编者按：美国国家科学基金会智能维护系统主任与美国工业人工智能中心主任李杰(Jay Lee)教授专注于可预测大数据分析、CPS与预测与健康管理，先后出版了《工业大数据--工业4.0时代的工业转型与价值创造》、《从大数据到智能制造》与《CPS——新一代工业智能》三部专著。当前，中国制造业正处在转型升级的关键时期，我们邀请李杰教授等几位专家对这三部专著进行解读。本文不但介绍了工业大数据的价值与CPS的应用，还分析了中国智能制造面临的误区，指出了未来工业人工智能技术的突破方向以及CPS对中国工业的启示。
2018年8月，《华尔街日报》报道美国通用电气公司GE准备将包括Predix在内的GE Digtial核心资产出售。消息一出，听到不少业内外人士叹息道，GE的工业互联网大潮最终还是退去。其实，GE与Predix“分手”的征兆在一年前就开始出现。那时，虽然GE仍在持续大力投入Predix等相关数字化业务的技术研发，但是营收却迟迟不尽如人意。官方数据显示，截止2017年，GE Digital一直处于亏损状态，当年收入仅40亿美元，商业价值并没有实现预期的爆发性增长。
当然，GE Predix这一案例需要辩证地来看待。需要指出的是，Predix的困境是企业运营、市场拓展、技术落地等多方面原因导致的结果，并不能一概而论。毕竟，要想把能源、石油钻井、航空航天等各个大工业个性化的业务需求与一个平台化的解决方案整合、落地,并且实现规模化服务并不是易事。除了商业层面的阻力之外，技术落地层面也有巨大挑战。因为工业中遇到的技术问题虽然类似，但是客户的需求非常依赖个性化的使用场景，共性很难提炼，这往往不是机器互联、数据上云就能解决的，所以，要想真正实现工业互联网的价值，就更需要“想明白、做扎实”，步子不能迈太大，做的事情还是要能帮助客户提升内在的核心制造能力。
目前，国内一些企业智能制造的发展思路也出现了类似的误区。在国家政策的推动下，一些企业大刀阔斧地投入资金进行工厂的“智能化”改造：建设工业互联网、物联网平台，所有的产线都加上大量的传感器，数据全部上云；与此同时，开展“机器换人”，建设自动化产线等。在这场“运动式”的改造升级中，大家的意识和行动都非常领先，但是却往往忽略了自己实际的需求和核心能力建设，就像是吃一次自助餐，什么美味佳肴都要取到自己盘中，但这些美味佳肴可能并不是自己身体此刻最需要的营养。
错把技术手段当成目标，这是目前中国在实践智能制造时主要的问题，也是互联网、大数据、人工智能等技术在落地工业时必须要避免的误区。那么，如何利用这些智能技术做到真正的制造转型和升值？下一阶段的智能制造技术发展会从哪里开始？笔者结合信息物理系统 (cyber-physical system，CPS)和工业人工智能的理论框架，给出了对智能制造技术落地和转型路径的一些看法，以及我们在行业内一些实施成功的案例。另外，我们也希望从工业的视角，分享我们对这些智能技术未来发展趋势的思考。
现阶段，中国的制造企业向智能化转型的本质就是从解决“可见问题”到避免“不可见问题”的过程。
对于制造系统遇到的问题，我们常常把它们分为“可见”和“不可见”两类。处理这些问题的方式可分为在问题发生后去“解决”和在问题发生前“避免”。生产系统中的“不可见问题”包括设备性能的衰退、精度的缺失、易耗件的磨损和资源的浪费等。“可见问题”往往就是这些不可见因素积累到一定程度引起的，比如设备的衰退最终导致停机，精度的缺失最终导致产品质量偏差等。就如同冰山一样，“可见问题”仅仅是浮在海面上的一角，而隐性的问题才是隐藏在海面之下的恶魔。工业大数据、人工智能技术在这其中的作用就是通过预测生产系统中的不可见特性，对“不可见问题”获得深刻的洞察，实现无忧制造。
沿着这个思路，我们可以将制造转型的机会空间进一步分为4个部分(图1)。
图1 制造转型的4个机会空间
Fig.1 Opportunity spaces for manufacturing transformation
