e-works黄培博士专访李杰教授 | 深耕智能服务，实现无忧制造！
▲李杰教授
小编导读
2017年12月，由美国NSF智能维护系统中心（IMS）和北京天泽智云科技有限公司联合主办的2017未来工业智能峰会在北京召开。会议期间，李杰教授接受了e-works数字化企业网总编黄培博士的专访，黄培博士就智能服务、工业大数据、CPS等议题与李杰教授展开了深入的交流探讨。本文为专访内容。
2017年12月，由美国NSF智能维护系统中心（IMS）和北京天泽智云科技有限公司联合主办的2017未来工业智能峰会在北京召开，汇聚国内外前沿专家，共同探讨未来工业智能化的发展趋势。美国NSF智能维护系统中心（IMS）主任、智能服务领域的国际权威专家李杰教授出席了本次会议，并发表题为《中国工业的价值转型之路》的主题演讲。
李杰教授现任美国辛辛那提大学（University of Cincinnati）讲座教授，美国国家科学基金会（NSF）智能维护系统（IMS）产学合作中心主任，研究重点是以工业大数据分析为主的智能预测技术、产品及服务的主控式创新设计。李杰教授从2013年起担任美国白宫信息物理系统（CPS）专家组顾问。李杰教授自2000年起与全球100多家国际公司进行联合研发，包括GE航空、波音、丰田、西门子、阿尔斯通等世界500强公司。李杰教授研发的智能维护系统技术突破了传统机械设备故障预测理论、方法和技术，得到国际学术界高度评价。李杰教授是美国机械工程学会（ASME）及美国制造工程学会（SME）的Fellow（会士）。
在会议期间，李杰教授接受了e-works数字化企业网总编黄培博士的专访，就智能服务、工业大数据、CPS等议题展开了深入的交流探讨。以下是访谈内容：
黄：当前智能制造在中国很热，但是对其定义，内涵、外延还缺乏统一认识。请您解读一下智能制造的内涵。
李：智能制造不仅仅是一个技术体系，更重要的是对智能的理解、解决问题的逻辑和重新定义制造的思维。智能制造所需要解决的核心问题是，如何对制造系统的5M（材料、装备、工艺、测量和维护）要素的活动进行建模，并通过模型（第六个M）驱动5M要素。智能制造所要解决的核心问题是知识的产生与传承过程。
同时，推进智能制造还应针对不同的行业领域采取不同的策略，因为领域不同，所以相关的特征也不同。例如在医疗领域中，推进智能制造的重点是追溯性，而不是生产制造，目的在于确认加工过程是否会影响最后的认证。而半导体行业则关注的是检测，因为频繁的检测可能需要耗费大量时间，同时检测装备的价格也很昂贵。如果可以用数据直接预测并验证，则可以为全过程节省三分之一的时间，也节约了购买检测设备的成本。
黄：如果要预测某一个设备的状况，比如经过相关算法预测得出该设备预计三个星期后可能轴承或齿轮会损坏。在您的实践经验中，有没有某些算法能使预测结果更为准确？
李：最初我们考虑的是从不同的算法中找出最好的一种，后来我们意识到可以通过多种算法并行来进行互相印证，以共性最高的结果作为参考。
如今大多数工厂普遍应用商品化的管理软件来获取整体设备效率(OEE)等信息，及时掌控对生产系统中可见的影响因素和导致的结果。然而，生产系统中更多的是不可见因素，比如设备性能衰退、精度丧失等。而可见的影响因素往往是不可见因素积累到一定程度所引起的，比如设备的衰退导致最终停机、精度丧失导致质量偏差等。因此，对这些不可见因素进行预测和管理是关键。
预测制造系统的核心技术包含用智能软件来进行预测建模功能的智能计算工具。对设备性能的预测分析和对故障时间的估算，将减少这些不确定因素的影响，并为用户提供预先缓和措施和解决对策，防止生产力和效率的损失。
在生产系统里隐形问题的预测方面，提取有效的健康特征至关重要。就像医院体检拿一管血做分析，每一滴血都可以做不同的测试，可以对胆固醇、肝指数、糖尿病、艾滋病等病症同时进行测试，通过不同成分的指标就可以判断出存在各种病情的隐患。这些特征之间存在一定的相关性，其变化情况也有若干种不同的组合，将这些组合背后所代表的意义用先进的数据分析方法破解出来，就是我们进行建模和预测的过程。
