工业4.0时代：制造重新定位与新思维
近年来，以制造业为经济基础的先进发达国家投入大量的人力物力以改善其制造业的实效性和产品质量。由于受各种不确定性因素的影响，要在新型市场和全球化制造链中实现稳定的表现变得越来越有挑战性。制造型企业开始寻求采用创新技术将他们的传统制造工厂转变成更具智能、安全以及可持续性发展的生产模式。因此，通过精益(lean)的、灵活的、可重构制造的概念，技术创新推进了制造业的生产模式演进，并使传统的大规模工业生产进化到现阶段的以生产设备生产能力透明化为主要特征的可预测性生产。有了制造的透明化，工厂管理就可以掌握正确的信息去决策工厂的整体设备效率(OEE)，并且通过对这些生产制造数据的分析将其转化成有意义和价值的信息，以实现机器故障预测和预防。该预测能力可以实现工厂对设备成本的有效管理和对设备实时准确的维护。
工业4.0是由德国在制造行业中最先倡导起来的。它是基于信息-实体融合系统(Cyber-Physical System CPS)组合概念与智能分析在一起改变生产管理和工厂改造的一种新思路。在当前的制造业中，存有不同的数据源，包括传感器、控制器、网络化制造系统等。美国政府早在2007年提出一种新的发展战略：信息-实体融合系统(CPS)，CPS集成了计算性能和物理性能，包括传感、通信和实体系统驱动。CPS的应用包括制造业、安全控制、医疗设备、环境控制、航空、先进汽车系统、过程控制、节能控制、交通控制和安全及智能结构等, 但完全不局限于这些行业。CPS尚未成熟，因为它涵盖了一个广泛的科学时代，所以还需要工业界和学术界的长期合作。典型的合作包括欧洲的基于嵌入式智能系统的先进研究和技术(ARTEMIS)和美国的智能维护系统中心(IMS)，这些合作都将有助于应对目前所面临的挑战并推动CPS的快速发展。
决定当今工厂成功的关键是机器设备的产量(throughput)和零部件的精度;而同时制定一套方法去利用数据和了解目前的状况并检测故障是一个很重要的研究课题。对于生产系统，许多商业化的制造系统可以辅助工厂管理者去获取整体设备效率(OEE)的信息。相反，在工业4.0的工厂中，自我意识(self-aware)和自我预测(self-predict)的功能成为监测和控制系统的新功能,这些新功能可以帮助用户去了解机器的健康退化和剩余使用寿命。此外，机器的健康还可以通过零部件的健康状况的融合和同类机器的对比(peer-to-peer)来预测。这种预测能力使得工厂可以采取及时的维护措施从而提高管理效率,并最终优化机器的正常运行时间。最后，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更新设计，最终实现无忧生产(worry-free productivity)。
这种预测分析方法可以将产品和制造系统都转化为自我意识和自我维护的智能信息。产品预测服务系统可以使得产品在其退化过程中产生主动触发的服务请求并进一步预测和预防潜在的故障。预测性制造融合了来自生产制造系统的信息和来自供应链系统的信息。传统意义上，制造商通过供应链系统做出决策，这种方法利用物流,同步化供给与需求，以及全球化性能测试来实现优化成本的目标。
工业4.0如何实现自我意识、自我预测和自我重新配置的能力所需的核心技术是利用智能预诊断工具和解析工具来实现预测分析。智能预诊断工具主要涉及信号采集、数据存储、同步、合成与服务。解析工具主要涉及信息转化的四个子工具：信号处理和特征提取、健康评估、性能预测以及故障诊断。图1展示的就是传统工厂与末来工业4.0工厂的差别。
工业4.0对未来工厂的透明化——突破制造业中的不确定性
在制造业中，有很多可能无法量化甚至决策者无法知晓的不确定性，这使决策者对他们的资产的有效运作和使用情况无法形成合理的判断和结论。这些不确定性存在于工厂的内部和外部。内部不确定性的例子包括加工过程的退化和没有任何可识别症状的失效事件的发生(组件级别);由于不一致的操作，系统意外崩溃及废料的存在和返工事件所引起的周期变化可能导致在生产计划与调度(系统或生产工艺级)上出现困难。与此同时，外部不确定因素所产生的阻碍作用通常会从产品开发一直到供应链环节，可表现为：不可靠的下游产能;原材料或部件运输、数量和质量的不可预测变化;市场和客户的需求波动;由于生产和使用过程中缺乏对产品状态的准确评估而导致的不完整的产品设计;随机保修索赔和更换要求，等等。
内部制造的问题可以进一步映射到两个领域：有形和无形。有形问题的例子包括机器故障、产品缺陷、不良循环时间、长延误时间、整体设备效率(OEE)降低，等等，而这些都是从事后分析中可以得出的非常明显的情况和信息。另一方面，无形的问题包括机器衰退、部件磨损等，如果没有审慎实施的预测分析和控制策略，这些不确定因素可能对生产经营产生不利影响。
