面向工业智能化的技术特性

作为工业智能化发展的一种支撑系统，CPS又拥有哪些技术特性？

现代工业系统在近百年的发展过程中，先后经历了集成化、自动化和信息化三个阶段，如今，以控制理论为基础的智能系统已经能够胜任非常复杂的工作了。然而，传统技术手段下的智能系统正在逐渐遇到瓶颈。

首先，这些系统更加侧重功能性的设计，解决的大多是可见世界的问题。系统以预期与实际之间的误差作为反馈控制的依据，而所谓的预期，取决于驱动这个控制系统的模型。也就是说，我们所能进行智能控制的都是能够被建模的事物。然而，真实世界中的环境和目标都有很大的未知和不确定性，我们的模型如果不能够去管理和避免这些不确定性，就不能够称为真正的智能。这些不确定性不仅来自环境和任务，也来自系统本身，如系统衰退和系统特性的变化等。总之，我们所面临的是充满不确定性和变化的世界，而一切企图用不变的手段去管理变化世界的努力终将遇到瓶颈。

未来的工业系统将面对更多不确定性和多变的环境与系统（环境的不确定性、自身的不确定性和任务的不确定性），因此，智能化的工业系统需要具备4个基本的概念：

（1）面向环境的智能：感知和预测环境的变化及不确定性。

（2）面向状态的智能：对自身状态的变化和影响性能及风险性的因素进行评估和预测。

（3）面向集群的智能：包括与环境中其他个体之间的配合和协同，以及从其他个体的活动中学习新的知识和经验。

（4）面向任务的智能：从“如果，那么”到假设场景做出应对的过度，不仅要完成目标，还要懂得预测和管理所引起的不良结果。

同时，CPS面向工业智能，将具有以下几个特性：

第一，具备自省性的能力，感知和预测自身状态的变化

使设备具备“自省性”（self-aware）和“自预测性”（self-predict）的能力，是实现工业系统面向状态的智能基础。与传统的状态监测不同，自省性面向的对象是工业系统中的不可见问题，这些对象包括设备性能衰退、精度缺失、易耗件的磨损、工艺参数的不稳定等。所有显性问题都是隐性问题积累到一定程度后引发的，这些问题利用一般的统计科学或是单个参数的监测很难进行有效的判断，需要更加先进的分析和建模手段，建立能够将隐性问题显性化的预测模型。在现代复杂的工业系统环境中，自省性可以对提高设备的效能起到至关重要的作用。以生产系统为例，拥有自省性的系统可以运用生产线上的控制系统来自我调节系统参数，修正误差。同时也可以提供系统的当前生产状况、剩余寿命等帮助工作人员制订生产和机器维修计划，准备物料和人手配件，来及时有效地解决生产系统的异常，保证产品质量，减少预测外的故障停机时间，提高生产效率。

第二，为工业设备赋予“EQ”，实现设备活动的协同智能

评判工业系统的智能化能力要从“IQ”（智商）和“EQ”（情商）两个维度来定义：“IQ”是系统（或设备）解决问题的能力，而“EQ”则是这个系统（或设备）放在由相似个体的集群所构成的更大系统中，是否能够与其他的个体很好地配合，实现全局系统层面最优化的能力。这与人的“IQ”和“EQ”是一样的，“IQ”侧重于理解问题的准确性，决定了所能解决问题的深度；而“EQ”更加注重对结果的管理，扩展了解决问题的广度。

“EQ”的另一层含义是如何与其他个体协作和交往。一个机器人做一项复杂的工作并不难，但是100个机器人相互配合去做一项工作就会很难。比如让机器人踢足球，机器人可能在力量、速度和精准度上胜于人类，但是现在的技术依然很难让机器人像真正的球员那样进行团队协作，所以在足球运动这类团队竞技比赛中，机器战胜人还有很长的路要走。再举一个离工业更近的例子：工厂的机器人，国产的与国外的在单机的性能上并没有太大的差别，但是当上百台机器人相互协同工作时，国产机器的连续稳定运行能力就差了很多，这里有技术可靠性的问题，但是更重要的原因在于集成控制方面对机器“EQ”的管理差距。