第一个机会空间来自解决生产系统中的“可见问题”，这个空间内依然有中国制造需要补的课，比如产品交付周期长、环境污染和资源浪费等问题。针对这一机会空间，需要的是生产系统持续的精益改善与不断完善的标准化制造体系。
第二个空间在于避免“可见问题”，即使用数据来挖掘新的知识，以找到问题更深层次的原因，对原有生产系统和产品做加值改善。例如一个工厂可以基于六西格玛(6σ)的诊断工具，对厂内全年的设备故障进行根因分析，找到最频发的故障及最大影响因素，并建立相应的管理机制进行干预。
第三个空间来自隐形问题显性化，即利用创新的方法与技术发现、解决“不可见问题”，提升当前制造系统的理论极限。这需要的是更加深入的数据隐性线索、关联性和因果性的挖掘，并通过这些关系的建立，将原来不可见的过程进一步量化。比如设备健康衰退评估就是通过对设备机理、运行环境和运行参数的分析实现设备的预测性维护。
第四个空间在于寻找和满足不可见的价值缺口，避免不可见因素的影响。这部分机会需要利用大数据分析扩大关系建立的尺度来创造“更高维度”的知识，并且通过这些知识实现制造系统产业链的闭环整合，在系统的上游和设计端进行优化，从而避免“不可见问题”的发生。比如，现在我们可以通过工业智能技术实现一台风机的健康衰退评估，未来我们可以将在这过程中产生的知识与风机的结构设计和控制逻辑相关联，将智能模型内置(design-in)在风机甚至场群的控制逻辑中，使风机能在不同的健康模式下都能采用最佳的控制参数、稳定在最佳性能。在我们看来，到这个程度才算是实现了工业4.0。
在当前这个阶段，绝大多数制造企业关注的是第一和第二空间的改善机会。不过，工业智能技术更应该应用于解决和避免“不可见问题”，即第三、第四空间的机会，只有这样才能实现制造系统生产效率和产品竞争力的突破，实现中国制造向智能化转型。
无论是德国工业4.0战略还是美国CPS计划，他们都将CPS作为实施的核心技术，并据此设定各自的战略转型目标，那么，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“工业智能技术体系”，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，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CPS是通过工业大数据分析、构建智能化体系的核心。
工业生产过程会产生大量的数据，而工业智能的本质就是通过大数据、人工智能等技术手段实现生产数据中逻辑关系和知识的实时提取，并形成决策和行动，实现从解决“可见问题”到避免“不可见问题”的转变和制造知识的传承。例如，对于一台加工模具的机床，工人在操控，刀具在切割，设备在产生大量的振动和电流信号。什么算是智能的生产呢？就是刀具在切削过程中，可以稳定在最佳的速度、角度，不产生共振、颤振，而且适合这种材料的加工特点，保证最后的产品质量。刀具切削了一段时间，磨损了，怎么办呢？机床就要能自己发现，甚至在断裂前自动停机，提醒旁边的工人更换，既不造成刀具的浪费，又能确保加工符合要求。工厂运营了一段时间，突然人事变动，操作工换人了，新来的工人怎么学习这个机床的参数？这个时候机床就可以显示出之前的工人是怎么加工的，在不同的情况下要怎么做，这样新来的工人就能驾轻就熟地操作系统，避免很多不必要的错误。到这个程度，这个场景就算是基本做到了智能化。
不难发现，在这个过程中，智能化并不是只有了大量的数据或是只做到了自动化控制就能实现的，而是要搭建一个可以从数据到知识再到执行的闭环系统。在《CPS——新一代工业智能》这本书中，笔者将CPS的5C架构作为实现这个闭环过程的功能框架，如图2所示。5C分别代表Connection(智能感知层)、Conversion(智能分析层)、Cyber(网络层)、Cognition(智能认知层)、Configuration(智能决策与执行层)，具体含义如下。
图2 CPS的5C架构体系
Fig.2 The ‘5C’ Architecture for CPS