基于这些性能特征，生产系统的运行状况可以通过健康置信值来评估和量化。另外，可以在时间域内预测特征的未来值，从而可以预测性能的衰退趋势和问题发生的剩余时间。因此，在获取设备的工作数据之后，还需要通过分析来进行预测，这种预测并不是精确地提供设备损坏的时间节点，而是预测出机器将会出现不稳定性的时间区域，并提醒及时处理。
随着制造系统对不可见问题的认识和控制能力不断加深，工厂管理以准确的信息为基础，从而提高设备的运作效率，最终实现零意外和零停机的状态。并且，由于对设备具有自我意识和自我预测功能，可以实现有效管理维护，从而降低管理成本。历史健康信息也可以反馈到机器设备设计部门，从而形成闭环的生命周期设计，最终实现无忧制造。让企业的生产车间不再有意外发生！
本文由“135编辑器”提供技术支持
黄：人工智能的深度学习算法如果没有任何引导，这种算法有实际意义吗？
李：深度学习是机器学习中的一种，它的先决条件是要制定限制条件。比如我看到一种花，这种花属于哪一类的？这类花还有哪些品种？这类花有什么颜色、叶型？意思就是说每一种植物都有一个种群。但如果仅仅只说这就是一种花，那么这种学习是不可能完成的。所以，深度学习首先要有逻辑支撑，其次要有数据支撑。因为所处的环境不一样，参数也会不一样，背景资料也会变化。另外，我提出深度学习中还要有宽度学习，宽度学习讲的是速度，深度学习讲的是精度，二者的目的性不同。其实这跟我们人类学习一样，宽度学习是通过外部资料去了解，深度学习是自己去研习。
本文由“135编辑器”提供技术支持
黄：我看过一个案例，通过物联网平台可以预测某一台水泵会损坏的具体时间。您认为目前的预测性维护技术能够达到这样的准确度吗？
李：这是理想化的，因为水泵也包含水质和工况的变化。在预测里面有多工况情况，如果工况都没变，预测具有一定的合理性；如果工况发生变化，预测就不合理，而工况不变的情况在实际应用中很少见。
本文由“135编辑器”提供技术支持
黄：设备健康管理（PHM）和智能维护之间的关系是什么？
李：设备健康管理（PHM）有很多种算法，是用于分析产品使用过程中的数据，通过对远程监控系统所采集的数据进行分析，实现对产品使用过程中性能衰退和未知变异的透明化管理，通过及时避免故障为客户创造价值。
一般来讲，设备或者工艺中存在的故障类型是多种多样的，每一个故障类型能对应特定的衰退模式以及应对策略。有些故障类型可能会影响设备正常运行和生产安全，而有些故障可能对设备运行不构成影响。
例如，设备内部有些部件损坏后并未对设备整体使用造成影响，也就是说这部分坏的没有价值。所以，我们并不仅要知道每个东西坏没坏，还要了解它的衰退速度对整体使用的影响，影响越大风险越高。如果生产系统的运行人员能够确知未来将要发生的隐患，就可以对情况产生预判，从而更为快速有效地进行修复，实现无忧制造，这才是智能维护的价值。
本文由“135编辑器”提供技术支持
黄：现在很多人在研究设备管理，通过算法能够计算出具体的故障部位吗？
李：针对这种问题在做大数据分析时，要先找主分量分析，找到最重要的参数。例如有十二个参数来控制液压，实际上只有四个关键参数会具体影响到液压，那么从这四个里面再去做分类，成功率就会很高。如果十二个参数全部做，误差就会很高。所以在做大数据分析时，不需要用所有参数去计算，而是选择若干最关键、关联性最大的参数序列来计算。
本文由“135编辑器”提供技术支持
黄：请您谈谈对CPS的理解。
李：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、协同等手段，使计算、通信、控制实现有机融合，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。如何用CPS的思维去创造新的智能化规划是非常关键的。
本文由“135编辑器”提供技术支持
黄：您认为CPS对工业界的价值体现在哪里？
