李杰教授：以CPS为核心的智能化大数据创值体系

李杰先生，美国辛辛那提大学特聘讲座教授，美国国家科学基金会(NSF)智能维护系统研究中心(IMS)主任。自2000年起领导全球工业大数据分析与智能维护系统技术研发；2013年，他担任美国白宫信息物理系统与美国挑战项目顾问；2016年起，担任美国麦肯锡全球顾问。

美国早在2006年就提出了Cyber-Physical System(CPS),也就是“网络-实体系统”(又译为“虚拟-实体系统”或“信息-物理系统”或“智能技术系统”等)的概念，并将此项技术体系作为新一代技术革命的突破点。同时，德国也提出工业4.0的核心技术是Cyber-Physical Production System(网络-实体生产系统)，也就是CPS技术在生产系统的应用。

CPS的概念虽然看似很抽象，却可以用日常生活常见事物来解释。比如国内使用的滴滴打车，就是在网络端将乘客和出租车的地理位置联系在一起，将乘客的请求推送给距离较近的出租车，满足的是乘客对于出行的“按需服务”。 又比如，当我们开车经过一个路段时，GPS自动提醒我们前方路段道路颠簸请减速，使用的是许多其他车辆的经验和历史数据，是自身的传感所不能够探测到的。所以在虚拟(Cyber)世界中我们每个人都有一个数字化镜像(Digital Twin)，是我们现实生活的记录和反映，这些数字化镜像可以形成一个虚拟的社区，彼此共享信息和协同活动，进而对我们现实的生活进行对称性的指导和辅助。

同样地，任何产品也可以存在于虚拟和实体两个世界，如何在虚拟世界中将实体的状态以及实体之间的关系透明化，正是CPS技术诞生的目的和意义。基于CPS技术的应用，使设备具备了自省性(对自身状态变化的意识，self-aware)、自我预测(self-predict)、自我比较(self-compare)、和自我配置(self-configure)的能力。未来产品例如机床、汽车、飞机、船舶等都应该会有实体与虚拟的价值结合，虚拟世界中的代表实体状态和相互关系的模型和运算结果能够更加精确地指导实体的行动，使实体的活动相互协同和优化，实现价值更加高效、准确、和优化的传达。以CPS在船舶上的应用为例，在实体世界中，船舶、海洋、环境、设备、和船员构成了航行活动的主要要素，而在Cyber端可以建立这些要素的关联模型。当海洋的环境改变时，我们可以在Cyber端分析洋流变化对船舶能耗的影响，再动态优化出当前最佳的转速航和航行姿态，使船舶时刻保持最经济的状态航行。

从技术概念上讲，CPS是什么?

CPS不是一个简单的技术，而是一个具有清晰架构和使用流程的技术体系，能够实现对数据进行收集、汇总、解析、排序、分析、预测、决策、分发的整个处理流程，能够对工业数据进行流水线式的实时分析能力，并在分析过程中充分考虑机理逻辑、流程关系、活动目标、商业活动等特征和要求，因此是工业大数据分析中的智能化体系的核心。

这里给出以下几个概念：

CPS的定义

Cyber-physicalSystem，在众多翻译中，我们认为较为合理的是“网络-实体系统”，即：从实体空间对象、环境、活动大数据的采集、存储、建模、分析、挖掘、评估、预测、优化、协同，并与对象的设计、测试和运行性能表征相结合，产生与实体空间深度融合、实时交互、互相耦合、互相更新的网络空间(包括机理空间、环境空间与群体空间的结合); 进而，通过自感知、自记忆、自认知、自决策、自重构和智能支持促进工业资产的全面智能化。

CPS的内涵

CPS实质上是一种多维度的智能技术体系，以大数据、网络与海量计算为依托，通过核心的智能感知、分析、挖掘、评估、预测、优化、协同等技术手段，将计算、通信、控制(Computing、Communication、Control，3C)有机融合与深度协作，做到涉及对象机理、环境、群体的网络空间与实体空间的深度融合。

“实体空间”vs. “网络空间”

实体空间是构成真实世界的各类要素和活动个体，包括环境、设备、系统、集群、社区、人员活动等。而网络空间是上述要素和个体的精确同步和建模，通过模型模拟个体之间和与环境之间的关系，记录实体空间随时间的变化，并可以对实体空间的活动进行模拟和预测。网络空间的成长需要依靠实体空间活动所产生的大量数据，在CPS的自成长体系下，网络空间的价值和能力将不断得到提升。因此，实体空间和网络空间的关系是相互指导和相互映射的关系。