智能感知层(Connection)：从信息来源、采集方式和管理方式上保证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。除了建立互联的环境和数据采集的通道，智能感知的另一核心在于按照活动目标和信息分析的需求，自主进行选择性和有侧重的数据采集。
智能分析层(Conversion)：将低价值密度的数据转化为高价值密度的信息，对数据进行特征提取、筛选、分类和优先级排列，保证数据的可解读性，包括对数据的分割、分解、分类和分析。
网络层(Cyber)：重点在于网络环境中信息的融合和赛博空间的建模，将机理、环境与群体有机结合，构建能够指导实体空间的建模分析环境，包括精确同步、关联建模、变化记录、分析预测等。
智能认知层(Cognition)：在复杂环境与多维度参考条件下面向动态目标，根据不同的评估需求进行多源化数据的动态关联、评估、预测，实现对实体系统运行规律的认知，以及物、环境、活动三者之间的关联、影响分析与趋势判断，形成“自主认知”的能力，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。
智能执行层(Configuration)：根据活动目标和认知层中分析结果的参考，对运行决策进行优化，并将优化结果同步到系统的执行机构，以保障信息利用的时效性和系统运行的协同性。
CPS之所以可以提升制造的核心能力恰恰是因为它将信息世界的无穷算力和物理世界的制造能力有机整合为一个整体，突破了传统生产系统在时间和空间上的限制，极大地发挥了生产系统的潜力。因此，如果从CPS 5C架构的这一视角来重新思考工业互联网、人工智能等技术就会发现，智能制造并不能单纯地等同于实现了生产过程监控的透明化或在什么地方应用了深度学习，这些都顶多可以作为CPS中的一个组件。要想在工业场景中真正落地这些智能技术，就需要系统化、结构化地建立信息世界和物理世界的纽带，找到对解决问题最重要的影响参数而不是盲目地积累数据，最终形成闭环优化，万万不可只见树木、不见森林。
上文介绍了制造企业向数字化、智能化转型的整体思路。在这一过程中，有哪些关键的技术板块？它们如何构建成一个系统性的技术体系来支撑企业构建具备智能化属性的CPS？我们认为有5个技术是关键。
数据技术(data technology，DT)。DT要解决的是工业数据中的3B问题：Broken(数据碎片化)、Bad(数据质量差)、Background(数据场景性强)，对应CPS架构中的智能感知层。除了实现异源数据的统一采集之外，还需要做到对有效数据的自动提炼，提高建模数据采集的标准化程度。另外，在对数据进行管理时，还需注重解决数据的同步问题(data synchronization)。例如，在一条流程性制造产线中，末端产品质量的数据需要能够与这个产品在上游工序加工时的设备参数对应起来，强化数据的全面性和代表性。
分析技术(analytics technology，AT)。AT对应的是CPS架构中的智能分析层和网络层，包括边缘端的分析和云端的分析。边缘端虽然贴近工业现场、分析的实时性高，但对数据的处理能力和存储能力有限，难以实现集中式的模型训练和预测。因此，针对边缘计算的特点，需探索流式推理技术的突破，使用小数据量的实时数据流迭代式地提炼数据中的关联性，做到模型的自优化。另一方面，对于云端分析来说，需建立预测结果的不确定性管理体系，做到对预测偏差的控制和解释。同时，针对工业小样本数据的特点，需要探索新的建模分析方法，例如半监督学习、基于时间切片(time-machine)的状态建模、基于集群对标的建模学习(peer-to-peer learning)、自适应学习(adaptive learning)、迁移学习(transfer learning)等。