在每一个领域，问题都会在可见和不可见的两个层面来处理。对于可见性的问题，通常利用最佳做法和标准工作组成的工具来系统地处理这些问题。对于一个潜在的对策，公司与他们的设备供应商合作，从内部解决问题的实践中运用新知识和开发技术，并将这些技术整合到他们的设备中作为一个增值改进。同时，已对不可见性的问题作出一些努力，比如在故障预测与健康管理(PHM)的研究领域，以制定更先进的预测分析方法和在早期阶段发现问题。因此，未满足的需要就是对可见空间成果复制，并进一步明确从解决问题层面发展到规避问题层面问题是怎样处理的。利用预测工具和技术将展现出更多的新价值创造机会，这些机会将利用新的信息(未知的知识)。
工业4.0所需要的就是可以提供透明度的工具和技术，这些工具和技术具有拆解和量化不确定性的能力，从而可以客观地估计其制造能力和可用性。之前描述的制造策略假定设备的连续可用性以及它的每一个使用过程中保持最佳性能，但这样的假设在一个真正的工厂中是不成立的。为了实现工厂透明化，制造业需要大量投入以转型为预测生产。这种革新需要使用先进的预测工具和方法，实现系统地将工厂不断产生的数据加工成有用信息。这些信息可以帮助解释不确定性，从而使得资产管理者和过程监管者可以做出更“知情”的决策。
在制造业中积极采用“物联网”的思想帮助预测制造业奠定了其智能传感网络和智能机器的基础。在不同的细分市场中利用先进的预测工具已经变得越来越流行了。故障预测与健康管理就是一个能够充分运用此类预测分析的领域。故障预测与健康管理涉及制造状况的评估、早期故障诊断以及未来失效时间推断，因此主动维护活动得以实现，并可以避免灾难性和代价高昂的机器损坏。
工业4.0需要预测式制造系统
可预测制造业的概念由笔者在2005年提出。它是以对监控机器设备的数据采集为起点的，通过采用合适的传感器装置，各种信号，如振动、压力等可以被撷取;另外，历史数据可以被用作进一步的数据挖掘;通讯协议，如MTConnect和OPC，可以帮助用户记录控制信号;当所有的数据被汇总在一起，就构成了所谓的“大数据”(Big Data)。而信息的转化机制(transforming agent)由几个组件构成：整合的平台、预测分析方法和可视化工具。Watchdog Agent中的算法可分为四个部分：信号处理和特征提取、健康评估、性能预测和故障诊断。通过可视化工具，健康信息(如当前情况、剩余使用寿命、故障模式等)，都可以有效地以雷达图、故障图、风险分析图以及健康的衰退曲线表现出来。预测制造系统为设备和系统提供“自我意识”的能力，从而为用户提供更大的透明度，并最终避免了涉及生产力、效率和安全性的潜在问题。
预测制造系统的核心技术是一个包含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，将减少这些不确定性的影响，并为用户提供了预先缓和措施和解决对策，以防止生产运营中生产力、效率的损失。
预测制造系统为用户提供透明化信息，如实际健康状况、设备的表现或衰退的轨迹、设备或任何组件什么时候失效以及怎样失效。
一个精心设计和开发的预测制造系统具有以下好处：
降低成本。通过了解生产资产的实际状况，维护工作可以在一个更合适的条件下实施(不在故障发生后才更换或太早将一个完好的部件不必要地更换)。这也被称为及时维护。
提升运营效率。当知晓何时设备很可能会失效，生产和维修主管能够审慎地安排相关活动，从而最大限度地提高设备的可用性和正常运行时间。
提高产品质量。衰退模式和近乎实时的设备状态估计可以与过程控制结合起来，以达到在设备或系统表现随着时间变化的同时产品质量保持不变。
随着制造业的透明化发展，工厂管理以准确的信息为基础实现工厂范围内的整体设备效率(OEE)的确定。由于对设备的可预测能力，可以实现有效管理维护从而降低管理成本。最后，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更新设计。
工业4.0的基础在故障预测与健康管理
故障预测与健康管理(PHM)的方法解决了工业中看不见问题的透明化。这些看不见的问题可能是由机器的性能衰退和零部件的磨损导致的。作为一个不断增长的新兴研究领域，PHM提供了有效的方法来解决并避免计划外停机时间和系统中的不确定性。应用领域如飞机发动机、工业机器人、机床、电机、风电轮机、电池、齿轮箱、轴承、泵等。
