的技术体系架构

我们在上一章中提到，CPS并不是某个单独的技术，而是一个有明显体系化特征的技术框架，即以多源数据的建模为基础，并以智能连接（Connection）、智能分析（Conversion）、智能网络（Cyber）、智能认知（Cognition）和智能配置与执行（Configuration）作为其5C技术体系架构（见图3-1）。本节将详细介绍CPS体系中每一个层级的功能及实现方式。

图3-1 CPS的5C技术体系架构

第一层：智能连接层（smart connection level）

从机器或部件级出发，第一件事是如何以高效和可靠的方式获取数据。它可能包括一个本地代理（用于数据记录、缓存和精简），并用来发送来自本地计算机系统数据到远程中央服务器的通信协议。基于众所周知的束缚、自由通信方式，包括ZigBee、蓝牙、WiFi、UWB等，以前的研究已经调查并设计坚固的工厂网络方案来使机器系统更智能，因此，数据的透明化绝对是第一步。

可以说，智能连接的核心在于按照活动目标和信息分析的需求进行选择性和有所侧重的数据采集。

由于外部环境的多样性和复杂性，在智能连接层的感知过程中，如果不加以侧重和筛选，屏蔽掉无用信息和噪声，同时强化关联数据的收集，则会严重影响分析的效率和准确性。我们可以将智能连接与人的感知进行类比，人的感知就具有很强的选择性，主要体现在以下两个方面：①对待与自身安全和活动目标相关的感知会增强；②对待同一环境中发生变化的事物的感知会增强。同时，由于人的经历、活动目标、记忆和对价值认识的不同，往往不同的人对同一个环境所获取和关注的信息也不相同，这说明人类的感知系统具有很强的目的性，其作用是帮助我们提高数据获取分析的效率，以便更快速地应对外部环境的变化。

与之相比，已有智能系统的连接感知其实并不是智能的，因为其并不具备以目标为导向的柔性数据采集的特征，而是将传感器布置，之后就不加选择地进行数据采集与传输。与传统的传感体系有本质不同的是，在CPS体系中对于设备的“自感知”能够改变现有的被动式传感与通信技术，从而实现智能化与自主化的数据采集。

所谓智能化与自主化的按需进行数据采集与传输，是在相同的传感与传输条件下，针对日常监控、状态变化、决策需求变化以及相关活动目标和分析需求，自主调整数据采集与传输的数量、频率等属性，从而实现主动式、应激式传感与传输模式。这样的数据采集模式能够提高数据感知的效率、质量、敏捷度，达成对实体空间对象、环境、活动的智能“自感知”。形成“自感知”能力的核心是数据采集的自适应管理与控制。

自主式和应激式的传感采集主要体现在以下三个方面：

（1）以事件为导向的采集策略。在不同的操作工况、外部环境和活动目标的情况下，尤其是当上述状态发生变化时，按照不同的采集规则进行数据采集。例如，当设备在稳定工况下可按照较低的频率采集或仅仅使用EDS数据，而在设备变化工况的过渡阶段，则提高采样频率并增大数据采集范围，以便及时把握可能出现的风险。

（2）以活动目的为导向的采集策略。为了实现特定的分析目标而进行的有针对性的数据采集，其激发过程可以是人为控制或是按照系统目标的变化自动实现。例如当CPS怀疑某一关键部件出现了状态异常，为了确认和诊断该故障，与此部件相关的传感器将提高采样频率。

（3）以设备健康为导向的采集策略。对设备的健康评估和故障识别所需要的数据量差别很大，在系统判断设备健康状态正常时，以较低的采样间隔和采样频率，采集部分数据源的数据，实现及时发现设备健康状态变化。而只有在健康状态出现异常时才对故障诊断所需数据进行采集，并且在最后的监控中缩短数据的采样间隔，以便更加准确和及时地把握设备健康状态的变化态势。

一个典型的智能连接层的工作流程如图3-2所示，在这个过程中最核心的部分是“数据采集管理控制系统”，其功能是根据事件信息、活动目标和设备状态自动产生符合信息分析需求的数据采样控制信号，并将此信号输送到数采设备控制传感器的信息采集部分。此外，对于监控系统和中央管理系统这一类具有自身固定采样规则的集成系统，从其数据库中按照需求调取所需数据。为了实现这一功能，需要建立一套兼顾运算逻辑、机理模型、操作原理、运行目的和信号处理等要求的控制模型。