平台技术(platform technology，PT)。PT支撑的是CPS架构中从智能感知层、智能分析层到网络层的功能。同样地，针对边缘端计算平台，一方面需要通过硬件技术的突破来提升信号采集和计算能力，另一方面也需要拓展边缘端平台的协同控制能力，支撑设备集群和产线的自协同(self-organize)和自治理(self-configure)。另外，随着边缘端与云端的广泛互联，其安全性愈发重要，尤其是在边缘平台的反馈控制实现后，需要通过硬件架构和相应的软件机制确保被接入制造系统的安全。对于云端平台，则需注重搭建模型全生命周期管理的组件，辅助模型的不确定性管理和工业智能的持续自学习。
运营技术(operation technology，OT)。OT对应的是CPS架构中的智能决策和执行层，在于运营管理方法的升级，如何将预测模型得到的知识切实转化为运维、管理行动，实现从经验驱动生产向数据驱动生产的转变。
人机交互技术(human-machine technology，HT)。HT对应的是CPS架构中的智能认知层。工业智能将在很大程度上影响制造系统与人的交互方式。可以预想的是，未来的工厂每时每刻处理的信息量会大大增加，如何帮助生产者通过最自然(seemless)的方式获得最有效、最相关的信息会成为一大挑战。因此，需要结合创新技术对工业场景的人机交互模式进行深入探索。例如，IA(智能助手)在工厂能源调度时对各工站人员的智能提醒、VR/AR(虚拟现实/增强现实)在设备远程诊断中的辅助等。HT将帮助工业智能技术更好地融入生产，更大程度地对生产者赋能。
最后，需要强调的是，这些技术支柱不会是孤立的存在，而是需要整合为一个系统才能发挥各自的真正作用。CPS的5C架构就是能将上述5T整合的核心功能框架。这也意味着未来工业智能技术的研发道路仍然会是一个跨学科、需要多方领域知识(domain know-how)结合、并且不断在具体实践中检验的过程。
2000年，笔者在美国国家科学基金会的资助下，建立了智能维护系统(IMS)产学合作中心，与国内外100多家制造企业合作，进行工业智能技术理论和方法的研究。近两年，笔者在国内外走访了很多工厂，看到了世界制造与中国制造业的实情与差异，有幸参与了一些企业迈向智能化的过程。
在这里，笔者选取了近两年与团队成功落地的案例与读者分享。这两个案例的共性在于都采用了前文提出的从解决“可见问题”到避免“不可见问题”的思维，发现隐形业务需求，通过建设CPS实现了工业智能的闭环价值。希望可以通过对这一实践过程更为详实的介绍为读者带去更多启发。
我国高速铁路在过去十年间连续保持高速增长。截止2017年底，中国高铁的总长度已经达到2.5万千米，全国铁路拥有动车组2935列。“十三五”期间我国高速铁路仍将保持快速发展，高速铁路网也将从“四纵四横”进一步扩展至“八纵八横”，高速铁路营业里程达到3万千米。中车青岛四方机车车辆股份有限公司(以下简称“中车青岛四方”)是中国主要的高速动车组整车生产厂商之一。
作为转向架系统的关键旋转部件，轴箱轴承是高铁动车组核心部件之一，其健康状态关系着整列动车的运行安全。我们与中车青岛四方合作，开展了高铁轴箱轴承的故障预测与健康管理(PHM)系统研究，对高铁运行状态进行实时监测，并对可能出现的轴承故障进行预警诊断，避免列车重大运行安全隐患，提高高铁运行安全性。
轴箱轴承PHM原型系统基于CPS的5C技术架构，技术方案整体架构如图3所示。最底层是列车轴承信号采集和边缘侧计算，对应智能感知层和智能分析层。在车载边缘计算平台上，多通道振动信号统一汇集，并进行初步的特征提取、筛选、分类和优先级排列，提高数据的可解读性；同时该平台也负责与地面数据中心的通信，将分析结果实时传输回地面中心。在地面中心的集控平台上，通过高铁轴承的镜像模型实现了高铁集群健康状态的实时监测，对应网络层。最后，模型预测结果通过与其他信息系统(例如ERP系统、报表系统)的整合，实现了数据的可视化呈现与运维决策闭环，对应智能认知层与智能决策和配置层。另外，在这个平台上，随着轴承专家对模型结果的分析和运维人员的反馈，新知识不断产生，整个工业系统的价值也不断被强化。
图3 高铁轴箱轴承故障预测与健康管理系统流程
Fig.3 Flow for the high-speed railway bearing PHM system