故障预测与健康管理(PHM)是一个利用先进的预测工具的重要研究领域。 PHM变得越来越受欢迎，主要是由于需要有一个对制造业资产以及辅助系统的真实状况进行客观评估的机制。被动维护策略在过去被广泛采用，在这种策略中只有当其中一台机器修复必要时，才对其进行修理。然而，为了满足日益增长的消费需求，需要生产效率不断提高，计划外停机时间的代价就变得非常巨大，因此必须避免。紧随其后发展的是预防性维护策略，在这种策略中维护活动(如保养和替换)或是基于时间或是基于使用情况间隔而实施的。尽管预防性维护的方法可以提供最高的可用性(假设在合理的时间间隔)，但它有两个主要缺点：一是实施预防性维护程序是昂贵的，特别是如果时间间隔很短;二是组件发生故障之前甚至在症状开始出现时被替换，因此丧失了对该设备的衰退行为的分析能力。基于状况的维护策略是利用机器信号(从控制器或者从传感器装置)来检测故障或者异常情况的发生。在一些实施方法中，可以将故障的位置以及故障的类型识别出来。 PHM是基于状况的维护策略的延伸，通过使用预测算法，可以推断出未来的表现。通过监测健康指标(置信度值CV、失效模式、剩余使用寿命等)，用户可以观察机器的时间特性，并在实际故障事件之前得到失效早期迹象的警告。有了这些信息，制造透明化就能得以实现，因为工厂的经理和主管能够知晓机器完成生产的能力(任务预备状态)，从而优先考虑设备维修并不干扰生产进度。
如何设计基于CPS的工业4.0系统
由于CPS的强大功能，美国国家科学基金会智能维护系统(IMS)研究中心提出了一套很有前景的基于CPS的工业4.0实体融合系统的时间机器(Time Machine)设计方法。正如以上所讨论的，互联系统提供了大量的可访问数据(大数据)。但是，仅仅只有数据并不能带来显著的优势。因此，需要一种自适应和功能强大的方法去管理、分类和处理这些数据，从而为进一步的PHM分析算法做准备。这种方法运用只有足够广泛，才能够真正充分利用信息实体融合系统的所有优点。
这种方法能在大数据环境下对数据进行有效地组织，并为后续的PHM算法做好准备。每一个零部件都由一个代表性的时间机器记录在信息空间里面(Cyber Space)。该信息元素从大数据中提取有价值的信息并归一化处理从而应用于进一步分析。提取的信息包括执行历史、应力和负载、操作参数、系统配置和维护记录。一旦某个实际部件发生故障，它将从时间机器中剔除出去，就不再用于以后的分析。但其信息孪生(cyber twin)(时间机器记录)不会受任何时间限制而继续保持。无限的信息孪生导致时间机器记录的不断积累，从而将相同部件的各种操作参数广泛地聚集在一起。而进一步的研究努力则是对参数的归一化，以此保证对相同的部件的时间机器记录的可比性。此外，时间机器记录遵循实际组件的层级关系，每一个信息孪生也可访问它的前身和祖先组件。这种信息丰富的环境为准确的预测和监控工厂的PHM算法带来显著的鲁棒性。最终，这种方法将信息-实体融合系统(CPS)引入到工业4.0工厂设计实施中。
案例：基于CPS的工业4.0机器人系统
下面介绍的案例重点强调了信息实体系统在工业机器人的健康监测中的应用。目前的研究旨在开发一种针对一组包含30个工业机器人的生产线的预测性与预防性健康监控系统。在本案例中，生产线速度的多样性导致了采用复杂多工况方法的要求。预测与健康管理分析的核心是以获取扭矩和速度参数信息为基础的。
由于具有非侵入性的特点，扭矩分析是一种在工业机器人健康监控中常用的故障诊断方法。因此，大多数的研究都是集中在对这个参数的分析基础之上的。而运行速度与扭矩之间的非线性关系给PHM算法能否正确获得机器人的健康状态带来了挑战。除了条件数据(扭矩与速度)之外，信息实体系统还能够获得多样的配置参数，例如齿轮比、负载率、压力较准、机器人伺服焊枪种类等，并将产品从生产线分配到各个特定的机器人处。这些配置参数可以帮助核心模型来实现运行数据的标准化和自适应分类，以获得更准确的结果。最终，在云端建立整个案例的分析引擎并存储所有的数据(状态数据和配置数据)，健康监测算法可以利用这些云端上的数据来计算每个机器人个体的健康状态。PHM算法的结果将通过一个基于网络的用户界面给用户呈现出丰富的图表信息(正如前面所介绍的)。这一系统经过健康衰退监测可以在3星期前预测机器人系统故障。
先进的基于CPS技术的工业4.0实际应用，具备了自我意识、自我预测和自我配置的能力。本文讨论的智能预测与健康管理机制的方法以及基于时间机器的监控管理系统的发展，是新的基于CPS的工业4.0系统的核心内容。
当前的工业革命正在引导整个工业行业朝着利用大数据环境下的互联系统最大利益的方向发展着，这种大数据环境促生了更具创新的弹性化生产和生产力，将以此推动制造业达到一个新的高度。