图3-2 智能连接层流程

因此，从智能连接层的实现路径来看，其可能的技术支撑可包含：

（1）核心：自感知系统的整体设计与集成、应激式自适应数据采集管理与控制系统等技术。

（2）关键：数据采集设备、数据库设计、数据环网、自意识传感等技术。

（3）相关：传感器、缓存器、数据传输、信息编码、抗干扰等技术。

这一层可在实体空间中完成，对应的自适应控制部分在赛博空间中完成，由此形成赛博-实体空间的数据按需获取。

第二层：数据到信息转换层（data-to-information conversion level），即智能分析层

在工业环境中，数据可能来自不同的资源，包括控制器、传感器、制造系统（ERP，MES，SCM和CRM系统）、维修记录等。这些数据或信号代表所监视机器的系统状况，但是，该数据必须转换成可用于一个实际应用程序的有意义的信息，包括健康评估和风险预测等。

在这里，我们也可将智能分析层与人的记忆与分析进行类比，人的记忆与分析并非单纯感知到实体世界的数据存储，或者是实体世界镜像的映射，而是通过筛选、存储、关联、融合、索引、调用等形式将数据变为对人有用的信息，是人类思维与行为的基础，并具有以下特征：

（1）选择性：仅仅记忆与自身的活动和思维相关的信息，和对熟悉环境中变化的部分印象更加深刻。

（2）抽象性：从数据中提取特征进行记忆，并通过分析将状态和语义相互对应（情节+语义式的记忆模式）。

（3）归纳性：记忆的聚类过程，并与特定活动相关联，是学习过程的基础。

（4）关联性：即形成A→B的映射关系，是信息到判断结论的映射过程。

（5）时序性：新的记忆更加鲜明，旧的记忆逐渐淡去，使记忆的调用与分析更加高效。

由此，我们可以将智能分析层的核心比作是物的记忆与分析，即定义为“自记忆”，即能够按照信息分析的频率和重点重新进行自适应的、动态的“数据-信息”转换，并解决海量信息的持续存储、多层挖掘、层次化聚类调用，进而达到数据到信息的智能筛选、存储、融合、关联、调用，形成“自记忆”能力。

智能分析层的自记忆特性与实现手段如表3-1所示，这些特性之间也具有关联性和逻辑关系。如抽象性的主要目的是利用特征提取手段实现数据到信息的转化，转化后的特征矩阵具有更高的价值和信息密度，随后再比较当前特征与历史特征的相似程度或以某一个事件的发生为依据判断该条信息的价值。在对信息的价值进行确认后，可以根据该特征矩阵与某一聚类数据的相似程度，判断该条信息应该被归类存储到哪一组聚类数据中，也就是“贴标签”的过程。聚类的过程可以依据不同的特征，比如按照工况聚类，按照健康相关特征聚类，或按照活动目标聚类等，因此也就要求聚类算法与分析目标具有很好的匹配性和灵活性，同时数据库的设计能够实现多标签数据的动态自重构索引过程。关联性的分析与传统的互联网大数据工具有很多相似性，即挖掘不同数据集群内部各个特征之间的相关性（共性），以及集群之间共性特征的差异性（个性）。时序性的核心是给新的记忆更多的置信权重，这样可以避免对过去事件的分析结果过多而影响对当前信息的分析和判断，以满足建模的变化能力与设备和活动状态变化的能力相匹配。这里用到了一个遗忘因子（forget factor）的概念，即信息的置信权重随时间的推移而减小，而遗忘因子需要根据设备状态变化的动态性确定。

表3-1 智能分析层的自记忆特性与实现手段

智能分析层的信息处理、存储和调用流程如图3-3所示。

图3-3 智能分析层的信息处理、存储和调用流程

因此，从智能分析层的实现路径来看，可能的技术支撑包含：

（1）核心：自记忆系统的整体设计与集成、自适应优先级排序、智能动态链接索引、数据分析数据集、智能数据重构等技术。

（2）关键：集成了专家知识的信号处理、特征提取、特征变化显著性分析、多维目标聚类分析、关联性分析、分布式存储、信息安全等技术。

（3）相关：数据压缩、信息编码、数据库结构、云存储等技术。

第三层：智能网络层（Cyber level），即网络化的内容管理

一旦我们能够从机械系统获取信息，如何利用它就是下一个挑战。从被监控的系统中提取的信息可表示在该时间点的系统条件。如果它能够与其他类似的设备或与在不同时间历程的设备进行比较，用户能够对系统的变化和任务状态预测有更深入了解。

