、问路等等。而如今，我们越来越少地看到地图或指南针，而越来越多地看到智能手机，以及智能手机上面的地图应用程序。要知道，地图应用程序不仅仅是地图而已，在上面我们可以实时地看到发生的事故、交通状况等，其实是用智能算法和分析代替了人的经验，用数字互联的平台代替了现实中的物体，从出行的角度创造了智慧的镜像(digital twin)，提供的是智能互联的无忧出行服务。

　　反观制造业，其实我们想要看到的所谓工业智能，可能也是类似与互联网革新式的改变。理想的状态是，在机器端有这样一部设备能够提取出反应机器运转健康状态的特征。这些特征既可以在本地经过处理后变为基本的、机器健康信息，也可以被传输到云端，通过不同的软件处理，满足用户多样化、碎片化的功能需求，最终展示在用户的终端显示设备上。该系统要以解决实际的用户痛点为目标，赋予机器自我意识、自我比较以及自我预测的能力，甚至可以通过优化和算法对有些可以补偿的故障和早期异常进行维护，达到自我维护。也就是说，机器制造商所生产的并非机器本身，而是为机器使用者提供一种制造能力，帮助实现无忧生产与运营。

　　如今提到工业智能，很多人都会联想到仿真与自动化。曾经一家以设计可制造性评估仿真软件的初创公司，为用户提供可制造性的服务。在用户提供所设计的产品的规格后，通过对应力等物理指标的仿真考察规格是否合格，设计是否合理。但是，即使他们传达了可以生产的决策建议后，有些用户还会找到他们，质疑为什么仿真成功后，生产的产品还是存在缺陷。很明显，由于在仿真的时候没有考虑到实际生产中会遇到的一些问题，比如环境因素，机器的使用状况等，导致仿真的结果并不能反映实际生产产品的质量。而对于自动化，比如制造机器人，它们关注的是控制的平稳度、精确度以及快速性。时间长了机器人的状态会改变，就要派人重新调试一下，而这被看成了很正常的事情。机器人的状态衰退并没有被追踪、量化，这样有问题发生才被一遍遍的排查，却没有考虑到这是可以避免的问题。这正是“冰山效应”。

　　传统工业常常误以为对已产生问题进行自动化检测就是工业智能，却未意识到设备时间长了都会有衰退的问题。对衰退的追踪、量化、与预测性诊断，才是我们工业智能真正需要的。比如飞机机翼的一种失效模式是会出现裂痕，针对这样的问题，大多数人研究的是如何检验裂痕的发生，却很少人研究裂痕的产生跟什么相关，以及造成裂痕产生的根本原因是什么，或者运行的机制等。而根因分析后对产生问题的机理进行建模，在问题出现前避免问题，才是工业智能价值的最大体现。

　　很多人被大数据的观念误导，认为有数据就可以解决一切，其实不是这样的。解决工业场景的问题其实都是需要很强的领域知识支持，因为从机器中测量的数据都有清晰的物理意义，如何去分析需要有一套适应相关场景的框架，并且有相应的专家知识配套配合来解读数据意义，从而解决问题。工业智能的使命最终要回归业务目标、解决行业痛点。所以，只有运用有效的手段，我们的工业才能达到从维护角度，近似零宕机；从产品质量角度，近似零废品率；从能效角度，近似零浪费的无忧状态。

如何实现工业无忧？

　　实现这三个零的无忧工业是我们的愿景，然而这个愿景如何实现呢？首先，要有一个本地的代理(local agent)，在采集数据的基础上，从分析的角度，承担一定的特征提取以及衰退监测，进行固化的模型处理。现在边缘计算跟这个领域是相关的。之后，在云端，比如在私有云以及服务器上等计算能力更强的平台可以做预测性地分析，以及对等比较等更复杂的运算，甚至是模型优化与在线的自适应模型的自我调整。最后，系统产生的健康信息其实是可以输送到工厂系统，工厂系统可以根据生产计划给设备维护部门下单，实现维护的优化排期排程。

　　还有一个方面，可以进行控制优化，在本地就解决一些实时的问题。类似的工业场景问题解决多了可以固化下来转换成领域知识。通过什么形式固化呢？答案就是软件的形式。过程中如果出现新的状况，专家可以用他们的领域知识不断扩充工业知识库，扩展系统功能，最终实现近似零停机。那么工业知识库固化下来的知识，对谁的价值更大？其实是产品设计。我们现在做项目过程中不仅仅是跟用户沟通，也要跟供应商一起进行合作。机器洞察信息实现数字镜像后，用户掌握到信息之后可以更好地管理供应商；供应商用这些信息可以拿到产品在使用过程中的第一手资料，来不断改善产品设计，形成一个闭环的产品寿命周期设计的概念，从而达到无忧生产。

　　要实现这样的无忧生产系统可以参考李杰教授在2014年提出的CPS信息物理系统的5C架构，是一个从数据获取到最终价值交付的完整体系，它能够帮助我们在不同的层级可以更清晰地定义用户的需求，指导我们开发智能化的工业系统。

传统制造业的智能化 – 从依靠人的经验更换锯带转变为基于自动识别工况的精准更换

　　很多人关心如何能让传统的制造行业也能实现智能化，是不是做数据处理，做一些可视化的东西就能实现智能化？或者有一些具有物理意义的数据提取出来，用专家领域知识去看这些东西就能实现智能化？

　　举一个带锯机床制造商的案例。带锯机床的用户不要求其加工精度有多高，也不要求加工的复杂性，但对加工速度与切割平面的平整度有较高要求。痛点是什么呢？锯带是个耗材，总会断裂，而且更换成本比机床还贵，所以大量的运维成本都是在后续的售后服务上。想控制这个成本，就需要更换的准时性，当锯带用到刚好疲劳到不能再切时进行更换，整个的效率才能实现最大化。

　　之前都是依靠人的经验，通过听噪音变大了，就进行更换。然而人的经验不同，判断标准无法统一化。换得过早会造成浪费，换得过晚就产生非预期断带的情况，锯带卡在工件里面，还要把未加工好的工件裁掉，这对工件也是浪费。如果发生绷带断刀的状况还会发生安全风险。

　　为了实现更加智能准时地更换锯带，首先要通过大量的调研找到哪些是影响刀具状况的因素，之后根据客户的需求和期望的业务目标进行数据采集，以及试验传感器的部署。在具体实践中，从控制器与传感器采集数据建立锯带衰退预测系统。根据锯带的振动、声学等特性，以及机器运转的工况，将采集的数据进行特征提取，进而形成特征矩阵。由于加工的工件材料变化，以及加工过程的工况复杂性，我们用自适应预诊方法来建立锯带的衰退预测模型。用户可以在电脑端与移动客户端实时监测锯带的衰退与机器关键组件的健康情况，从而在锯带刚好要断裂之前，准时更换。

　　每种类型锯带的衰退档案都被存储在用户的私有云中，可以通过系统实时掌握锯带衰退的状况。日积月累，通过对比不同种类锯带的衰退模型，用户也更加清楚地知道每种锯带在切割不同形状、不同材料工件时的性能，在采购锯带时还能够更经济地管理供应商，获得更低的成本；锯带制造商也可以通过锯带衰退曲线，建立洞察，改进锯带的性能，减少实验成本，同时提高耐用性。

最后，所谓的工业智能、工业大数据等新兴热词只有回归到解决用户痛点上，才能更好地创造价值。来源：常州MES及数字化工厂

本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！

版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com