李：工业设备系统中存在“看得见的世界”和“看不见的世界”，而真正的科技与挑战都是隐藏在“看不见的世界”当中，所有显性问题都是隐性问题积累到一定成都后所触发的。所以，需要建立能够将隐性问题显性化的预测模型，进行精确的同步，形成相互指导、相互映射的关系，这样就可以挖掘出这些“隐形杀手”，然后控制住所有可激活设备故障的条件。
本文由“135编辑器”提供技术支持
黄：请您列举一个实例来具体阐述一下，在工业界如何应用CPS来解决一些原来解决不了的问题？
李：例如在加工机器中，甲乙两个工人轮班作业，甲在完成加工之后，机器是甲的调试方法，而乙在完成加工后则是乙的调法，同样的一台机器，甲乙两个加工出来的产品质量不一样。为什么不一样呢？原因在于甲、乙在进行加工作业操作时的习惯不同。
CPS有一个回溯系统，比如在甲进行加工时甲进行了调试，加工完的参数测量出来之后，测量结果与调试的人建立关联。若甲调试后加工的产品质量更好，下次甲或乙再来调试时如果不一样系统就会进行提示，调试的人就能很快了解如何做才能将产品做得更好。
CPS就是先把好的关系建立起来，变成一个记忆之后，让下一个人开始做的时候有一个可以传承的知识，这个对制造业很有帮助，它也是一个智能化系统。企业对此也提出过两个方面的困惑，第一是不知道加工过程中是如何产生误差的；第二是因为每一个工序没有关联在一起，所以在检验系统时找不到影响质量好坏的原因。
本文由“135编辑器”提供技术支持
黄：您认为DigitalTwin这个概念应当如何理解？
李：实际上我在1998已发表了Physical and Virtual Cyber model 文章 到了2003年我就在提出了Twin Model理念，每一个产品都有一个Twin，这是当时我们同空军方面合作得来的启发。Twin Model代表真正的健康模型与Condition模型两者是一个Twin。其观念就像照镜子一样（或称为阿凡达），因为实体的好坏都可以通过镜像反映出来，所以当Condition改变的时候健康模型就会跟着变化。在产品设计中，习惯称为DigitalTwin，因为设计Model可以用做后续的参考，但这仅仅适用于产品设计。而在产品实际使用过程中，因为没有Model，所以只能用数据来进行建模，即Twin。并且数据所产生的健康模型是作为实际操作模型的参考，这里面最主要是关系模型。
本文由“135编辑器”提供技术支持
黄：您目前主要精力放在哪方面的工作？
李：工业大数据、人工智能、智能维护、CPS是智能预测领域的一条纵轴线，对我而言，该领域学无止境。当前，我的工作分为企业和学校两部分，扎根企业，与行业从业者的频繁互动，能更清楚了解这一领域的实践成果和最新出现的问题；立足学校，将自身所学毫无保留传授给学生，因此在学校工作的每一秒我几乎都和学生待在一起。终生投身于智能预测的研究，实现无忧制造，这是我的信仰。过去、现在和未来，我已经做的和将要做的，都是专注于这一领域，向更深更广处扩大它的影响。
▲李杰教授与黄培博士的合影
智能服务是制造业推进智能制造的重要途径之一，可以帮助制造企业实现无忧制造。李杰教授的科研成果使这一领域解决问题的方法有了全新突破，势必会给制造业带来重大变革。李杰教授是这一领域的开拓者和实战家，让人由衷敬佩。祝愿李杰教授在自己所热爱的领域得偿所愿，获得更大的成就。
文章转载自《e-works数字化企业》，原作者黄培，涂彬，已获得授权发布，著作权解释权属原创者所有，本文工业4.0俱乐部推荐阅读！
附李杰教授当日演讲全文
IMS主任李杰：中国工业的价值转型之路
摘要
12月1日，2017未来工业智能峰会在北京召开。美国NSF智能维护系统中心（IMS）主任李杰教授，发表题为《中国工业的价值转型之路》的主题演讲。
12月1日，由美国NSF智能维护系统中心（IMS）和北京天泽智云科技有限公司联合主办的2017未来工业智能峰会在北京召开，汇聚国内外集实践学术理论于一身的最前沿专家和工业智能领域的泰斗，共同探讨未来工业智能化的发展趋势。亿欧作为支持媒体参与本次报道。