智能网络层在赛博空间构建的核心是连接不同CPS单元或系统的信息出入口，即所有遵循CPS中5C技术体系架构的单元或系统，均可以通过智能网络层进行相互连接与信息共享；而智能网络层的构建目标，则是能够实现多维度因素条件下，面向不同目标的定量评估、关联分析、影响分析和对未来状态的预测，从而最终达成协同与自优化的目标。因此，智能网络层需要做的，是针对CPS的系统需求，对装备、环境、活动所构成的大数据环境进行存储、建模、分析、挖掘、评估、预测、优化、协同等处理获得信息和知识，并与装备对象的设计、测试和运行性能表征相结合，产生与实体空间深度融合、实时交互、互相耦合、互相更新的赛博空间，并在赛博空间中形成体系性的个体机理模型空间、环境模型空间、群体模型空间及对应的知识推演空间，进而对赛博空间知识指导实体空间的活动过程起到支撑作用。

为此，智能网络层的实现过程实质上可包括两大部分：空间模型建立与知识发现体系构建。

（1）空间模型建立：包括了针对赛博空间中的个体空间、群体空间、活动空间、环境空间及对应的知识推演空间，建立有效的模型，尤其是以数据驱动为核心的CPS数据模型，以形成面向对象的完备智能网络系统。

（a）个体模型建立，需要利用数据驱动分析手段配合机理研究技术，研究赛博空间中个体对象的映射规则，并形成按需按类的元模型群，建成各单元或系统机理知识库；

（b）群体模型建立，需要研究基于CPS技术的模型集成技术，在个体机理映射的基础上，研究系统级的设备拓扑关系，建成面向群体对象的群体空间知识库；

（c）活动模型建立，需要能够面向对象在环境中的活动状态，提取对象的活动特征并进行关联分析，形成活动规则模型，进而以活动的优化协同为目标，建成活动空间知识库；

（d）环境模型建立，除了对象所处外部环境的建模外，对象自身内部环境（如工况变化等）也需要一定的环境转换方式，以保障环境模型的完备性；

（e）推演模型建立，需要在对象数据模型（包括个体机理、群体、活动模型）的基础上，针对对象在环境中的活动状态，提取对象及对象群体中的活动特征并进行关联分析，进而以推演、评估与预测为重点，形成多模型的协同知识推演规则，以多目标（如安全、成本、时间等指标最优）、多层次（如单机级、机群级和企业级等多决策层）、多环节（如设备使用、维护、保障、调度等）活动的优化协同为目标，构建推演决策模型，达成在复杂环境下的多对象活动协同。

（2）知识发现体系构建：通过记录实体空间中对象与环境的活动、事件、变化和效果，在赛博空间建立知识体系，形成完整的、可自主学习的知识结构，并结合建立起的机理空间、群体空间、活动空间、环境空间和推演空间知识库和模型库，构建“孪生模型”（Twin Model），完成在赛博空间中的实体镜像建模，形成完整的CPS知识应用与知识发现体系，并以有效的知识发现能力，支撑其他CPS单元或系统通过智能网络层进行相互连接与信息共享。而知识发现的过程则遵循了从自省、预测、检验到决策的智能化标准流程，完成信息到知识的转化。

（a）自省知识发现，需要结合多空间知识体系，寻找规律和特点，进行多智能体的相互学习、分享和检验，深入探究知识的识别、存储和关联能力，实现多层次的自省知识识别和自省主动发现；

（b）预测知识发现，需要结合多空间知识体系，记录智能体在各个场景下的活动，分析从数据、映射、关联、存储、分析和共享几个方面的知识谱系，根据其表现和特征，推理、预测未来的活动及表现，实现预测知识的智能发现；

（c）检验知识发现，需要结合多空间知识体系，深入探究知识的习得、存储和关联能力，通过数据分析手段和统计检验知识，结合大数据技术，进行模型检验的知识成果转化；

（d）决策知识发现，需要结合多空间知识体系，构建CPS推演决策能力，同时结合智能应用的决策行为知识反馈，自主识别、判断决策行为，积累决策知识，做到决策知识的智能发现，主动丰富决策模型库和决策知识库。

基于空间模型建立与知识发现体系构建，一个基于微服务的典型CPS智能网络层实现流程如图3-4所示。

对于图中所描述的基于微服务的典型CPS智能网络层实现流程而言，需要定义从数据来源到支撑智能应用的整体CPS信息流程，从而能够形成支撑智能认知与决策执行的能力，在此过程中需要做到以下几项：

（1）界定清楚面向对象的数据采集边界条件，以及纳入CPS的赛博系统、信息系统的范围，对这些系统的输出数据，统一内容及格式要求，以满足对于对象状态的客观表达。

（2）CPS中包含共存且相互作用的连续物理系统和离散计算系统，因此需要采用将二者融合建模的方式，将物理过程的连续行为模型，以及计算过程的数据流等离散模型结合起来，实现对CPS计算-物理交互过程的抽象，并通过相应的算法实现该过程的数据表达与输出。