CPS为工业装备赋予“EQ”需要以集群环境为基础，主要体现在三个方面：

（1）以集群中的其他个体为参照，实现对自身状态的精确评估。对自身状态的评估离不开对基线状态的精确建模，但是当足够的数据和专家知识同时缺失时，基线状态模型就无从建立。这时如果在相似的环境中有相同的个体集群存在，就可以将其他个体的状态特征作为参考，建立整个集群的状态基线模型，这样设备自身状态的变化就可以从与集群的差异性上体现出来。

（2）在集群环境中建立大规模竞争性学习的环境，使集群中每一个实体的活动信息共同作为认知学习的样本，加快学习的周期和知识积累的速度。

（3）集群的协同性和强韧性，当系统中的某一个设备的状态发生变化而不能够满足任务的需求时，集群中的其他设备能够一起补充这个缺口，直到这个设备的状态恢复为止。

例如，制程上游的装备出现质量不稳定的情况时，在维护资源就绪之前，能不能在下游的制程中进行补偿，使整个系统不至于停机或出现大规模次品？再如自动驾驶同样也离不开“EQ”，因为驾驶并不是单纯对汽车的控制，更重要的是对环境的适应和对道路上其他成员关系的管理。就如同在行驶道路上有的人驾驶强势一些，就自然有人驾驶得谦让一些，这种此消彼长的关系是一种自然形成的并且可动态自我调整的过程。可见的是汽车，不可见的是驾车人的驾驶习惯。一辆汽车的自动驾驶并不难，但是一个区域数百辆汽车的协同就很有难度，而如果未来道路上有无人驾驶和人工驾驶的汽车同时存在，这种关系的管理就更加困难了。驾驶并不是目的，安全行驶才是目的，只有“IQ”的“自动驾驶”并不能解决问题，兼备“IQ”和“EQ”的“无忧驾驶”才是我们所需要的。

第三，从对已有知识的管理和利用中获得新的知识

工业智能化的另一个重要特征是对知识的管理。《从大数据到智能制造》一书曾系统性地阐述了大数据与智能制造之间的关系，我们可以在这里进一步进行深入的探讨。

制造系统中的知识产生过程通常遵循一个闭环的过程：发现问题→根据经验分析问题→制定解决问题的决策→根据结果的反馈积累经验→把经验进行抽象总结并用于解决未来相似性问题。在这个闭环的过程中，日本通过对人的不断训练将知识固化在人的身上，于是就形成了“工匠文化”。而德国则通过对生产系统和装备的持续改善和集成化设计，将知识固化在了生产系统中，于是就形成了“器匠文化”。然而，无论是“工匠文化”还是“器匠文化”，发展到今天都遇到了严重的瓶颈：

日本工匠文化的核心是人，但是以传统全生产系统管理（TPM）和精益管理的方式将知识固化在人的身上已经慢慢变得不可持续。一方面这个过程往往要经历很长的时间，随着新知识产生的速度越来越快，其效率已经受到严峻的挑战；另一方面，以人作为知识的载体，对知识的利用效率也非常低，因为人的精力和大规模并行处理多个问题的能力非常有限。最后，人终归是要消失的，很多的知识也会随着人的消失而失去。随着日本老龄化问题愈发严重，尤其是选择制造业的年轻从业者数量急剧下降，日本制造的“工匠文化”可持续性正在面临非常严峻的挑战。

而德国的“器匠文化”在利用效率和可复制性方面都胜于“工匠文化”，所以德国的制造系统能够变成一种产品成为德国出口的重要引擎。但是“器匠文化”的一个突出弱点是，在使用这些智能装备的过程中，人自身的技能却在慢慢退化。德国的双元制教育模式虽然受到许多国家的推崇，但是在德国内部却越来越少的被年轻人所选择，所以德国正在逐渐丧失高水平的工程师和技术人员。现在的德国汽车工厂内，已经有超过一半的工人是移民。以取代人作为结果的“器匠文化”也面临可持续性的挑战。

