深度解析 | 基于信息物理系統(tǒng)(CPS)的預(yù)診斷與健康管理(PHM)

本文參考自李杰(Jay Lee), Behrad Bagheri , Hung-An Kao編寫的論文：《A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems 》

??前言：當(dāng)今工業(yè)未滿足的用戶需求??

　　如果我們跳脫當(dāng)前的時間點觀察互聯(lián)網(wǎng)出現(xiàn)并被推廣的這幾十年，會發(fā)現(xiàn)我們的生活發(fā)生了翻天覆地的變化：看天氣不再依賴電視的天氣預(yù)報，而是手機上精確到小時的氣象軟件；識別方向不再用紙質(zhì)地圖或指南針，了解交通信息也不再靠交通廣播，導(dǎo)航軟件不僅能提供路線信息，還能根據(jù)實時交通狀況及時更新路線；黑膠唱片已經(jīng)成為懷舊的文藝符號，曾經(jīng)風(fēng)靡一時的“隨身聽”已經(jīng)停產(chǎn)，取而代之的是個性化的音樂推薦與不斷更新的流行曲目推送?；ヂ?lián)網(wǎng)在大眾消費領(lǐng)域的應(yīng)用徹底改變了人與信息的交互方式。它連接了曾經(jīng)信息孤島般的個體，用實時的、基于實證的智能分析取代了離線的、依賴于經(jīng)驗的人的判斷。

　　反觀工業(yè)系統(tǒng)，類似的革新雖在孕育，但尚未發(fā)生。企業(yè)為了提高效率、降低成本，最初走的是加強人對工業(yè)資產(chǎn)管理的路。隨著預(yù)防性維護與全生產(chǎn)維護(Total Productive Maintenance)概念在1951年的提出[1]，工業(yè)生產(chǎn)由以質(zhì)量為目標(biāo)、企業(yè)為中心的制造轉(zhuǎn)變?yōu)橐詣?chuàng)值為目標(biāo)、用戶為中心的服務(wù)。觀念的轉(zhuǎn)變使利用數(shù)據(jù)分析做預(yù)診斷與健康管理(PHM)的工業(yè)資產(chǎn)管理解決方案在企業(yè)內(nèi)逐漸受到重視[2]。PHM系統(tǒng)能夠通過對機器數(shù)據(jù)潛在模型狀態(tài)的識別與預(yù)測來為用戶提供可執(zhí)行信息，從而發(fā)現(xiàn)隱性問題來避免意外停機，進一步提高生產(chǎn)系統(tǒng)效率。PHM是用戶“摘取低垂果實(low-hanging fruit)”的有效方法。但隨著信息通信技術(shù)(ICT)在近幾年的迅猛發(fā)展，工業(yè)制造系統(tǒng)互聯(lián)化勢在必行，而傳統(tǒng)的基于問題、基于單機的PHM系統(tǒng)已經(jīng)漸漸無法滿足快速規(guī)?；男枨蟆Ｔ诠I(yè)互聯(lián)網(wǎng)環(huán)境中，信息物理系統(tǒng)(cyber-physical systems, 以下簡稱“CPS”)將助力PHM，在工業(yè)生產(chǎn)中發(fā)揮更大的效用。