（3）使CPS模型具备动态性能，需要集成多系统的异构数据，考虑异构系统之间的互操作、模型组件演化与转换的一致性，制定模型组件之间的连接标准。

图3-4 基于微服务的典型CPS智能网络层实现流程

（4）综合考虑CPS中各类模型在空间及时间上的相关性，通过空间和时间的位置来确定事件执行的顺序，确保系统状态和行为的正确性。

（5）制定清晰的智能系统内部CPS网络拓扑、内部通信带宽以及内部通信协议，在智能网络层构建相应的局部网络环境，分析在CPS中通信网络的服务质量、延迟可预测与可控制、物理过程与环境对网络的影响，并避免因网络通信对物理系统的数据采集精度产生影响。

（6）考虑微服务处理方式，将应用分解为小的、互相连接的微服务。所谓微服务，即用户可以感知的功能最小集，单个服务很容易开发、理解和维护，扩展性强。无论是兼容已有系统，还是上线新业务，选择微服务技术，都可以迭代升级。已有服务不用改动，开发者也不再需要协调其他服务部署对本服务的影响。

（7）构建CPS微服务体系，根据数据、信息、知识和模型的流向，完成映射微服务群、面向对象的CPS模型微服务群和推演预测空间服务群。

因此，从智能网络层的实现路径来看，其可能的技术支撑可包含：

（1）核心：智能网络空间的知识发现体系设计、多空间建模、推演关系建模、关联分析、影响分析、预测分析等技术。

（2）关键：数据挖掘、信息融合、机器学习等技术。

（3）相关：模式识别、状态评估、根原因分析等技术。

第四层：智能认知层（cognition level），即评估与决策层

通过实施CPS的网络水平，可以提供解决方案，以机器信号转换为健康与效能状态信息，并且还与其他实例进行比较。例如，在认知层面上，机器本身应该采取这种在线监测系统的优势，以提前识别潜在的状态风险，并意识到其潜在的根本原因。根据对历史健康评估的自省性学习，系统可以利用一些特定的预测算法来预测潜在的状态风险，并估计到达风险和偏差某种程度的时间。

可以说，智能认知层是对所获得的有效信息进行进一步的分析和挖掘，以做出更加有效、科学的决策活动。从认知层面上来说，传统的认知手段往往采用单一要素处理单一问题的静态方式，然而当获得的信息中包含了设备和活动的状态信息和关联关系时，如果不考虑信息中的相关性而对单一变量进行分析，所得到的分析结果也必然不够全面和准确。这也是目前的监控系统无法实现真正意义上的自动化和智能化的原因。

因此，对于智能认知系统而言，包括了评估与决策这两个过程，首先在评估过程的信息分析方式上，需要改变传统的单一要素处理单一问题的静态认知过程，从而能够模仿人的大脑活动，在复杂环境与多维条件下，面向不同需求进行多源化数据的动态关联、评估和预测，最终达成对物的认知，以及对物、环境、活动三者之间的关联、影响分析与趋势判断，形成“自认知”能力。

在这里，不同的认知目的，决定对于同一物体或信息有不同层次的认知结果，例如，对于同一条在海上航行的船舶，船长、船东、海事局、货主的认知都是不同的，这是由不同角色活动需求决定的，在赛博空间中，基于一体的记忆体系建立层次化的认知能力是该层的核心，也是大数据中心必须与之一体的原因。

同时，“自认知”过程在部件级、单机级、机群系统级等不同的应用层面上有着不同的应用方式和目的，但是其核心在于建立与实体空间内各级对应的赛博空间模型。因此，在这一层上需要解决规模化和个性化之间的矛盾中的一个重要环节：用于建立模型的算法具有一定的普适性，不同算法在解决不同问题上的优势各不相同。而利用数据代入到算法中所训练出来的模型具有个性特征，反映的是个体的状态和活动。因此，这也要求我们要面向对象去开发算法，研究在不同类型的数据和不同对象上具有解决某一类问题的能力算法；而模型的建立要利用个体自身的数据，并且在数据解析中考虑个体的机理和活动特性。

再进一步，则是解决智能认知系统的决策能力。同样，对比于人，人的决策是根据状态、环境、目标、能力等多要素、多维度和多层次综合分析的结果。在传统的信息系统领域中尚缺乏成熟的自决策解决方案，对于决策的支持也仅仅停留在信息汇集和可视化上，决策的制定过程依然完全依靠人来完成。然而由于活动的复杂性、需要考虑的决策性要素多样性和信息的不对称性，在决策过程中往往很难考虑周全从而做出最优的解决方案。这是由于人脑对语言、文字和图像等抽象信息的分析有较强的优势，但是对于数字化信息和多维信息处理的能力较差。然而计算机在处理优化问题时比人脑有更强的运算能力，能够更加快速和准确地找到多要素复杂环境中的最优方案。

