李杰教授曾撰文说明“工业4.0”时代的新型制造模式，这里是我们对该文进行的全文编译。――编者
在这篇文章里，李杰教授为我们阐述了制造业模式的演变，介绍了预测型制造的概念和原理，并解释了它是怎样通过打造新一代的生产资源及其附加系统从而增强制造业竞争力的。
制造模式的演化
▲人们知道美国制造业现在正遭遇巨大的威胁和挑战，但问题是：到底应该发展什么样的技术来维持美国制造业的竞争力和领导地位？
制造业依旧是美国经济的支柱之一，在保证国家安全方面也保持着重要地位。它在2012年贡献了美国国民生产总值的11.9%。和其他产业相比，制造业具有最大的乘数效应――在制造业中每投资1美元就可以带来1.48美元的附加经济活动。制造业也给美国人带来将近1千2百万个直接就业岗位。
制造业在美国虽然占居着重要地位，但还是遭遇到了巨大的威胁和挑战。与宣称的已经从2008-2010年的经济衰退中复苏这一说法不同，全球高科技产品出口中美国市场的份额在2011年依旧下跌了6成，之前消失的5百万个就业岗位也仅有一小部分得到了恢复。更严重的是，美国制造业正面临新兴经济体日益激烈的竞争，他们正努力在高附加值产品市场中获得引领地位。其他国家也都进行了大量投入，希望通过密集的研发来加强制造业竞争力，而且他们比美国要积极许多。一份美国国家科学技术委员会的报告表明，研发活动和美国国内制造业科技创新之间存在着很大的鸿沟。为解决这一问题，奥巴马政府已计划投资10亿美元进行一项制造业科技创新的国家网络布局。然而问题是：到底应该发展什么样的技术来维持美国制造业的竞争力和领导地位？
经济全球化对区域经济来说是一个挑战，也将制造业推到了新变革的边缘。这次变革来自于传感、仪器、自动化、通信等领域的发展和其他新技术的涌现。在这篇文章里我们将阐述制造业模式的演变，介绍预测型制造的概念和原理，并解释它是怎样通过打造新一代的生产资源及其附加系统从而增强制造业竞争力的。
▲制造过程即便严格遵守规范，也无法确保最大化的利益――因为机器、人以及生产过程中始终存在着很多不确定的因素。
从早期采用机械系统来进行生产到今天的高度自动化的组装生产线，制造业一直充满活力，其生态系统高度依赖于创新和创意。新技术的发明已带来过数次的产业革命――它们推动着科技的发展，适应并满足市场不断变化的需求。
20世纪初，亨利·福特使规模制造流行起来。他设计了组装线，能够系统化且有序地组织劳动力、设备和零部件，从而实现了大量标准件的制造。通过采用可互换的部件来制造成品，生产成本被降到了最低。然而在规模化生产的早期，也遇到了大量资源浪费的问题，比如生产过剩、等待（闲置时间）、运输、处理、仓储、过剩且存在不必要的运转以及产品缺陷。
之后在1970年代，丰田生产系统出现，它通过不断减少并最终消除资源浪费来降低生产成本。这种生产策略首先对整个组织的运营进行评估从而确定资源浪费的来源，然后相应地对生产过程进行改进，达到杜绝浪费的目标。这一思想最终传到西方国家，并逐渐发展出了精益制造和六西格玛技术的概念。
再后来，计算机时代的来临带来了数字控制装置，制造设备开始具有自动化和柔性，如工业机器人、加工用具和其他工程设备所表现的那样。拥有如此能力的制造企业开始了规模化的定制或者敏捷制造，并且它们能够给客户提供所需的产品。过去二十年中，信息技术的进步和应用取得了令人惊叹的成就，甚至多媒体社交网络也日益影响着顾客对产品创新、质量、多样性及流通速度的感知。这样的前景也促成了可重构制造的出现，即制造装备的结构可以被容易且系统性地改变以使产能快速地扩大，而且设备的功能也可以更快地适应需求。
生产组织要能够最优地运用上述策略，它们需要采用和它们公司目标一致的规范，并且在生产中切实遵守。
然而，即使严格地遵守规范也无法确保最大化的利益――因为机器、人以及生产过程中始终存在着很多不确定的因素。
▲制造过程的下一步优化，将是透明化那些不可见的因素，从而使生产资源经理和过程主管得以在掌握信息后再做出决定。