这个场景有3个核心技术点：轴箱轴承故障诊断和预测、多源混合信号的高速并发采集、列车端边缘计算。
(1)轴箱轴承故障诊断和预测。轴箱轴承建模时，采用了机理模型与数据驱动结合的建模方法：一方面基于对轴承这一类常见旋转机械的机理分析，提取潜在故障频带特征；另一方面，基于ERP/MRO系统中积累的故障标签，通过机器学习的方法训练故障检测和分类模型，实现对轴承健康风险的量化和故障诊断。
(2)多源混合信号的高速并发采集。为实现对轴箱轴承故障的精准定位和识别，需要采集(采样率达25.6 kHz)全面的列车运行数据与部件数据，包括振动、转速、温度信号等。由于数据采集量大，为避免采集过多无效信号，采用了事件触发与定时采集结合的数据采集策略，即仅在列车运行工况变化、进入特定转速或达到特定时间点时，采集短暂的高频信号。这样的数据采集策略既保证了分析数据的全面性，又极大降低了边缘端数采设备和云端数据存储的压力。
(3)高铁列车边缘端计算。在高铁的场景中，如果将所有数据传递到云端服务器进行运算和处理是非常不现实的，不仅是传输带宽受限、可能造成数据延迟，而且通信成本和存储成本过高。为了解决这个问题，我们采用了分布式计算的架构，在列车部署了边缘计算节点，实现对原始数据快速直接的特征提取，提升传回云端数据的分析价值。在这个项目，我们针对每个通道的振动信号提取十余个特征，将百兆级的原始数据转化为每20s推送一次的kB级数据，极大提高了系统效率。在一个分布式的系统中，我们常常说的是“数据传递”，但实际上被传递信息的本质并不是数据，而是数据内在的价值。在数据量爆炸式增长时，采用这种价值传递的思维方式，可以为系统的扩展和提效提供广泛的可能性。
最终的轴箱轴承PHM原型系统包括以下2个核心功能：轴承健康状况在线监测和边缘端远程配置管理，见图4。
(a)故障在线预测界面
(b)健康管理系统界面
图4 高铁轴箱轴承故障预测与健康管理系统可视化界面
Fig.4 User interface of the high-speed railway bearing PHM system
(1)轴承健康状况在线监测。通过对轴承运行数据的实时采集与分析，用户可以远程监测列车轴箱轴承的运行状态和健康衰退情况，并通过PHM模型诊断具体故障模式(内圈、外圈、滚子和保持架)，为运维提供支持。
(2)边缘端远程配置管理。为了应对系统广泛投运之后边缘端数据采集策略和模型更新的挑战，该系统提供了边缘端硬件的远程配置功能。新版模型在优化完成后，可一键部署至全部列车组；同时用户也可针对疑似故障车组远程触发原始数据采集和回传。
在该系统的支持下，中车青岛四方实现了高铁轴箱轴承从事后维修(解决问题)向预测性维护(避免问题)的转型。地面控制中心的调度人员可以对列车轴承故障进行实时监测分析，为列车保驾护航；列车运维人员也可以结合模型分析结果制定更优的运维策略，提高轴承维护的精度和效率。
经过1年多的研发，这一套系统已在整车滚动综合性能试验台和测试环线上进行了验证，对轴承故障识别的精准率超过90%，并积累了20余种故障树以进一步管理预测结果的不确定性，指导运维闭环。
可以预想，轴箱轴承智能健康管理的率先实施只是高铁智能化运维的第一步，之后，将由点及面、逐步扩展，对转向架系统、牵引系统、制动系统、车体系统、门系统等实现预测性维护，最终实现高铁的“无忧运行”，为乘客提供更安全、更绿色、更舒适的乘车体验。
中国的风电行业近十年来飞速发展，目前已经成为风电行业装机规模增速最快的国家。日趋激烈的风电市场竞争对风机的性能提出了更高的要求。风电装备制造商在降低成本方面进行了大量的努力，降低风机制造成本面临着越来越多的技术挑战。与之相对应的是，目前对风机的运维管理依然是比较粗放的模式，风机的诊断与健康管理仍不健全，运维管理效率也需大幅提高，这些都为研发智能化风机系统提供了很大的提升空间。基于风场的实际情况，风场智能运维系统研发的难点在于：①风资源具有随机性，风速、风向及风能密度的变化为动态的非线性过程，对风速和风功率的精准预测一直是学术界研究的热点；②风场的选址多在偏远地区或海上，维护工作复杂，经常会用到特殊设备，导致维护成本高昂，维护周期较长；③受风资源随机性的影响，不同风机传动系统的衰退程度、润滑状态、偏航齿轮条的磨损等也具有较大的差异性，传统的预防性维护很难在风场运维中奏效。