CPS的特征

以CPS为核心的智能化体系，正是根据工业大数据环境中的分析和决策要求所设计的，其特征主要体现在以下几个方面：

1)智能的感知：从信息来源、采集方式、和管理方式上保证了数据的质量和全面性，建立支持CPS上层建筑的数据环境基础。

2)数据到信息的转化：可以对数据进行特征提取、筛选、分类、和优先级排列，保证了数据的可解读性。

3)网络的融合：将机理、环境与群体有机结合，构建能够指导实体空间的网络环境，包括精确同步、关联建模、变化记录、分析预测等。

4)自我的认知：将机理模型和数据驱动模型相结合，保证数据的解读符合客观的物理规律，并从机理上反映对象的状态变化。同时结合数据可视化工具和决策优化算法工具为用户提供面向其活动目标的决策支持。

5)自由的配置：根据活动目标进行优化，进而通过执行优化后的决策实现价值的应用。

从技术上如何实现：CPS的5C构架

根据CPS为达成智能化所应该具有的特征，我们在这里给出一个在工业4.0环境下的CPS技术体系架构，包括了5个层次的构建模式：智能感知层(Connection)、信息挖掘层(Conversion)、网络层(Cyber)、认知层(Cognition)、和配置执行层(Configuration)。

智能感知层(Smart Connection Level)

从机器或部件级，第一件事是如何以高效和可靠的方式采集数据。它可能包括一个本地代理(用于数据记录、缓存和精简)，并用来发送来自本地计算机系统数据到远程中央服务器的通信协议。基于众所周知的束缚、自由通讯方式，包括ZigBee的蓝牙、WiFi、UWB等，以前的研究已经调查并设计坚固的工厂网络方案来使机器系统更智能，因此，数据的透明性绝对是第一步。

数据到信息转换层，也即是信息挖掘层(Data-to-information Conversion Level)

在工业环境中，数据可能来自不同的资源，包括控制器、传感器、制造系统(ERP，MES，SCM和CRM系统)，维修记录，等等。这些数据或信号代表所监视机器的系统的状况，但是，该数据必须被转换成用于一个实际的应用程序的有意义的信息，包括健康评估和故障诊断。

网络-实体融合层，也即是网络化的内容管理(Cyber Level)

一旦我们能够从机械系统收获信息，如何利用它是下一个挑战。从被监控的系统中提取的信息可表示在该时间点的系统条件。如果它能够与其他类似的机器或在不同的时间历程的机器进行比较，用户能够更深入了解系统的变化和预测任务状态。这就是所谓的网络层，通过网络化的内容管理，建设对每一台机器系统的一流的知识基础。

自认知层，也即是识别与决策层(Cognition Level)

通过实施CPS的网络层，它可以提供解决方案，以机器信号转换为健康信息，并且还与其他实例进行比较。在认知层面上，机器本身应该采取这种在线监测系统的优势，以提前确诊潜在的故障，并意识到其潜在的降解。根据历史健康评估的适应性学习，系统可以利用一些特定的预测算法来预测潜在的故障，并估计到达故障的一定程度的时间。

配置层，也既是重构层(Configuration Level)

由于本机可以在网上追踪其健康状况，CPS可以提供早期故障检测和发送健康监测信息。此保养信息可以反馈给业务管理系统，使操作员和工厂管理人员可以基于维护信息做出正确的决定。同时，机器本身可以减少机器故障的损失，并最终实现以弹性系统调整其工作负荷或制造时间表。

在这个架构中，CPS从最底层的物理连接到数据至信息的转化层，并通过增加先进的分析和弹性功能，最终实现所管理的系统自身的自我配置、自我调整、自我优化的能力。

从CPS技术体系来看，核心在于以数据分析的能力创造新的价值，因此，这也决定了CPS技术的高可移植性、高通用性，应用范围可以涉及工厂车间、运输系统、能源等各个行业。在这里我们提出以CPS为核心的数据创值体系的“二维”应用战略：

- 三个横向的应用基础：一是平台基础，即智能数据收集与平台运用;二是分析手段，即智能化的数据分析、管理、优化工具与软件应用;三是商业模式内核，即智能管理及服务体系的设计与应用。

- 三个纵向的应用扩展：一是基础的部件级应用，二是系统的装备级应用，三是成体系的应用链设计。

CPS在制造业的应用

分析CPS如何在制造系统中产生价值，我们首先要分析的是Physical和Cyber在制造业中分别代表什么，我认为，6M+6C的模式可以比较明确地阐述制造系统中Physical和Cyber的元素。

传统的制造系统在前三次工业革命中主要在Physical的领域中进行改善和竞争，它包含了：

Material——材料，包括特性和功能等

Machine——机器，包括精度、自动化、和生产能力等

Methods——方法，包括工艺、效率、和产能等

Measurement——测量，包括六西格玛、传感器监测等

Maintenance——维护，包括使用率、故障率、和运维成本等

传统的制造业向智能化转型的过程中，第六个M起到了至关重要的作用：

Modeling——数据和知识建模，包括监测、预测、优化和防范等。这也是打通Physical和Cyber的最重要连接。

未来的制造业产品一定是包含6M的，也就是，如何利用智能传感与分析技术将5M过程中产生的工业数据连接并建立分析模型，即：企业即使不做材料也不做设备，依然可以通过使用数据、维护数据等的分析实现价值创造。数据能够反映出来问题，比如功能特性、生产工艺等等5M会涉及的各方面问题，假如有一整套建模系统，能够对每个设备过去、当前及未来性能进行完整的分析，那么这就能够渗透全寿命周期的决策链与价值链，其能量可想而知。