　　信息物理系統(tǒng)是指從實體空間的對象、環(huán)境、活動中進行大數(shù)據(jù)的采集、存儲、建模、分析、挖掘、評估、預(yù)測、優(yōu)化、協(xié)同，并與對象的設(shè)計、測試和運行性能表征相結(jié)合，產(chǎn)生與實體空間深度融合、實時交互、互相耦合、互相更新的網(wǎng)絡(luò)空間[3]。CPS的實現(xiàn)將革新人與工程系統(tǒng)的交互方式，就像互聯(lián)網(wǎng)革新我們的生活一樣。CPS的理論雖然還在發(fā)展中，但其一經(jīng)提出便在當(dāng)下求變心切的工業(yè)界中引起關(guān)注[4]–[8]。原因之一，是CPS應(yīng)用的廣泛性：能源、航空、汽車、醫(yī)療等等，CPS的理論框架能夠應(yīng)用在幾乎所有工業(yè)領(lǐng)域，可能成為這些行業(yè)顛覆性的重要變革技術(shù)；原因之二，是CPS能夠彌補傳統(tǒng)建模分析方法的不足。這種不足體現(xiàn)在兩點：一是傳統(tǒng)的分析方法無法實時準確地描述實體系統(tǒng)與模型間復(fù)雜而動態(tài)的關(guān)系，這導(dǎo)致了模型在實體系統(tǒng)狀態(tài)變化時沒有辦法準確預(yù)測實體系統(tǒng)行為；二是傳統(tǒng)的基于單機設(shè)計的模型無法適應(yīng)層級分布式、高度暫態(tài)化的互聯(lián)工業(yè)系統(tǒng)。在工業(yè)資產(chǎn)管理領(lǐng)域，CPS將能夠?qū)崟r跟蹤實體系統(tǒng)的性能變化并預(yù)測其健康狀態(tài)，有潛力為工業(yè)系統(tǒng)提供自知(self-awareness)、自較(self-comparison)、甚至自愈(self-maintenance)的能力，成為未來工業(yè)智能系統(tǒng)的核心組成部分。

CPS的“5C”體系架構(gòu)

　　CPS的架構(gòu)主要包含兩個主要部分：一是先進的工業(yè)設(shè)備的連通性，以保證數(shù)據(jù)實時地在實體空間與網(wǎng)絡(luò)空間之間流動；二是智能的數(shù)據(jù)分析技術(shù)，以構(gòu)筑網(wǎng)絡(luò)空間。然而，與通常意義的數(shù)據(jù)分析不同，CPS更加強調(diào)實體空間與網(wǎng)絡(luò)空間的互相依存關(guān)系，而這種關(guān)系在實體空間上的體現(xiàn)便是連通性，在網(wǎng)絡(luò)空間上的體現(xiàn)便是智能的數(shù)據(jù)分析。根據(jù)CPS的特點，其體系架構(gòu)主要可以設(shè)計為由五個層級構(gòu)成，簡稱為“5C”架構(gòu)[9], [10]。這個架構(gòu)為建立工業(yè)場景中的CPS系統(tǒng)提供了理論支持與參考?！?C”結(jié)構(gòu)具體如下：

CPS的5C架構(gòu)圖

　　智能感知層(Smart Connection Level)。智能感知層作為網(wǎng)絡(luò)空間與實體空間交互的第一層，肩負著建立連通性的使命。這一層主要負責(zé)數(shù)據(jù)的采集與信息的傳輸，其可能的形式之一是，利用本地代理在機器上采集數(shù)據(jù)，在本地做輕量級的分析來提取特征，之后通過標(biāo)準化的通訊協(xié)議將特征傳輸至能力更強的計算平臺。值得一提的是，由于工業(yè)設(shè)備對智能分析運算的及時性要求非常高，原始數(shù)據(jù)體量龐大傳輸成本高，且其中包含大量的知識產(chǎn)權(quán)信息，在這一層直接將所有原始數(shù)據(jù)傳輸至云端分析不僅成本高昂，而且風(fēng)險巨大。與原始數(shù)據(jù)相比，特征是提煉后的診斷信息、維度更小，其經(jīng)過處理后可以在保留診斷信息的情況下最大程度隱匿知識產(chǎn)權(quán)信息。顯然，將特征而非數(shù)據(jù)作為本地與云端的交互媒介更為合理。隨著邊緣計算、霧運算、與云運算協(xié)同工作機制的不斷完善[11]，智能感知層可以自動為復(fù)雜的預(yù)測性分析提供“有用信息”，成為網(wǎng)絡(luò)空間的數(shù)字化入口。