基于当前的风电发展现状和运维难点，整个风场智能运维需要实现的关键功能如下：①风机及关键零部件的健康管理及衰退的精确化与透明化；②风机及关键零部件的健康趋势分析及剩余寿命预测；③风机发电性能的实施评估，以及风场级别的风机性能排序；④基于风资源预测技术的风场智能调度管理；⑤基于风机及关键零部件性能预测的风场运维策略优化和资源调度。
智能风场健康管理和智能维护系统的核心，是对风机关键设备及子系统的健康状态进行评估，并根据风资源的预测来对风机的运维实现智能调度和排程优化。风机中的关键零部件较多，且运行工况多样，这就需要对系统的功能层级按照实现逻辑进行梳理和组织。基于CPS架构的5C技术体系，我们设计了智能风场的CPS功能架构(图5)。
风场是典型的多源异构数据环境，数据主要来自SCADA (supervisory control and data ac-quisition) 系统和振动状态监控系统(condition monitoring system, CMS)，这些信息源提供了环境信息、工况信息、控制参数、状态参数和部分关键零部件的振动信号等数据。其他的数据还包括电网调度信息、工单系统、人员管理及维护资源状态等信息。通过IMS中心Watchdog Agent®工具包所提供的大数据分析工具，综合分析上述数据，对风机进行建模分析和可视化处理，形成具有广泛适用性的风机性能评估、衰退预测和风场运维管理算法模块。
图5 基于CPS 5C架构的智能风场功能设计
Fig.5 Functional design of intelligent wind farm system based on the ‘5C’ architecture of CPS
整个数据分析和建模实现的流程如图6所示，智能风场健康管理和运维系统的研发包括两个部分：对风机性能的预测性分析和对风场的动态运维优化。首先，通过对实时数据的分析，对当前的工作环境和风资源状况进行有效的模式识别，基于实时数据提取有效的健康特征，来建立风机和关键零部件的健康模型，并对当前的风机衰退状态进行评估分析。基于对风机和关键零部件的衰退分析，进一步判断设备潜在的运行风险和可能的失效模式，并对剩余的有效寿命进行预测，从而最大程度地保证风机发电运行能力，并尽可能减少系统宕机时间，避免重大停机故障的发生。
图6 智能风场预测性分析与动态运维流程
Fig.6 Predictive analytics and dynamic maintenance planning feature of intelligent wind farm system
智能风机系统的模块化设计使得系统的扩展性变得更强，在实现风机智能化升级的同时部署云服务系统，为风场提供更多客制化服务，在对风机的实施数据进行分析处理之后，将相应的特征和模型上传到云服务平台上，实现统一管理和进一步分析。用户可以借助该平台实现对多个风场内任一风机的远程实时监控和历史性能变化追溯。
对风场的动态运维优化需要在对每个风机的健康状态准确评估的基础上，综合当前的风机健康信息、环境信息和维护资源信息等，对风场的维护决策进行优化。风资源的预测也是风机排程优化的重要依据，对风机的维护应尽可能选择在风资源较弱的时段，以降低发电损失及停机维修造成的损失。IMS中心与上海电气集团中央研究院合作，开发了海上风场中短期运维计划排程的优化模型，该模型立足风场的实际情况，设计优化模型及多种非线性约束，以保证最大程度地模拟维修调度现场的实际操作情况，从而给出优化决策建议。