无论是工匠还是器匠的模式，都是为了获得知识这一制造领域的核心竞争力。知识的定义是对已发生事情的内在逻辑进行洞察过程，并能够将其作为依据去管理未来相似的事情。在实现知识的自成长过程中，我们仍要填补一些技术上的缺口，首先是认知科学方面的突破，从算法层面实现比较性学习（comparative learning）、竞争性学习（competitive learning）与逻辑性学习（logistic cognition）的内在机制。另一方面，是要理解知识的本质目的，CPS在知识管理方面的目的是帮助人而非取代人，在与人的交互过程中去帮助人获得知识，通过人在回路（Human-in-loop）的方式使人的智慧与机器的智能相互启发地增长。内在是认知学习算法的突破，外在是新的人机交互形式的产生。所以去评价阿尔法狗（AlphaGo）的成功并不能仅局限在它能够战胜人类，更在于它能否帮助人类在围棋中领会更深的哲学。

第四，CPS实现工业智能的根本价值：无忧的环境

我们在《工业大数据：工业4.0时代的工业转型与价值创造》一书中提到了可见世界和不可见世界的概念，也强调了对不可见世界进行管理的重要性。对不可见世界的管理，其目的是对“焦虑（worry）”的管理。举个现实中的例子，有一些城市的公交站台会显示下一班车到达本站的时间，这一个信息本身并不会提升公交车到站的速度和运行的效率，但是通过对“到站时间”这一个原本不可见信息的透明化，让等公交车的乘客少了一份焦虑。同样的例子，滴滴打车软件中显示出租车的位置和到达乘客地点的时间，也是为了起到对顾客“焦虑”管理的作用。

工业系统中的问题分为可见的问题和不可见的问题，我们对待问题的方式既可以是等问题发生后去解决，也可以是在问题发生前去避免。人们的焦虑往往不是来自于失败所造成结果，而是来自于不明白什么时候失败会发生、会造成什么后果以及为什么会发生。当我们能够很清楚地回答这三个问题时，失败也就没有那么可怕了，因为我们知道该如何去管理失败造成的代价，何时该采取措施，以及未来如何避免其再次发生。我们所心向往之的智能工业系统，是建立在对不可见问题深入对称管理的基础上，最根本的价值是去避免可见的问题，最终实现“无忧”的环境。

IMS中心的会员公司日本株式会社电装（DENSO）在美国田纳西州生产汽车启动器的工厂里，每100万个产品中只有1.5个次品，对质量的管理已经达到了8个Sigma以外。DENSO的目标是打造“无人可及”的工厂，工厂的每一个步骤都经过精细的设计和严格的管理。即便是这样，他们仍然觉得有提升的空间和动力。他们的负责人在与IMS中心合作时曾说：“即便100万个产品中只有一个失败了，我们仍然想要知道它为什么会失败，只有这样我们才能够学会如何去不断地成功。”

这句话反映了非常深刻的制造哲学：在智能的工业系统中，成功并不是目的，关键是如何不断地成功；失败也并不可怕，关键在于我们是不是能够知道为什么会失败。

图2-5 CPS的本质与目的

总结而言，CPS实现工业系统智能化的技术本质可以用以图2-5来表示。通过对实体系统和人的知识在赛博系统中进行对称建模管理，使人与实体系统通过赛博空间建立认知与交互。进而通过赋予实体系统自省性和自预测能力实现面向状态的智能、自比较与自组织能力实现面向集群的智能、自适应与自调整能力实现面向环境的智能、自重构与自协同能力实现面向任务的智能。最后，通过对实体系统中关系性的认知与建模实现知识的自成长，使知识得以可持续和规模化的利用。