適用于工業4.0和大數據環境的服務創新和智能分析技術研究

林爾迅

（廣東電網有限責任公司中山供電局，廣東中山528400）

0 引言

在當今競爭激烈的商業環境中，很多公司在應對快速決策的大數據問題方面面臨著挑戰。由于缺乏智能分析工具，許多制造系統還沒有準備好管理大數據。德國正在引領基于網絡物理系統制造和服務創新的第四代工業革命（工業4.0）的轉型。隨著越來越多的軟件和嵌入式智能集成在工業產品和系統中的應用，預測技術可以進一步將智能算法與電子和無接觸智能相結合，然后這些技術將用于預測產品性能下降，并自主管理和優化產品服務需求。

如今，智能工廠主要關注以控制為中心的優化和智能。此外，通過與對機器性能有直接影響的不同周圍系統進行交互，可以實現更高的智能。與周圍系統的這種無縫交互可將常規機器轉變為自我感知和自學習機器，從而提高整體性能和維護管理水平。盡管自主計算方法已經在計算機科學中成功實施，但自學習機器仍遠未在當前得到實現。從今天的狀態轉變為更智能的機器要通過解決幾個基本問題來進一步推進。這些問題可分為以下五個不同類別：

（1）經理和運營商互動。目前，運營商控制機器，經理設計物流計劃，機器僅執行分配的任務。雖然這些任務通常有專業操作員和管理人員優化，但這些決策中缺少一個非常重要的因素——機器組件的健康狀況。

（2）機器隊列。對于不同的任務，類似或相同的機器（機器隊列）暴露于完全不同的工作條件是很常見的。相反，大多數預測和預后方法都是為了支持單個或有限數量的機器和工作條件。目前，可用的預后和健康管理方法沒有利用通過從不同實例收集的有價值的知識將這些相同的機器視為隊列。

（3）產品和工藝質量。作為制造過程的最終結果，產品質量可通過后向推理算法提供對機器狀況的深入了解。產品質量可以為系統管理提供反饋，可用于改進生產計劃。目前，這種反饋循環不存在，需要進一步研究。

（4）大數據和云。大數據環境中的數據管理和分發對于實現自我感知和自學習機器至關重要。利用云計算提供的額外的靈活性和功能的重要性不言而喻，但調整預測和健康管理算法以有效實施當前數據管理技術需要進一步的研究和開發。

（5）傳感器和控制器網絡。傳感器是機器感知周圍物理環境的門戶，但是傳感器故障和退化可能會將錯誤且不準確的讀數傳遞給決策算法，從而導致錯誤的結果。

1 工業4.0時代的趨勢和未滿足的需求

新技術的涌現保護了行業發展，從早期采用機械系統到支持生產流程，再到當今高度自動化的裝配線，方便了對當前動態市場需求做出響應和適應。在工業4.0概念下，信息技術和社交媒體網絡的進步及其應用范圍的驚人增長已經越來越多地影響著消費者對產品創新、質量、品種和交付速度的看法，這就需要建立具有自我意識、自我預測、自我比較、自我重構和自我維護能力的工廠。伴隨著這項新技術，兩種創新發展受到了學術界和工業界的更多關注——服務創新和工業大數據。在本節中，將討論關于這兩個主題的研究。

1.1 制造業服務化和創新

經濟基礎為制造業的許多發達國家都在努力轉變經濟發展模式，它們受到了新興市場和全球制造業供應鏈的威脅。因此，制造企業不僅尋求制造技術創新，而且也開始關注服務的歸納和推動。

Vandermerve和Rada于1988年提出了服務化，他們強調以客戶為中心的理念，提出產品、服務、支持和知識是最重要的元素。此外，不僅服務業，還有制造業應該專注于創新的增值服務發展，以便快速提升其核心競爭力。貝恩斯支持將制造服務化定義為組織能力和流程的創新，從產品銷售到集成產品服務。

服務化被定義為組織的能力和流程的戰略創新，從銷售產品轉向銷售提供使用價值的集成產品和服務，即產品服務系統。產品服務系統（PSS）的概念是服務化的特例。Mont將PSS定義為產品、服務、支持網絡和基礎設施系統，旨在提高競爭力，滿足客戶需求，并且其比傳統商業模式環境影響更小。在PSS業務模型中，行業開發具有增值服務的產品而不是單個產品本身，并為其客戶提供所需的服務。在這種關系中，制造商的市場目標不是一次性產品銷售，而是通過總體服務解決方案從客戶那里持續獲利，這可以滿足未滿足的客戶需求。

1.2 工業大數據環境

大數據一直在數據挖掘中，因為人類生成的內容已經成為社交網絡的推動力。2004年底以來也被稱為Web2.0時代，許多研究機構和公司都致力于這一新課題的研究，其中大部分都專注于社會或商業數據采集，這包括銷售預測、用戶關系挖掘、聚類、推薦系統和意見挖掘等。然而，這項研究的重點是“人為或人為相關數據”，而不是“機器生成數據或工業數據”，其中可能包括機器控制器、傳感器、制造系統等。