　　數(shù)據(jù)信息轉(zhuǎn)換層/信息挖掘?qū)?Data-to-information Conversion Level)。在數(shù)據(jù)導(dǎo)入后，需要對其進行預(yù)測性分析來將數(shù)據(jù)轉(zhuǎn)化為用戶可執(zhí)行的信息。在這一層，PHM技術(shù)發(fā)揮著核心作用。根據(jù)不同的工業(yè)場景，機器學(xué)習(xí)與統(tǒng)計建模的算法可以識別數(shù)據(jù)的模型狀態(tài)來進行故障檢測、故障分類、與故障預(yù)測。高維的數(shù)據(jù)流將被轉(zhuǎn)化為低維的、可執(zhí)行的實時健康信息，為用戶迅速做決策提供實證支持。由于工業(yè)大數(shù)據(jù)本身“3B”的特點[10]，即數(shù)據(jù)質(zhì)量差、碎片化、場景性強的特點，這一層能夠有效作用的關(guān)鍵是算法場景化的快速，以及適應(yīng)變化工況的強健性。

　　網(wǎng)絡(luò)層(Cyber Level)。網(wǎng)絡(luò)層是整個CPS的核心，它是“5C”體系架構(gòu)的信息集散中心，也是發(fā)揮CPS對于互聯(lián)、大規(guī)模機群建模優(yōu)勢的關(guān)鍵層。在網(wǎng)絡(luò)層中，基于群組的預(yù)診斷技術(shù)可以將大量相似設(shè)備的信息進行聚類，根據(jù)本地集群建立更為符合該集群狀態(tài)的基線來進行預(yù)測。同時，“時間機器”技術(shù)將可以離散化設(shè)備壽命周期，記錄某類設(shè)備健康狀態(tài)變化在壽命周期中的時機，以及可能出現(xiàn)的問題。這種離散化提煉后的壽命周期信息將可以在同類設(shè)備中廣泛規(guī)?；?，使對只有少量歷史數(shù)據(jù)的同類設(shè)備建模速度極大提升。同時，對等相較(peer comparison)的建模技術(shù)也可以讓用戶發(fā)現(xiàn)單機PHM無法發(fā)現(xiàn)的隱藏問題，從而優(yōu)化設(shè)備的使用方式，延長設(shè)備使用壽命。

　　認知層(Cognition Level)。CPS在這一層將綜合前兩層產(chǎn)生的信息，為用戶提供所監(jiān)控系統(tǒng)的完整信息。這一層CPS應(yīng)該提供設(shè)備維護的可執(zhí)行信息：機器總體的性能表現(xiàn)、機器預(yù)測的趨勢、潛在的故障、故障可能發(fā)生的時間、需要進行的維護以及最佳的維護時間。

　　配置層(Configuration Level)。根據(jù)認知層提供的信息，用戶或者控制系統(tǒng)將要對設(shè)備實體進行干預(yù)，使其保持在用戶能夠接受的性能范圍之內(nèi)，避免非預(yù)期的故障停機。這一層是網(wǎng)絡(luò)空間對實體空間的反饋，是對設(shè)備健康狀況的洞察(Insight)為用戶創(chuàng)造價值的關(guān)鍵步驟。

　　整個CPS系統(tǒng)以數(shù)據(jù)為載體，建立了實體設(shè)備的“網(wǎng)絡(luò)孿生(cyber twin)”。網(wǎng)絡(luò)孿生能夠?qū)崟r反映實體系統(tǒng)的變化并預(yù)測可能發(fā)生的后果，警示用戶同時主動作用于實體系統(tǒng)，延長使用壽命并且避免非預(yù)期的故障停機，實現(xiàn)無憂生產(chǎn)，為用戶創(chuàng)值。