与之相对应，CPS的智能认知层改变了传统单一部门、单一目标、单一行动的决策制定，即考虑多环节与多部门的决策活动、决策因素、决策目标的相互影响（一个部门的决策通常会受到其他部门的决策活动影响，同时它也影响着其他部门达成决策目标），从而能够在决策链体系中，充分考虑决策部门、决策活动、决策因素、决策目标、决策效果与决策之间的关联影响，通过决策链中多部门、多环节活动的综合影响分析、多维度与多尺度协同优化、分布式动态目标优化等手段，针对决策链活动目标进行协同优化与决策支持，强化能够直接指导实体空间活动的自我决策能力，达成全局最优，形成“自决策”能力。

图3-5 智能认知层的决策技术实现流程

自决策的过程如图3-5所示，首先要建立数据分析模型和推演模型，来充分地分析和模拟决策对象的活动与结果之间的关系；其次是根据活动目标和信息定义优化目标和限制条件。优化目标的物化形式是一个成本方程及目标成本与决策要素之间关系的数学表达。在确定了成本函数之后，需要根据决策要素的维度、是否线性、数据类型等因素选择合适的优化算法模型。决策的目标可以是单一的，也可以是多维的。比如对于货轮而言，成本和时间可以同时作为优化的目标，然而成本和时间之间可能存在矛盾，即两者不可能同时达到最优。这时就要求决策者给不同的优化目标定义权重。对于多维优化目标的问题，自决策系统还可以在运算过程中给出当前决策下各个优化目标的结果指标，用户可以不断修改权重或直接修改决策结果，系统根据用户的修改给出新的目标结果预测，实现一个动态的决策优化过程。

因此，从智能认知层的实现路径来看，其可能的技术支撑可包含：

（1）核心：网络虚拟模型的建立和使用过程、运算环境和平台、分布式仿真体系、自决策体系构架和流程设计、决策类关联分析、动态目标/动态维度与多尺度下的分布协同优化等技术。

（2）关键：参数优化、流程优化、策略优化、能够满足多维优化目标和复杂优化相关因素的算法模型等技术。

（3）相关：底层编程语言和开发环境、定制化服务、APP开发、流程管理、资产管理、信息可视化等技术。

第五层：智能配置与执行层（configuration level）

要实现物的行为和语言，即需要完成在实体空间的决策配置与执行。与传统方式不同的是，在智能的配置与执行层，CPS能够改变预先设计的、静态过程的、应激性的传统控制应用模式，从而实现动态、柔性的目标活动与感知决策体系的一体化，并以此为基础，通过面向各类决策价值的应用，在实体空间内形成执行应用的“自重构”能力，进而形成可以“自成长”的生态环境体系。

可以说，这一层是基于赛博空间指导的实体空间决策活动执行，其产生的新的感知，又可传递回第一层（即智能连接层），由此形成CPS五层架构的循环与迭代成长。

因此，智能配置与执行能力的核心在于，将决策信息转化成各个执行机构的控制逻辑，实现从决策到控制器的直接连接。如果说从数据到信息再到决策的过程是数据从发散到收敛的过程，那么，智能配置与执行层就是将收敛后的结果再发散到每个机构的执行逻辑传达过程，其主要难度在于控制目标与不同的控制器之间的通信与同步化集成。

因此，从智能配置与执行层的实现路径来看，其可能的技术支撑可包含：

（1）核心：自免疫、自重构、鲁棒与容错控制、实时控制、产业链协同平台等技术。

（2）关键：动态排程、自恢复系统等技术。

（3）相关：控制优化、冗余设计、状态切换、人机平台、保障服务等技术。

由此，在这个CPS的5C技术体系架构中，CPS从最底层的物理连接到数据至信息的转化层，并通过增加先进的分析和弹性功能，最终实现所管理的系统自身的自我配置、自我调整、自我优化的能力。

根据以上CPS的5C技术体系架构，我们可以试图总结对应体系每一层的核心能力与技术，如图3-6所示。

图3-6 CPS的5C技术体系架构、技术、目标示意

通过CPS的5C技术体系的构建，我们不难发现，CPS的技术体系具有较强的普适性和可拓展性，而CPS的技术核心实质是机器具备自主认知能力的智能化，以及在此智能化能力基础上的工业系统和信息系统的深度融合。