生产力管理模式分5个level，5S改善模式，精益与六西格玛模式，预测分析模式，决策管理优化模式和自动协和优化模式。
制造的6个M系统：材料、装备、工艺、量测、维护和智能化建模。
富士康实现智能制造的“三步走”：可行性与重要性分析、预测性分析和效益性分析。
美国NSF智能维护系统中心（IMS）主任李杰教授，发表题为《中国工业的价值转型之路》的主题演讲。亿欧对演讲内容做以下整理。
我不是做演讲，我是做引言，我会介绍十分钟，让大家了解工业大数据领域跟工业人工智能的结合性怎么来实现。我们要讲的是落地。中国是一个目前相当具有激情的一个环境，大家都想把事情做好，求知性很强，大家每天都在追求自己的梦想，不管中国梦还是世界梦，我觉得都是好事情，但是过程必须要有一个规划，不能随便做。所以我今天讲讲工业大数据的能力。
我们现在回想一下每个国家经历的历程。日本的问题，就是早期很注重工匠改革，就是制造精髓是把事情做得很好。所以日本讲的第一个S，改善模式。但我跟丰田上课说如果我可以用数字告诉你，什么是理想最好境界，你为什么分实施改善，一次做好。突然丰田答不出来了。它说我看不到才一次一次改，我看得到的一次到位。这个问题就解决了。所以40年丰田推精益制造的时候当时也没有互联网，所以这个是文化训练，但是条件太慢，改善太慢。对中国那么急的国家太慢了。
另一个六西格玛，是第一次接触到数据。就是做六西格玛一定要把数字找来。找都是发生过的事情，没有发生过的事情就找不到了。所以我们又回到只能针对看得到世界的问题。看不到世界的问题还是做不到，六西格玛也做不到。
第三个叫做预测分析模式。这个模式基本上我去找它的可见世界和不可见世界的关系性，我来预测它可能会发生的地点在哪里。机床如果不稳定，可能发生的是尺寸问题还是边缘性问题还是热补偿问题，预测出来。
第四，决策优化，就是我怎么来调整它。
第五层，今天无人驾驶的目的，一定是无忧驾驶。各位，你们是无人驾驶还是无忧驾驶，你们要哪个？无忧驾驶。所以这个地方出来了，我们今天讲的转型，不管做高铁的，中车，中船，还是做机床的，我们一开始都是从这边开始，监控，精密，稳定，慢慢会往上走。第二步，叫智慧维护。就是先做预测和性能分析，然后衰退管理，这个科学性到现在也没有完全做的很好。但是能做到这一步的企业基本上已经掌握到问题的特征性。可是还不够，因为你要做到它的系统的可能性，就是可能传感器很多的行业，或者传感器不多的行业，都能够去了解它之间所生成的问题，那就用不同的方式，有的是用物理模型，有的是数学模型，有的是动态模型，有的是数据模型，有的是自我生成的比较模型，一种是可视性的算法。所以我们这边所谈的，就是用各种的智能运算的方法，帮助我们去了解看不到世界，还没有问题产生的这些因果，最后才回到我们讲的物理世界。所以这个步骤从第一层往上走，或者说往右走，都可以，三步走，就是跟中国的航天一样，绕落回。不能一步到位，三步走。
我们今天讲的中国制造创新思维，回到上午讲的模型，就是每个企业都有核心制造，核心产品设计，可是顾客端的价值，又是另外一套。所以怎么把蛋黄和蛋白结合在一起，不管是任何一个企业，都需要阐述给顾客了解的。
这里我们讲了6M，材料、装备、工艺、量测、维护。最后我把这五个可见世界还不能了解的关系建立起来，这个Model可能是一个数字化Model，也是一个数学Model，也是一个数据Model，重点是可不可以描述它。首先是预测。我可以预测出来，我怎么设计，做出来就是这个。其次可加工性。我设计完了，加工不出来，没有办法。第三，效率质量量产。你没有3P是不可能做智能制造。所以6M代表建模能力一定要有。所以我要结合物联网的时候传感器怎么使用云，建立一套可以在数据端形成的管理机制，而不是用行为管理。