基于CPS的預(yù)診斷與健康管理

　　基于網(wǎng)絡(luò)層的故障預(yù)測與健康管理的優(yōu)勢在于通過計算機的機器網(wǎng)絡(luò)接口(CPI)與機器健康分析之間建立相互聯(lián)系，這在概念上類似于社交網(wǎng)絡(luò)。一旦網(wǎng)絡(luò)層的基礎(chǔ)設(shè)施建立起來，機器就可以通過網(wǎng)絡(luò)接口登陸網(wǎng)絡(luò)進行信息的交換。 此時，必須建立一個跟蹤機器狀態(tài)變化的算法，從歷史信息中尋找附加信息，運用對等相較(peer comparison)的方法進行比較，并將輸出的信息傳遞到下一層級。需要開發(fā)新的方法來執(zhí)行這些操作，從而得到合理的結(jié)果。在網(wǎng)絡(luò)層進行分析的“時間機器”由以下三個部分組成[12]:

快照收集

（1）快照收集：信息正不斷地從機器推向網(wǎng)絡(luò)空間。快照收集的作用是管理傳入的數(shù)據(jù)并以有效的方式存儲信息。從根本上來講，為了減少所需的磁盤空間和過程能力，必須記錄機器性能、使用歷史和維護信息的快照，而不是記錄全過程的時間序列。這些快照只在對監(jiān)視機器的狀態(tài)發(fā)生顯著變化后會被啟用，這種顯著變化在機器健康、維護功能或工作狀況上有所體現(xiàn)。在一臺機器的生命周期中，這些快照將被累積下來，用于構(gòu)建特定資產(chǎn)的時間機器歷史。這種有效的時間機器記錄將用于資產(chǎn)之間的點對點(peer-to-peer)的比較。一旦資產(chǎn)失效或被替代，其相對時間機器記錄的狀態(tài)從活動狀態(tài)更改為歷史狀態(tài)，對于相似性識別和綜合參考有很大的幫助。

（2）相似性識別：在網(wǎng)絡(luò)層，基于從多臺機器獲得信息的能力，在較短時間內(nèi)捕捉某些故障模式的可能性較高。因此，相似性識別部分必須回顧歷史時間機器記錄，以計算當(dāng)前機器狀態(tài)與前一資產(chǎn)利用率和機器健康的相似性。在此階段，利用不同的算法與匹配矩陣[13]、軌跡相似方法[14]或各種隨機方法進行匹配。一旦模式匹配，就可以更準確地預(yù)測被監(jiān)視系統(tǒng)的預(yù)期運行狀態(tài)。

（3）綜合優(yōu)化的預(yù)期步驟：預(yù)測資產(chǎn)的剩余使用壽命有助于制造型工廠實施精準化的維修策略。除此之外，壽命預(yù)測與歷史時間機器的記錄有助于根據(jù)當(dāng)前的機器健康狀況來提高資產(chǎn)利用效率。相似資產(chǎn)在不同健康階段的歷史使用模式提供所需的信息，以模擬目標(biāo)資產(chǎn)未來可能使用的情況及其結(jié)果。在這些場景中，可以為目標(biāo)資產(chǎn)實現(xiàn)最高效的利用模式。

CPS的5C架構(gòu)在工廠中的應(yīng)用

　　在工廠中實施CPS有多個優(yōu)點，分別體現(xiàn)在組件、機器和生產(chǎn)系統(tǒng)這三部分中。組件階段，一旦將關(guān)鍵組件的傳感器數(shù)據(jù)轉(zhuǎn)換為信息，每個組件的網(wǎng)絡(luò)孿生將負責(zé)捕獲時間機器快照，并綜合未來步驟，提供自我意識和自我預(yù)測。在下一階段，更先進的機器數(shù)據(jù)，如控制器參數(shù)，將被集成到組件信息中，以監(jiān)視狀態(tài)并生成每臺特定機器的網(wǎng)絡(luò)孿生。這些機器網(wǎng)絡(luò)孿生在CPS的作用下提供額外的自我比較能力。在第三階段（針對生產(chǎn)系統(tǒng)），聚集的知識從組件和機器級信息自下而上使能自我配置和自我維護的工廠。這種知識水平不僅保證了生產(chǎn)無憂和近似零意外停機，而且為工廠管理提供了優(yōu)化的生產(chǎn)計劃和庫存管理計劃。