针对海上风场维修任务的特点，优化模型充分考虑船只、天气、维修人员、维修次序、风机健康状况、航行费用等因素，建立了海上风场维护排程优化的通用模型。针对每个维修任务，可以从多个可用的维修团队中选择多个可用的维修船只来进行维修，这增加了系统维修排程的灵活性，有利于降低成本，但是此举也扩大了可行解的搜索范围，使得优化问题变得更加复杂，以至于用优化求解软件如MATLAB Optimization Toolbox 和Gurobi等已经难以在合理时间内求解。根据遗传算法的思想，IMS中心设计了一种适合解决海上风场运维优化的推演模型的双层遗传算法模型，该算法拓展性强，计算能力明显优于商用优化软件，在处理风场智能调度问题上具有较强的优越性。所开发的智能风场运维系统界面如图7所示，包含优化决策可视化输出、优化决策成本对比、维护费用透视和历史费用溯源分析4个模块，可以方便地为用户提供智能维护排程决策支持。以某海上风场17个维护任务为例进行维护排程优化，优化后的智能排程计划在执行推演中的预测成本比无优化维护排程计划的预测成本降低了25%以上，明显提高了风场运维效益。
图7 智能风场运维优化系统可视化界面
Fig.7 User interface of intelligent wind farm system
高效、稳定、可持续是制造系统亘古不变的追求。作为使能技术，工业智能技术若要在工业中得到规模化应用就必须要经得起这一“制造标准”的检验。总体来说，未来工业人工智能技术需要在4S层面即标准化 (Standard)、系统性(Systematic)、流程化(Streamline)、可持续传承(Sustainable) 得到进一步突破。因此, 美国智能维护中心(IMS)首先提出了工业人工智能(Industrial AI)系统理念与技术。
虽然人工智能技术在图像处理和语义分析等领域已经取得了令人惊叹的成就，也成功解决了工业领域中的一些难点问题，例如通过图像识别对半导体芯片加工质量进行检测，帮助工人提高对不良品件的筛选精度，但是距离人工智能技术被体系化应用于制造系统中仍然有一段很长的路要走，其中最重要的原因是人工智能中还有太多的Surprise(惊奇)，往往给制造系统带来很多“敞口”的不确定性。例如，深度神经网络看似无所不能，但是在解决一些强机理、工况多变的设备故障预测问题时，如果没有覆盖全工况的海量数据做支撑，训练出来的模型也很难在复杂多变的工业环境中给出稳定的预测结果。
这种不确定性带来的后果就是人工智能模型给出的结果难以被生产人员信任，而且现场工人也无法基于此开展下一步的生产操作。因为一旦操作错误，就可能打乱整个制造系统的生产节拍，甚至是造成与目标相反的效果。况且，由于这一类人工智能模型难以自我解释，在出现问题时很难迅速诊断原因和恢复。
因此，人工智能技术要想真正被规模化地应用于工业系统中，就要建立一套成熟的不确定性管理机制，这需要工业人工智能技术在以下4个S有所突破。
(1)Standard(标准化)。与现有工业系统的标准化体系相结合，包括工艺流程、计量、容错机制、操作规程等；提高工业智能模型的标准化程度，包括预测结果表达、模型误差管理，以及反馈到执行过程中的决策依据和流程的标准化。
(2)Systematic(系统性)。在技术层级和应用层级方面的体系化上，建立一套工业智能技术与制造系统的协同体系，明确工业智能在部件级、设备级、系统级和产线级等不同层级中的任务边界，找到工业智能系统在获取信息和输出决策时在生产各个层面的接口方式，实现智能系统与工业系统的无缝对接。
(3)Streamline(流程化)。在CPS方法论的基础上建立工业智能系统开发和实施的工程化流水线，针对不同行业，将工业智能系统的研发有序解耦，在每个环节对数据和模型实现有效的误差管理。
(4)Sustainable(可持续传承)。与人工智能模型的可解释性相似，工业智能要做到可持续的学习优化和新知识管理。每一次模型训练不是推倒重来，而是渐进式、结构化的改进。