相关性和分类性就是出来的结果。比如我用基于视觉检测装备的质量。但是检测后根据工序，第几道跟这个机器有关系。分类性，跟它的加工工具有关系，那就不一样了。所以我的相机突然之间很有钱了。以前只是检测过还是不过，现在不过是什么原因，去哪边修改，这样完成后对质量的改善相当值钱。社群，因为不是你去做，别人也要用，所以要保持分享性，共性，但是专业的可以不分享。所以这里怎么产生社群。
定制化。这6C是我们今天要谈到落地的能力。我们谈到四个核心的技术，就是数据技术，平台技术，分析技术，这又分工具和软件技术工艺，第五个是运营技术。什么叫DT，这个就是数据的处理技术，还没有分析，你钓鱼，还没吃之前要把鱼鳞去掉，头弄掉，内脏割掉，再撒上盐，姜，然后煮。这个过程谁帮你做？你买一条鱼，下班回家就吃，不可能，一定是要处理。不是你处理，就是小贩帮你处理。所以数据处理有很多种，比如说处理的复杂性，它的噪音，它的背景，它的优劣性，平台技术，厨房是一个平台，有烤箱，有蒸箱，但是怎么煮是工具，跟工艺。平台和电冰箱都有，但是只是平台，里面装什么客户自己决定。这样的话就决定未来一定要有OT，说我来运作产品设计的时候，一定要了解怎么做优化。
DT里讲的三个东西，叫数据回头看的问题。大数据也一样，就是数据的背景性不清楚的时候，数据是没有用的。早期我们做分析测试，很多耗油，天气环境不知道，那也没有用。我们做很多传感器也是一样，少了背景资料也是没有用的。所以这个技术是需要有的，光这个市场在中国有三千亿市场，就是一个企业把乱七八糟的数据给你，但是会问这里是什么背景，说可以找到一些蛛丝马迹，把它挖出来。
PT是平台，平台代表什么？就是我们每一个系统去做，它应该有一个体系建设功能，就是从数据端到转换端，到可视性端，到装备的重组。这是逻辑性很强的，像机器有边缘端，就是这边数据量不用太大，一定把特征提取后先处理掉，到云端的时候是很少的，执行速度就相当快，而且负担很低，保密性相当高，最后人端跟终端价值很高。所以的我的分析方法在每个体系端都要用。
优化。当初我们在做优化的时候，有很多装备，但是怎么来匹配，什么装备开始维修，什么时间它的机会会给你，什么时候做最好，需要多少人来做。这是优化的问题，优化做的好可能产生更优势的效果，这四个决定一个好的能力团队建设够不够到位。
我想这里是我们今天讲的很重要的制造业，智能制造三个不可见世界，但是怎么用不同数据来源能够发展不同的加工的过程，这个很重要。第二，关系性，它的原因跟它的理由在哪里，为什么发生。第三，参考性，怎么去了解做很好的调整。
因此，我们来讲一个案例，就是富士康的实现三步走。第一步走，有一条生产线，工作人员做很久了，他们觉得不错了。数据量很多，上去了。上去后可以找到核心的零部件吻合。这个叫做过去发生种类的分析性，变化性，它的整个的质量的偏差，最后它的这些关系。所以这部分的建立是一个数据跟分析的关系。
第一步，要找到重要性。这个可能是有25个制成，有300个不同的装备，但不可能装备都重要，所以要根据过去发生问题的次数，和发生对质量效率产生原因做分类，一二三四象限出来了。可行性和重要性分析先做好。这个做不好一般来讲我们对，你想走进去，我帮你解决工厂的问题，不可能。
第二步，预测性分析。找到特征参数了，提取出来做分析。改善前，改善后它怎么提升的，这个需要做预测分析。通过过去做的预测不出来，你怎么预测未来？所以把过去的分析建立起来，预测过去怎么发生的，我就可以预测未来怎么发生的，可以用过去数据验证它是对的。
第三步，就可以进行效益分析。我这样去做是不是真的有效应。有时候做了很多事情没有效应，那就不对了。所以第三，是效益分析。这个团队花了一年不到的时间，帮富士康减少54小时不必要停机。谢谢！
责编：yulina
文章转载自《亿欧网》，著作权解释权属原创者所有，本文工业4.0俱乐部推荐阅读！
【名家访谈】李杰：大数据是中国搭上第四次科技革命快车的最大资本
工业4.0俱乐部为国内第一家为工业4.0和智能制造为主题的聚合共同体。秉承集聚、分享、共创、发展的理念，联合产、学、研、政等打造工业4.0产业生态联盟，为区域及企业产业升级转型提供一站式服务。
（长按二维码，关注工业4.0俱乐部）