制造中存在着许多无法定量化所以无法被决策者掌握的不确定因素，这也让他们无法在高效运营及对生产资料的使用中做出正确的判断。这些不确定因素在制造工厂内外都始终存在。
内在不确定因素有很多，比如加工过程中的性能下降、没有任何可察觉预兆（零部件级）的偶发失效、不同的运转所带来的循环寿命的变化，以及出现废品或者返工对于生产计划制定所带来的困难，等等。外在不确定因素则通常来源于从产品开发到供应链的一系列过程，诸如不可靠的下游处理能力，市场和客户需求的波动等等。外在的这些不确定因素已经超过了制造的范围，所以这里我们暂且不议。
内在制造问题，一般可进一步分为两种：可见的和不可见的。可见问题包括加工失效、产品缺陷、极低的循环寿命、长时间的拖延和整体设备效能下降等。这些显而易见的状况和信息，主要通过事后对可见因素的分析而得出。事实上也容易得到解决。不可见问题可能会出现在加工性能下降、零部件磨损等方面。这些问题的发生，是在人们无从感知的情况下发生的，所以一旦发生往往会给制造活动带来被动。
解决这一问题的关键是：如何将这些不可见环节中产生的问题复现出来？
提供透明化的工具和技术是解决问题的关键。所谓透明化就是一种阐释并量化那些不确定性因素，以使生产组织能客观地估计自身制造和装备状态的能力。
工厂生产中的不确定因素
为了使设备真正透明化，我们认为，制造业必须冒险尝试改变――变革为可预测的制造。这样的革新需要使用先进的预测性工具和方法，从而使得工厂中不断创造出来的数据可以被系统性地处理为信息。这样的信息将有助于解释不确定因素，从而使生产资源经理和过程主管得以在掌握信息后再做出决定。
▲从反应性维修到预防性维修，再到预测性维修。预测性维修不会因过迟维修而造成失效已经发生，或者过早维修更换了没必要更换的完好的部件。这也被称为是适时维修。
积极采用“物联网”概念来健全智能传感网络和智能装备的基础设施，将有助于打下预测型制造的基础。因此最近一些年，对预测性工具的使用正愈发流行。它可以对生产资源――尤其是生产设备――的状态进行估计，发现初期的失效并推测下一次的失效，通过主动性的维护来避免机器故障因而也成为了可能。
使用预测分析法预测制造系统的模型
我们还是先看看过去的设备维修是怎样发生的吧。
在过去，反应性维修由于自身的实用性而受到了广泛的应用，所谓反应性即机器仅在需要的时候进行维修（例如当它失效的时候）。然而，生产吞吐量随着不断增长的需求而猛增，未经计划的停机已经变得过于昂贵并且应当被预防。
后来出现的预防性维修则需要维护活动（如状况监测和更换）在生产时间或者设备使用的间断时间内开展。虽然预防性维修可以提供最高的设备利用率（假定中断间隔时间合理），但它有两个最大的缺点：采用预防性维修是很昂贵的；零部件在失效前甚至在设备失效预测信号出现之前就被更换是浪费的。
预测性制造系统设备具有什么功能呢？
相较而言，这种维修的基础，是由机器传出的信号（源于控制器或传感器）。在一些应用中，甚至是出现错误的位置及错误的类型也可以得到确认。因此也可以说，预测型制造系统使设备拥有“自省”的能力。
预测型制造系统的核心技术是智能运算单元，它包含了对设备功能性进行预测建模的智能软件。对设备性能的预测性分析和失效发生时间的估计会降低这些不确定因素的影响，并且使用户有机会缓解或者消除制造运行中产能或效率上的损失。
一些设计、执行良好的预测制造系统具备的优点有：
●降低维修成本――通过掌握制造资源的实际状况，可以在更适当的时机开展维修。不会因过迟维修造成失效已经发生，或者是过早维修却更换了没必要更换的完好的部件。这也被称为是适时维修。
●提高运行效率――在得知设备何时可能失效的情况下，生产和维修的负责人可以合理地计划他们的生产活动，设备的利用率和利用时间也将最大化。