随着智能传感器技术，如RFID技术的发展，收集数据已经变得很简单，但是仍然存在的问题是，这些器件及数据是否在正确时间、为正确的目的、提供给正确的人正确的信息?除非数据被处理后可为需要者提供内容和意义，否则这些数据也是无用的。单纯将传感器连接到设备上或者将一台设备与另一台进行连接，是不会给用户提供足以做出更好决策所需的信息的。

为了使传感器、设备、群体乃至社区网络等之间的联接更有意义，到底该如何获取并从数据分析中萃取洞察力和价值呢?这就离不开Cyber系统中的“6C”元素，即：

Connection——连接，涉及传感器和网络、物联网等;

Cloud——云，即在任何时间按需获取的存储和计算能力;

Cyber——虚拟网络，包括模型与记忆等;

Content/Context——数据来源背景与内容，包括相关性、含义、决策等;

Community——社群，包括交互、分享、协同等;

Customization——客制化，即个性化的服务与价值。

这些正是可以对工业4.0环境下的智能制造与智能使用系统模式开展进一步的强化说明。也就是说，现有的制造系统需要对制造设备本身的以及制造过程中产生的数据进行更深入的分析，将数据转化成为能够指导生产活动的信息，再利用信息产生优化的决策和个性化的服务来创造价值。

如果用煎蛋模型来审视CPS与制造业的关系，那么以6M为核心要素的“Physical”部分就是蛋黄，是整个制造系统价值的基础和载体。而以6C为核心要素的“Cyber”部分就是蛋白，是整个制造系统价值的创造和分发。利用CPS从生产活动的大数据中挖掘新的知识，实现无忧的透明化生产环境，是制造业未来的核心竞争力。

总而言之，整个CPS的5C体系所要传递的概念就是如何从工业大数据中创造面向客户的价值过程。

首先，先进的传感器技术、通信技术、物联网技术等等可以使得大量原始数据的获取并非难事，然而，有了数据并不代表一定就能产生价值。一种是数据的利用程度，比如，很多运营型企业会存储大量的设备使用数据，设备出现问题时才会查看当时的数据是否出现了异常、并且只用于处理当下的问题，这样，大量的使用数据被浪费，实际上如果能通过一个统一的平台分析、预测数据的关联，就可能避免不必要的问题或浪费;另一种是数据的可用程度，即有可能我们采集到的数据90%以上都是无用的数据，而技术人员需要花费大量时间进行数据处理，因此，这实际上对于感知数据的采集与存储提出了新的要求。

第二，就算有了可利用的数据，也必须能够转化为有用的信息。这种信息的转化，类似于人的记忆过程，即人之所以有记忆，并非单纯感知到实体世界的数据存储，或者是实体世界镜像的映射，而是通过筛选、存储、关联、融合、索引、调用等形式将数据变为对人有用的信息，这是人类思维与行为的基础。因此，在CPS的框架下，能够按照信息分析的频度和重点重新进行自适应的、动态的“数据-信息”转换，并解决海量信息的持续存储、多层挖掘、层次化聚类调用，进而达成数据到信息的智能筛选、存储、融合、关联、调用，才是有效的信息提取过程。

第三，就是如何能够从信息当中产生价值。单一信息源产生单一价值，这是过去的概念;如今的工业4.0时代需要解决的核心问题是，关注实时的动态过程中，以多源数据的多维度关联、评估、预测，实现多问题、多环节乃至全产业链的协同优化。

预期到2030年，传统的生产系统将转型成为生产智能产品的智慧工厂，未来的工厂将实现具备自省性、自预测性、自比较性和自重构能力的无忧生产环境。然而，在迈向工业4.0时代以前，诸多的关键技术需要我们持续不断地研究，现有的生产基础设施也需要不断更新以应对工业4.0的新标准。物联网+智能分析平台+务联网的大数据创值体系还需要不断完善，尤其是填补智能分析平台中的技术缺口。构建CPS系统的工具、技术和方法也需要不断改进。如何通过捕获智慧工厂和智能产品两方面的大数据，运用先进的大数据分析方法建立实体设备与产品的镜像模型，并利用镜像模型产生的信息对实体进行对称化的内容管理和提供创值服务，将成为未来竞争力的核心。如果中国制造能够成功运用网络集成的数据分析，实现工业化与信息化的深度融合，将强力推进中国提升全球竞争力、开拓全新的市场机遇。