背景介紹

賽博制造（Cybermanufacturing）的提出，是為了解決當下大規模制造系統普遍缺乏強韌性（resilience）的問題[1]。從設備維護的角度來說，強韌性指的是制造系統在變化環境中持續提供穩定生產力的能力。以傳統的生產管理模式管理工業資產，不僅無助于提高強韌性，成本也往往高昂而難以察覺。從工業資產管理的角度來看，傳統制造系統強韌性差、維護成本高的直接原因主要有兩點：

一是“失去了的生產機會”。如果在設備數量增加時，企業仍然遵循傳統的周期性或應激式維護方式，非預期的故障停機將不可避免。故障停機時間原本可以用來進行生產，故而停機的成本是這段時間沒有被生產的產品所應創造的價值。

二是“看不見的維護支出”。在生產活動中，企業為了保證生產的連續性，往往會準備大量的備品備件，對關鍵設備甚至會準備備用設備。然而，在生產設備正常運行時，備品備件與備用設備造成了庫存閑置，浪費了本可以節省的庫存空間資源和土地資源。另外，備用設備也需要維護，也存在發生非預期故障的風險，設置備用設備還要支付額外的維護成本。

究其根本，造成以上兩點的痛點是生產任務與設備健康之間缺乏聯系。不清楚設備的健康狀態便直接分配生產任務，就有可能將過多的生產任務分配給已經衰退的、生產能力下降的設備，進而加速其劣化，造成非預期故障。不清楚設備的健康狀態便直接進行設備維護維修，就沒辦法抓住更換劣化元件的最佳時機——換太早，便浪費了元件；太晚，又造成故障停機。

目標

賽博制造的目標是建立生產任務與設備健康之間的聯系，提高制造系統強韌性。傳感技術與工業通訊標準的進步使得越來越多的生產設備實現互聯，而數據價值不斷受到重視的趨勢也讓制造系統成為名副其實的大數據環境。賽博制造所利用的便是互聯的相似設備之間有條件的可比性，通過對等相較（peer comparison）來評估主件健康狀態、分析風險，并據此來優化生產任務的分配。對比傳統制造系統基于機器的、應激式的、以控制為主導的自上而下生產管理模式，賽博制造是基于實證的、預防性的、以數據洞察為主導的自下而上生產管理模式，如圖 2所示[1][2]。

圖2. 基于“信息物理系統（CPS）”的賽博制造基本框架[2]

核心技術

賽博制造的核心技術之一是基于群組（fleet）的預測性建模。所謂群組，即上文所提到的相似設備的集合。設備的相似性可以至少從四方面考慮：型號，功能，環境，與工況。在采集到這四類信息后，群組的劃分可以采用聚類（clustering）的方法，將相似性信息作為輸入，分群標識作為輸出。由于設備的環境與工況可能會動態改變，聚類過程需要具備動態自調整的功能以適應這種改變，如圖 3所示[2]。

圖3. 動態群組聚類方法[2]

基于群組的預測模型相比單機的預診方法具有更合適、更全面的基線信息，故而預測的準確率相較于單機模型而言更高。同時，對等相較也能讓用戶發現單機預診無法發現的問題，為設備健康分析建模拓展了除時間之外的另一個維度[3]。

案例分享

基于群組的預測性建模技術在風電[4]、工業機械手臂[5]等領域均有應用，通用性強。

在IMS中心與一家知名汽車生產制造商合作的項目中，驗證了基于群組的故障檢測模型的優越性。像上文提到的，建立基于群組的模型的基本方法是，將與機器相似性相關的變量進行聚類來重新組成多個本地集群。之后，以組內數據為基線進行故障檢測。具體如圖 4，對于機械手臂，聚類分析的輸入是機械手臂的參數設定、控制信號等數據，聚類后對每組內的機械手臂用所在本地集群的基線進行建模。經過與單機模型的比較發現，本地集群模型的檢測準確率均與單機模型的準確率相當或者更高，如表 1所示。結果同時也說明，在本地集群內樣本數量足夠時，基線對于單機模型才有優勢。這確定了基于群組預診模型的應用場景是樣本數量足夠的互聯群組預診。

圖4. 基于群組的故障檢測方法[5]

基于群組建模相對于單機模型優勢除了在大規模應用中的高準確率之外，還包括其高度可規模性。傳統的單機模型在建模時需要累積大量的歷史數據，而且即便建模之后，在規模化時不同個體間的差異性也很容易導致模型性能下降。而基于群組建模的方法以在大量機器中尋找差異最小個體，并將其分群的方式從根本上降低了差異性的影響，使得本地集群基線能夠更加準確地反應組內個體的健康狀態，極大增強了模型可規模性。這一特性也使得基于群組的預測性建模方法成為IMS中心“信息物理系統”（CPS）框架中網絡層（Cyber Level）的重要組成部分之一[6]，為天澤智云實現即插即用的一站式預診解決方案（turn-key prognostics solution）奠定了理論基礎。

參考資料

[1]J.Lee, B. Bagheri, and C. Jin, “Introduction to cyber manufacturing,” Manuf.Lett., vol. 8, pp. 11–15, 2016.

[2]C.Jin, D. Djurdjanovic, H. D. Ardakani, K. Wang, M. Buzza, B. Begheri, P. Brown,and J. Lee, “A comprehensive framework of factory-to-factory dynamicfleet-level prognostics and operation management for geographically distributedassets,” in 2015 IEEE International Conference on Automation Science andEngineering (CASE), 2015, pp. 225–230.

[3]C.Jin, “Cyber Physical Systems-Enabled Prognostics for Fleet-based Systems,” in IMSCenter 29th Industry Advisory Board Meeting, 2015.

[4]E.R. Lapira, H. Al-Atat, and J. Lee, “Turbine-to-turbine prognostics techniquefor wind farms,” 12-Nov-2012.

[5]E.R. Lapira, “Fault detection in a network of similar machines using clusteringapproach,” University of Cincinnati, 2012.

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