朱卫列在2022全球数字价值峰会
9月17日，在2022数字价值峰会（北京站）重点行业智能制造与集团数字化管控高峰论坛上，中国计算机用户协会工业互联网与大数据应用分会理事长朱卫列以《新一代智能制造（CPS）应用研究》为题，分享了他近期对于新一代智能系统CPS的应用研究。
(资料图)
业界早年就提出了CPS概念，近几年中国工程院又提出了HCPS的论述，并指出HCPS是“新一代智能制造”的核心技术。朱卫列认为，CPS的本质是通过采集工业大数据、实时计算、建立信息物理模型，以实现对工业系统及外部环境的自感知、自适应，再回到控制系统，实现对工业系统的动态、精准执行，解决生产制造环节中节能、绿色环保及安全问题。CPS的目的就是要取代人，帮助人类优化智能制造过程，所以他认为CPS才是未来，而不是HCPS。
朱卫列在演讲中分析了工业3.0时代核心技术之一的自控系统的功能不足，分享了发电厂利用CPS技术，建立煤粉温度场等一系列复杂工业系统的信息物理模型的经验，提出了CPS与DCS的架构关系，对比了工业3.0时代的DCS、PLC产品与工业4.0时代的CPS产品形态和核心技术差异。
以下为朱卫列演讲全文，略经钛媒体App编辑：
我的发言主题是《新一代智能制造（CPS）应用研究》。
CPS与信息物理模型的意义
分四个方面来讲。首先来看下CPS、HCPS的概念及产生的渊源。
2017年，中国工程院提出了新一代智能制造技术HCPS（人-信息-物理系统）概念，随后在HCPS主课题之外，发布了《流程工业智能优化制造分课题研究报告》，对流程型工业智能制造存在的技术难点以及HCPS架构等问题进行了阐释；2022年4月，中国工程院又提出“新一代智能制造”的概念，并且提出了两个观点：
1. “新一代智能制造”是新一代工业革命的核心技术；
2. “新一代智能制造”的技术机理是“人- 信息- 物理系统（HCPS）”。
由此，我们可以看出，中国工程院的观点是：HCPS 将是从工业3.0迈向新一代工业革命，即工业4.0的核心技术。
HCPS如何来的？显然是借用了CPS概念。CPS最早是1992年被NASA（美国国家航空航天局）提出来的。它的本质构建一套信息（Cyber）空间与物理（Physical）空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系，解决生产制造、应用服务过程中的复杂性和不确定性问题，提高资源配置效率，实现资源优化。
我本人更支持CPS的概念，认为CPS才是工业4.0的未来，而不是HCPS。HCPS是在CPS之上加了H，就是人去辅助决策，或者通过人进行辅助控制， 这一方面是对工业了解得不够深，没有看到工业的复杂性，并高估了人对复杂的工业系统的计算和分析能力；另一方面是对工业数据的采集、计算、反馈“频率”的重要性、一致性缺乏理解，早在 HCPS概念提出之前，工业领域便开发过许多类似于HCPS的“专家辅助决策系统”，专家辅助决策系统出发点上是好的，但实际应用成功的案例非常少，系统验收后不久便会成为摆设，因为专家作为H不可能“实时在线”地进行辅助决策。因此， HCPS作为新一代智能制造的技术方向和核心技术该受到质疑的，HCPS应是走向CPS技术体系的过渡性技术方案，未来会逐步发展称为CPS。
反之，CPS的目的就是要取代人，新一代工业革命的目的是尽可能通过CPS等工业智能技术取代人的决策，用机器智能取代人的智能，所以说工业4.0的未来是CPS。
我后面的讲解将以CPS概念进行论述。