近些年，中国一直致力于经济增长模式和产业结构的调整，为的是在未来的世界经济中更加具有竞争力。提升中国工业的竞争力，关键在于对中国工业，尤其是中国制造“大而不强”的现状对症下药，可采取的措施包括：改变中国制造质量差、档次低的形象；提升产品的附加值，从价值链的低端环节向高端环节转移；调整制造业的产业结构，使之更加合理化；改善中国工业能耗高和对环境污染大的现状，实现绿色制造；提高企业的信息化水平，实现信息化的生产管理和全产业链的互联互通；增强企业自主创新能力，转变成为创新驱动的增长模式。这些正是中国目前不断推进“两化深化融合”、“智能制造” “工业互联网”等一系列重要战略举措的目的所在。可以说，CPS的发展亦可对于中国工业战略推进起到积极作用。
(1)两化深化融合。CPS可为两化融合注入新的融合力量。工业化与信息化的融合，核心在于深度融合，将实体经济与虚拟经济有效结合，以实现中国的可持续发展。传统的工业化与信息化往往是各自发展，无法做到紧耦合，原因在于：传统的信息化(如专家系统、控制系统、监控系统等)所解决的都是利用“知识”来消费“数据”的问题；而数据在消费过程中并没有被转化为知识，知识的产生过程依然靠人来实现；同时，传统的信息化分享的是数据和决策，但是知识并没有被分享。CPS通过核心智能技术体系，实现实体空间与赛博空间之间“数据-信息-知识”的有效转换、利用与共享，形成有效的认知与决策能力，达成虚与实的深度融合，这也为两化融合的实现提供了新的技术思路。
(2)智能制造。CPS可促使向服务型制造的转型发展。如果用煎蛋模型来看中国工业制造领域的机会空间，中国制造在蛋黄部分和蛋白部分都还有很大的增长空间。蛋黄部分要填补中国工业制造基础技术的缺口，改变核心零部件和先进材料过度依赖进口的现状；努力提高生产效率，从粗放式的生产模式向精益模式转变；重视工艺和制程的研究与生产过程的管理，不断提高产品质量；努力研发核心生产设备和智能设备，并对设备的使用进行精细化和信息化管理。蛋白部分要提高产品的服务能力和可持续盈利能力，以顾客端的价值缺口为导向提供智能化服务，利用增值服务提升中国工业产品的核心竞争力。CPS的关键目标就在于通过虚实融合的自主认知与决策手段，做到视情与精确管理，从最终服务端实现“价值化”创造，即为工业的服务价值化转型提供了有效途径。
(3)工业互联网。CPS是支撑工业互联网价值实现的技术架构。工业互联网能够解决传统方法和技术无法解决的工业痛点和瓶颈。中国需要构建自己的工业互联网体系，扶持传感器技术、数据采集设备、运算能力、数据分析能力方面的研发和应用，利用数据挖掘和信息内容管理在使用中获得新的知识和技术以对现有产品进行改进，避免一些不可见因素带来的隐患；利用大数据对信息进行挖掘，以满足用户那些以往不可见的需求，提供增值服务。最后，无论是落地在客户端的增值服务，还是运营层面的效率提升，都必须能创造价值并产生价值的流动，最终实现节能增效、降本减存的目标。CPS的体系架构能将智能设备、智能分析、智能决策这三大要素与网络、计算、运维整合在一起，推动整个产业链的协同发展。
(4)全球竞争力。CPS可突破不可见空间，提升工业综合竞争力。工业智能化的核心在于大数据的创值，而中国既是数据制造大国，同时也是数据使用大国，大量的数据都在中国汇集。如果数据是新工业智能时代中价值创造的原材料，那么中国无疑是资源最多的国家。然而数据并不会直接创造价值，就好像对于一个企业而言，现金流而非固定资产决定企业的兴衰一样，真正为企业带来价值的是数据流，是数据经过实时分析后及时地流向决策链的各个环节，或成为面向客户创值服务的内容和依据。中国应该利用好数据资源，不断提升中国对装备的理解和使用能力，让世界向中国学习使用经验。同时，在过去几十年里，中国实质上一直在“可见的空间”中进行投入，形成了很大的存量，现在要考虑的并不是如何继续去投资增量，而是要考虑如何将存量的能力释放出来，这需要我们在“不可见空间”中去探索，见图8。
图8 中国工业转型的机会空间
Fig.8 Opportunity space of china industrial transformation
以CPS等典型创值体系的构建，突破“不可见空间”的潜在机会空间，关注制造业对客户、人类以及环境的价值，从而以此不断提升中国在世界工业中的综合竞争能力。