結(jié)語

　　本文介紹了應(yīng)用于工業(yè)場景的信息物理系統(tǒng)及其5C架構(gòu)。它為制造業(yè)提供了一個可行和實用的指導(dǎo)方針，通過更智能地工業(yè)大數(shù)據(jù)預(yù)測性分析來實現(xiàn)CPS，以提高產(chǎn)品質(zhì)量和系統(tǒng)可靠性，為實現(xiàn)無憂生產(chǎn)提供了理論基礎(chǔ)。

參考資料

[1]J. Lee, H. D. Ardakani, S. Yang, and B.Bagheri, “Industrial Big Data Analytics and Cyber-physical Systems for FutureMaintenance & Service Innovation,” Procedia CIRP, vol. 38, pp. 3–7,2015.

[2]J. Lee, C. Jin, Z. Liu, and H. D.Ardakani, “Introduction to Data-Driven Methodologies for Prognostics and Health Management,” in Probabilistic Prognostics and Health Management of Energy Systems, vol. 1, no. 0, S. Ekwaro-Osire, A. C. Gonçalves, and F. M. Alemayehu,Eds. 2017, p. 277.

[3]李杰(Jay Lee)等，《工業(yè)大數(shù)據(jù)》

[4]L. Sha, S. Gopalakrishnan, X. Liu, and Q.Wang, “Cyber-Physical Systems: A New Frontier,” in 2008 IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing (sutc2008), 2008, pp. 1–9.

[5]K. Sampigethaya and R. Poovendran,“Aviation cyber–physical systems: foundations for future aircraft and airtransport,” Proc. IEEE, vol. 101, no. 8, pp. 1834–1855, 2013.

[6]L. Monostori, “Cyber-physical Production Systems: Roots, Expectations and R&D Challenges,” Procedia CIRP, vol. 17,pp. 9–13, 2014.

[7]L. Wang, M. Törngren, and M. Onori,“Current status and advancement of cyber-physical systems in manufacturing,” J.Manuf. Syst., vol. 37, no. Part 2, pp. 517–527, 2015.

[8]F. Hu, Y. Lu, A. V. Vasilakos, Q. Hao, R.Ma, Y. Patil, T. Zhang, J. Lu, X. Li, and N. N. Xiong, “Robust Cyber-Physical Systems: Concept, models, and implementation,” Futur. Gener. Comput. Syst.,vol. 56, pp. 449–475, 2016.

[9]J. Lee, B. Bagheri, and H.-A. Kao, “ACyber-Physical Systems architecture for Industry 4.0-based manufacturing systems,” Manuf. Lett., vol. 3, pp. 18–23, 2015.

[10]J. Lee, Industrial Big Data. MechanicalIndustry Press, China, 2015.

[11] A. Foster, “Why the Industrial IoT Needsan Open-Source Edge Platform - RTInsights.” [Online]. Available:https://www.rtinsights.com/why-the-industrial-iot-needs-an-open-source-edge-platform/.[Accessed: 06-Aug-2017].

[12]J. Lee, B. Bagheri, and H.-A. Kao, “Acyber-physical systems architecture for industry 4.0-based manufacturing systems,” Manuf. Lett., vol. 3, pp. 18–23, 2015.

[13]D. Djurdjanovic, J. Lee, and J. Ni,“Watchdog Agent—an infotronics-based prognostics approach for productperformance degradation assessment and prediction,” Adv. Eng. Informatics, vol.17, no. 3–4, pp. 109–125, Jul. 2003.

[14]T. Wang, J. Yu, D. Siegel, and J. Lee, “Asimilarity-based prognostics approach for remaining useful life estimation ofengineered systems,” in Prognostics and Health Management, 2008. PHM 2008.International Conference on, 2008, pp. 1–6.