谈到工业4.0我们不得不回顾一下工业3.0的核心代表技术之一DCS，DCS称为分散控制系统，在流程型工业中，特别是在电力、冶金、石化行业应用极其广泛，可以说DCS代表了工业3.0时代的技术水平，它把工业制造水平由过去的机械化、电气化带到了自动化。然而，在迈向工业4.0的过程中，我们重新审视以DCS为代表的工业控制系统，我们发现它存在以下问题：
首先，控制系统的控制参数不能随着控制对象（工业系统）的变化而变化，也就是说不具有自适应功能。尽管科技界有许多关于自适应控制的研究，也有许多成果应用，但大型流程工业中没有自适应控制功能的系统还占主流。我们知道控制系统的设计是需要通过控制系统（控制器）去控制工业系统，然而我们的工业系统（由一系列工业设备组成）并不是一成不变的，在长期的运行过程中会出现磨损、老化，我们常常称为性能“劣化”，有些工业设备及执行机构甚至会出现卡涩、拒动等等现象。但是，对于工业系统的劣化，控制系统参数设置并不会随之调整：大多数情况下控制系统的参数设置是在工业系统投产前的调试阶段或工业系统大修之后调试设置好的，这样就造成了控制系统与工业系统之间的“脱节”，工业对象在逐步劣化，而控制参数不变，工业系统运行一段时间后，便会偏离最佳效率区域运行。
第二，无法有效感知工业系统外部环境变化，对外部环境变化缺乏适应性。工业系统的运行往往与外部环境密不可分，外部环境的微小变化，对系统的运行影响决不能忽视。然而传统的DCS系统很难感知到这种变化，无法进行有针对性的控制调整。比如燃煤电厂烧的煤，煤种成分经常性发生变化，对燃烧效率及机组运行效率均会产生影响，目前的控制系统很难感知并适应这种细微变化。
第三，控制系统在低工况运行时问题更多，使得工业系统在低工况运行时更加远离该工况下的最佳效率点。行业中往往给予了满负荷附近的工作点以更大的关注，控制系统参数调整做的比较精细、认真，而对于远离满负荷工作点，调试往往不够到位。近年来由于需要优先调用清洁能源的原因，燃煤发电机组需要更多时间进行深度调峰，工业系统调试的不够精细，带来的经济损失很大。
最后，自动控制系统本身的局限性：自动化控制需要一个变量（操作变量）去影响另一个目标变量（被控变量）。这里内涵一个根本性假设：变量之间存在“因果”关系。只有具有因果关系的变量集合，才能形成“控制回路”并构成自动控制系统。但工业系统中存在着大量复杂系统，往往是变量很多，关系复杂，互相之间的因果关系不明显，给设计控制系统设计带来了极大的难度，很多微量的影响因素很难在控制系统里实现。
然而，各个物理量之间关系复杂、或关系不明显并非表示他们之间没有关联和逻辑关系，经过多年的探索与实践我们发现：有了工业大数据以后，我们可以通过数据去建立这些物理量之间的“信息物理模型”，形成多个物理量之间的数据及逻辑关系，而这正是CPS的意义所在。
今天我们设计CPS新一代智能制造的目的就是要有效解决工业3.0中工业控制系统存在的问题，要让控制系统的参数能够伴随设备的劣化而调整、变化，要让CPS感知外部环境输入量的微小变化而可以进行实时调整，并控制工业系统在全工况下持续运行在最佳工作点上，也就是说赋予我们的工业系统具有自感知、自适应的智能化功能，最重要的是要利用好工业大数据，基于工业大数据建立起一个个工业系统的信息系统模型，由此带动工业走向智能化之路。
让我们回到现实中来，分析一下自动化程度非常高的发电企业的生产、控制过程。在所有的燃煤发电厂里，工业系统主要是锅炉、汽轮机、发电机以及相关的辅机，如阀门、泵、电动机等等一起组成的互相连接的系统，控制系统通过控制指令控制这些工业系统的开度、转速、流量、压力等等，然而，无论我们的DCS有多么的先进，发电厂中依然还有人工操作盘，运行人员需要经常性的进行手工操作，辅助控制整个机组运行。我们知道发电企业经济运行极为重要，经济运行就需要寻找在不同负荷下的最低煤耗点，然而摆在运行人员面前可供他们进行手动调节的关键量有十多个，这就意味着我们的运行人员需要在自身脑海中构建一个“多维复杂系统模型”，然后进行精准的操作才能完成任务，显然这不是简单的事情。