在上述工業4.0時代，智能分析和網絡物理系統相互結合，實現了生產管理和工廠轉型的新思路。使用適當的傳感器，可以提取各種信號，例如振動、壓力等；此外，可以收集歷史數據以進行進一步的數據挖掘；通信協議可以幫助用戶記錄控制器信號。當匯總所有數據時，此合并稱為“大數據”，而將大數據實際處理成有用的信息是工業4.0工廠內可持續創新的關鍵。

2 適用于工業大數據環境的自我感知和自我維護機器

對于機械系統，自我意識意味著能夠評估機器的當前或過去狀況，并對評估輸出作出反應。可以通過使用數據驅動算法來分析從給定機器及其周圍環境收集的數據/信息來執行這種健康評估。可以將實時機器的狀態反饋給機器控制器以進行自適應控制，并根據機器管理器的反饋及時進行維護。然而，對于大多數工業應用特別是機器隊列而言，機器的自我意識仍遠未實現。當前的診斷或預測算法通常用于特定的機器或應用，并且不具有足夠的適應性或靈活性以處理更復雜的信息。

自我感知機器尚未完全實現的原因總結如下：

（1）缺乏緊密耦合的人機交互：機器狀態和性能的主要影響因素是人工操作和管理。任務設計和調度會極大地影響生產力和生產質量。當前機器只能被動地聽取操作員的命令并做出反應，即使分配的任務對于其當前狀況不是最佳的。另一方面，更智能的機器系統應該能夠主動建議任務安排并調整操作參數，以最大化實現生產率和產品質量。

（2）缺乏自適應學習和充分利用可用信息的能力：PHM系統由于適應性低而無法在業界廣泛實施，最終導致健康監測算法缺乏穩健性。這個現象背后的問題是，對于PHM系統，開發和實施通常是分開的。PHM算法是通過實驗收集的數據開發的，除非經過專家的重新培訓，否則在實施過程中不會發生變化。在大多數情況下，該算法僅使用預定義的過程處理來自真實機器的狀態監視數據，而不試圖從中學習。這種情況遠非最佳，因為從現場機器收集的實時數據通常來自更多的機器單元并且持續時間更長，這意味著它包含比實驗室生成的數據更多的信息。能夠從這些數據中學習的算法將能夠實現用于處理不同情況的最佳靈活性和魯棒性。

為了解決上述研究差距，本文設計了一種用于自我感知和自我維護機器的統一網絡——物理系統框架，該框架可以更有效地從大數據中提取有意義的信息，并進一步執行更智能的決策。該框架包括：先前和當前收集的狀態監測（CM）數據、控制器參數、數字化機器性能（例如產品質量測量）、機器和組件配置、型號信息、利用歷史、正在執行的任務、人類行為（包括維護活動、人為控制的操作參數和使用模式）。

在網絡（計算）空間中，首先，需要正確定義數據和信息格式，以便記錄和管理從物理空間收集的信息。其次，網絡空間旨在能夠總結和積累關于機器退化的知識，以便這些知識用于新機器的健康評估。最后，健康評估結果應及時反饋到物理空間，以便采取適當的行動。

機器健康意識分析與自學知識庫：與大多數面向控制或模擬的現有CPS不同，本設計的CPS使用知識庫和相關算法來表示物理世界中的機器退化和性能行為，機器健康意識分析旨在完成此類任務。使用自適應學習和數據挖掘算法，可以自動填充表示機器性能和退化機制的知識庫，知識庫能夠隨著新數據的增長而完善，最終提高其保真度和表現現實世界機器中復雜工作條件的能力。針對從機器收集的數據樣本和相關信息，將使用專門設計的知識提取算法進行水平（機器到機器）和垂直（不同時間）比較。每當需要特定機器的健康信息時，知識庫將為健康評估和預測算法提供必要的信息。由于知識庫的全面性，PHM算法可以更靈活地處理前所未有的事件，并且更準確地生成PHM結果。

算法方面，使用無監督學習算法，如自組織映射（SOM）和高斯混合模型（GMM），可用于自主創建不同工作制度和機器條件的集群。自適應聚類方法利用了在線更新機制，應用此算法將最新輸入與現有聚類進行比較，并嘗試使用多維距離測量來識別與輸入樣本最相似的一個聚類。

搜索類似的集群可以以兩個結果結束：

（1）找到類似的集群。那么從中收集樣本的機器將被標記為具有由所識別的集群定義的健康狀況。同時，根據現有集群與最新樣本之間的偏差，算法將使用來自最新樣本的新信息更新現有集群。

（2）沒有找到類似的群集。則算法將使用當前樣本保持其操作，直到它看到足夠數量的簇外樣本。當集群外樣本的數量超過一定量時，意味著存在尚未建模的機器的新行為，因此算法將自動創建新群集以表示此類新行為。聚類算法可以適應新條件。此外，自我成長集群將被用作擬議網絡空間中健康評估的知識庫，利用這種機制，可以在知識庫中累積不同的機器性能行為，并用于將來的健康評估。

3 結語

本文設計了一種用于自我感知和自我維護機器的統一網絡物理系統框架，該框架可以更有效地從大數據中提取有意義的信息，并進一步執行更智能的決策。