●改进产品质量――近乎实时的机器性能评估可以与过程控制进行整合，能够解释设备或系统随时间出现的性能浮动，因此也能够维持产品的质量。
▲预测的实现，是基于数据分析的实现。通过制造透明化，管理者可以得到正确的信息进而对所有设备进行全局性的有效评估。设备也就可以通过适时维护得到经济有效的管理。
在预测性制造系统中，收集数据和分析数据是关键的。
为了发挥预测性制造的优势，应当准备好并且有效使用好必要的组件。最开始是数据获取，即用适当的传感器组合提取出数据，如振动、温度、压力、电信号等。进一步，利用数据挖掘或者历史数据之间相关性来对数据进行增强处理。另外，通过一些工业级的通信协议，例如MTConnect和OPC（过程控制中的OLE-DB），可以使用户将控制器中的设备状态信号储存下来。当与来自传感器数据一同记录的时候，这些来自控制器的数据可以提供背景信息。在来源不同的数据和多种零部件级单元进行融合时，这时候需要解决由大数据带来的困难。
这一问题带来的挑战是如何有效管理并且提取出有用的信息。一个用于管理大数据的有效转换工具是Watchdog AgentTM，它是由美国国家自然科学基金会下属的工业/大学联合研究中心（I/UCRC）于2001年开发的智能维护系统（IMS，www.imscenter.net）。它是一系列预测性工具和算法的集合，可分为四部分：信号处理及特征提取、设备健康评估、设备性能预测和故障预测。通过精心选择并使用可视化工具，设备健康的一些标准，如当前状态、剩余使用寿命等，可以以雷达图表、衰减曲线、风险表和健康图等方式有效展现出来。
通过制造透明化，管理者可以得到正确的信息进而对所有设备进行全局性的有效评估。设备也就可以通过适时维护得到经济有效的管理。最后，还可以提供给设备设计者整体性的健康信息以进行闭环的全生命周期重新设计，进而使下一代生产系统得到改进。
▲结语
制造业对“物联网”概念的积极采用，使之有了对生产资料和生产过程中不确定因素进行揭示和量化的可能，这为最终提高制造竞争力提供了特别的机会。我们这里所介绍的预测型制造，提供了工厂中的透明化操作方案。通过使用先进的预测工具和手段，企业用户可以客观且自信地处置生产中不可见的不确定性因素。
资料来源Asset Condition Mangement
编译 程其森
责任编辑 李 辉
工业4.0――大数据环境中的工厂
李杰
德国2013汉诺威工业博览会上，“工业4.0”成为制造业流行语。伴随着这一新概念，智能分析和信息物理系统相结合，促生了生产管理和工厂改造的新思路。在过去，大部分制造系统都采用集中式控制方案，在中央控制机器上独立地进行处理。然而根据这项计划，收集和利用加工数据，可以保证正常的生产过程。同时，如果产品质量不符合要求，所收集的数据也可以作为线索找到根本原因。为了实现透明，制造业已经转变为预测生产。
如今在“工业4.0”工厂，机器都连接成一个协作区。这种进化需要使用创新性的预测工具，可以将数据系统地加工成能解释不确定性的信息，以使管理人员作出更多的“知情”决定。适当的传感器装置可以提取各种信号，如振动、压力等，同时也可以收集历史数据用于进一步的数据挖掘。通信协议，如MTConnect和OPC，可以帮助用户记录控制信号。当所有的数据汇总后，这种合并后的数据被称作“大数据”。该转化介质由几个部分组成：一个整合的平台、预测分析和可视化工具。Watchdog AgentTM中的算法可分为四个部分：信号处理和特征提取、健康评估、性能预测和故障诊断。利用可视化工具，可通过雷达图、故障图、风险图和健康退化曲线有效地传达健康信息（如目前的情况、剩余使用年限，故障模式等）。
伴随着制造业的透明度增加，管理者可以通过掌握正确的信息，以确定工厂范围内的设备综合效率。通过该预测能力，设备通过适时维护可以有效地管理成本。最后，历史健康信息可以反馈到设备设计者，用于闭环生命周期的重新设计。
――原文发表于tec. News 26[摘引时有所删改]