很多发电厂在推行“小指标考核”，试图通过考核、评比的办法促进运行人员关注每一个微小的节能指标，摸索出规律、然后再实时微调，这种管理方法起到了一定的效果，但客观地说超过10个以上的参数调整、优化已经超出了运行人员的思维极限和知识结构。
我们再来看看真实的数据，许多燃煤发电机组煤耗如下图：同样负荷下的煤耗差竟然达20%以上，如此高的离散度显然不是单一原因造成的，我们前面提到设备劣化、燃煤成分变化等等因素都会影响煤耗，与此同时，不同的运行人员对工业系统的理解存在差异，并由此带来不同的操作，这些均是煤耗离散度大的原因。
其实，也就在几年前，我们的一些科技工作者还试图通过统计学的方法拟合出机组“功率与煤耗曲线”，并尝试利用该曲线进行不同机组之间的负荷分配，当时我对此建议还持肯定态度，后期当我看到数据离散度如此之大时，我认为这一方案是有问题的。
这就是工业的现状！在工业3.0时代，我们建立了强大的DCS系统，它支撑了我们工业的发展、进步，但它不完善。我们不能将工业这样的复杂系统简单的交给现场的运行人员，让他们日以继夜去摸索、去积累经验，科学界、工程界应该努力通过系统性的方法解决复杂系统问题，这是我们的使命和职责。
如今我们终于发现：我们可以利用工业大数据构建起工业系统的“信息物理模型”，让这些模型取代运行人员脑子中的经验及自以为是，让机器智能取代人脑智能的局限性，这项技术就是CPS！
CPS在煤电厂的应用
我们知道流程型工业一直致力于：高效、绿色、安全可靠，这三个目标的实现均与CPS有关，也就是与信息物理模型有关。“高效”涉及的领域较宽，也是最难的，原因是我们前面提到的系统复杂，波动性大，因此也属于世界难题。
我们的做法首先是获取工业大数据，选择与“高效”性能相关的传感器数据。所谓工业大数据均是从生产控制系统DCS那里获取的生产实时数据，不是互联网或一些大数据公司常提的Hadoop、Spark。
其次，分析物理过程，这需要我们对发电锅炉燃烧的过程、热交换等物理过程进行逐一分析、建立关联关系。
再次，就是计算，通过计算构建与能耗有关的信息物理模型。
需要特别指出的是：经过多年的实践我们发现：过去人们研究燃烧过程中，往往将关注点放在火焰中心点温度上，现在我们终于意识到更为关键技术却应是煤粉燃烧温度场模型，且温度场模型应该围绕着煤粉燃烧的轨迹去建立，让煤粉在炉膛中持续保持较高的温度。上图中的煤粉行程轨迹中，一方面要控制风机的风量等等参数，使得煤粉燃烧有较高的温度，另一方面还要使得煤粉行程抛物线（煤粉温度场曲线）持续保持高温下燃烧，让煤粉燃烧不断释放热能。这里的煤粉燃烧温度场就是我们前面提到的关键技术：信息物理模型。
煤粉燃烧过程是复杂非线性系统，我们采用了N个线性时变动态方程进行求解。这中间的技术当然比较复杂，需要引入状态量、特征指标以及向量空间等等概念，由于技术太过复杂，细节这里不再讲述。
电力行业通常每发一千瓦时的电能够降低一克煤的消耗都是很困难的事情，但经过几千次的调整操作、近百次对比试验，我们的燃煤电厂CPS技术方案可以降低几克煤、或近十克煤，对此许多人是不信的，但可以告诉大家的是，实际现场的技术效果远比我们对外宣传的要大的多，道理很简单：对于几十个变量，人的计算能力怎么能够超过计算机？这就是智能化的力量！事实是：越是传统的领域，智能化的作用越大。下图是某发电厂的案例：
如今，这项CPS技术已经开始推广到几个发电集团，并在7台燃煤发电机组上做过试验，其技术、经济指标如下图：
借此机会，再提一下低碳、深度调峰问题。绿色低碳也是未来工业的重要指标，在CPS应用中可以作为单独的目标进行求解。在燃煤发电厂的生产运行中，节能与绿色低碳有着高度正相关，因为降低了发电煤耗，每发一千瓦时的电少燃烧了煤，直接减少了CO2的排放。深度调峰属于低负荷运行，这也与CPS在低负荷下的信息物理模型建立有关，只要我们在模型训练时有低负荷的运行数据，后面的问题即可解决，包括低负荷下的节能问题也是一样。
最后，我们说锅炉优化燃烧只是我们CPS研究的其中一个实战案例，其他的案例我们不再逐一介绍了。
CPS功能架构
我从三方面总结一下CPS功能与架构。
第一，关于CPS的智能化属性问题。CPS首先能够感知工业系统本身的劣化，这种感知依靠的是工业数据的反馈，因为我们采集的工业系统（对象）的数据，这些数据反映了工业系统的劣化的过程；其次，CPS也能感知到外部环境的变化，煤种热值、含水量等等成分变化均在燃烧过程中通过其他数据得以反映，CPS通过系统辨识计算后可以自适应、调整控制参数，获得更佳的热效率。最后，由于无论是在大数据训练阶段还是实战阶段，机组经历了各种工况运行，信息物理模型建立在绝大多数工况的数据基础上，我们所计算的最佳工作点是各个工况下的集合，这确保了我们能够在各个运行工况下的经济寻优。
第二，CPS应用架构应包含“状态感知、动态分析和优化决策”3个功能，具体如上图。但CPS的具体应用需要根据工业需求进行补充完善。针对优化运行等节能领域的应用，在建立信息物理模型之后，CPS还需要进行性能优化的效率对比计算，以便找到不同内、外部条件下的最低能源消耗点的集合。之后，还必须计算通向能耗最低点的途径或路径，找路径很像在野外登山时寻找最佳路线：我们看到3维的山峦表面景象（3维物理模型）之后，我们很快可以在此3维曲面上找到达到顶峰的最佳的途径。多维系统也一样，建立了信息物理模型之后，我们再计算找到通向最佳点的途径，这样，我们便可以通过控制系统进行相应的调整，实现在最低能耗点工作的目标。
第三，CPS与工业系统及控制系统的架构关系。对于大多数工业系统，CPS可采用单独设计、训练后，再嫁接、并行到原有的控制系统中，CPS修订原有控制系统的一些参数，使之能够智能适应内、外部环境的变化。上图是CPS与原有DCS一并工作的示意图，加一个智能盒子后，通过在控制系统里加偏差实现智能优化功能。原来这种偏差靠人调整，现在是靠智能系统了。
思考与总结
我们常常思考：我们将从工业3.0迈向工业4.0，由自动化走向智能化，那么自动化时代有代表性产品，如：PLC、DCS等等，而到了智能化时代，智能化产品形态是什么？在智能化时代，有没有一个类似于DCS的产品？这样的产品应具有一定的普适性，能够得以广泛应用。另外，自动化时代成就了一批控制系统公司，如西门子、ABB、罗克韦尔等，那步入智能化时代，实现工业智能化的主体是哪类公司？这些公司该具有哪些基本技术与能力？
上述问题我今天还不能完全、准确回答，唯有结合本文开头中国工程院的结论以及我们多年的探索、实践，我们认为：工业3.0是自控系统的天下，产品是PLC、DCS，核心技术是过程控制、逻辑控制等等；那么到工业4.0时代将是“新一代智能系统”的天下，其产品是CPS，其核心技术是基于工业大数据的信息物理模型。
未来CPS将具有极大的普适性。
谢谢大家的聆听，有不对的地方欢迎指正。我们协会也会组织有志于从事CPS研究的企业、机构、学者和工程师共同探讨这项技术。
