近年來，以制造業為經濟基礎的先進發達國家投入大量的人力物力以改善其制造業的實效性和產品質量。由于受各種不確定性因素的影響，要在新型市場和全球化制造鏈中實現穩定的表現變得越來越有挑戰性。制造型企業開始尋求采用創新技術將他們的傳統制造工廠轉變成更具智能、安全以及可持續性發展的生產模式。因此，通過精益(lean)的、靈活的、可重構制造的概念，技術創新推進了制造業的生產模式演進，并使傳統的大規模工業生產進化到現階段的以生產設備生產能力透明化為主要特征的可預測性生產。有了制造的透明化，工廠管理就可以掌握正確的信息去決策工廠的整體設備效率(OEE)，并且通過對這些生產制造數據的分析將其轉化成有意義和價值的信息，以實現機器故障預測和預防。該預測能力可以實現工廠對設備成本的有效管理和對設備實時準確的維護。
工業4.0是由德國在制造行業中最先倡導起來的。它是基于信息-實體融合系統(Cyber-Physical System CPS)組合概念與智能分析在一起改變生產管理和工廠改造的一種新思路。在當前的制造業中，存有不同的數據源，包括傳感器、控制器、網絡化制造系統等。美國政府早在2007年提出一種新的發展戰略：信息-實體融合系統(CPS)，CPS集成了計算性能和物理性能，包括傳感、通信和實體系統驅動。CPS的應用包括制造業、安全控制、醫療設備、環境控制、航空、先進汽車系統、過程控制、節能控制、交通控制和安全及智能結構等, 但完全不局限于這些行業。CPS尚未成熟，因為它涵蓋了一個廣泛的科學時代，所以還需要工業界和學術界的長期合作。典型的合作包括歐洲的基于嵌入式智能系統的先進研究和技術(ARTEMIS)和美國的智能維護系統中心(IMS)，這些合作都將有助于應對目前所面臨的挑戰并推動CPS的快速發展。
決定當今工廠成功的關鍵是機器設備的產量(throughput)和零部件的精度;而同時制定一套方法去利用數據和了解目前的狀況并檢測故障是一個很重要的研究課題。對于生產系統，許多商業化的制造系統可以輔助工廠管理者去獲取整體設備效率(OEE)的信息。相反，在工業4.0的工廠中，自我意識(self-aware)和自我預測(self-predict)的功能成為監測和控制系統的新功能,這些新功能可以幫助用戶去了解機器的健康退化和剩余使用壽命。此外，機器的健康還可以通過零部件的健康狀況的融合和同類機器的對比(peer-to-peer)來預測。這種預測能力使得工廠可以采取及時的維護措施從而提高管理效率,并最終優化機器的正常運行時間。最后，歷史健康信息也可以反饋到機器設備設計部門從而形成閉環的生命周期更新設計，最終實現無憂生產(worry-free productivity)。
這種預測分析方法可以將產品和制造系統都轉化為自我意識和自我維護的智能信息。產品預測服務系統可以使得產品在其退化過程中產生主動觸發的服務請求并進一步預測和預防潛在的故障。預測性制造融合了來自生產制造系統的信息和來自供應鏈系統的信息。傳統意義上，制造商通過供應鏈系統做出決策，這種方法利用物流,同步化供給與需求，以及全球化性能測試來實現優化成本的目標。
工業4.0如何實現自我意識、自我預測和自我重新配置的能力所需的核心技術是利用智能預診斷工具和解析工具來實現預測分析。智能預診斷工具主要涉及信號采集、數據存儲、同步、合成與服務。解析工具主要涉及信息轉化的四個子工具：信號處理和特征提取、健康評估、性能預測以及故障診斷。圖1展示的就是傳統工廠與末來工業4.0工廠的差別。
工業4.0對未來工廠的透明化——突破制造業中的不確定性
在制造業中，有很多可能無法量化甚至決策者無法知曉的不確定性，這使決策者對他們的資產的有效運作和使用情況無法形成合理的判斷和結論。這些不確定性存在于工廠的內部和外部。內部不確定性的例子包括加工過程的退化和沒有任何可識別癥狀的失效事件的發生(組件級別);由于不一致的操作，系統意外崩潰及廢料的存在和返工事件所引起的周期變化可能導致在生產計劃與調度(系統或生產工藝級)上出現困難。與此同時，外部不確定因素所產生的阻礙作用通常會從產品開發一直到供應鏈環節，可表現為：不可靠的下游產能;原材料或部件運輸、數量和質量的不可預測變化;市場和客戶的需求波動;由于生產和使用過程中缺乏對產品狀態的準確評估而導致的不完整的產品設計;隨機保修索賠和更換要求，等等。
內部制造的問題可以進一步映射到兩個領域：有形和無形。有形問題的例子包括機器故障、產品缺陷、不良循環時間、長延誤時間、整體設備效率(OEE)降低，等等，而這些都是從事后分析中可以得出的非常明顯的情況和信息。另一方面，無形的問題包括機器衰退、部件磨損等，如果沒有審慎實施的預測分析和控制策略，這些不確定因素可能對生產經營產生不利影響。
在每一個領域，問題都會在可見和不可見的兩個層面來處理。對于可見性的問題，通常利用最佳做法和標準工作組成的工具來系統地處理這些問題。對于一個潛在的對策，公司與他們的設備供應商合作，從內部解決問題的實踐中運用新知識和開發技術，并將這些技術整合到他們的設備中作為一個增值改進。同時，已對不可見性的問題作出一些努力，比如在故障預測與健康管理(PHM)的研究領域，以制定更先進的預測分析方法和在早期階段發現問題。因此，未滿足的需要就是對可見空間成果復制，并進一步明確從解決問題層面發展到規避問題層面問題是怎樣處理的。利用預測工具和技術將展現出更多的新價值創造機會，這些機會將利用新的信息(未知的知識)。
工業4.0所需要的就是可以提供透明度的工具和技術，這些工具和技術具有拆解和量化不確定性的能力，從而可以客觀地估計其制造能力和可用性。之前描述的制造策略假定設備的連續可用性以及它的每一個使用過程中保持最佳性能，但這樣的假設在一個真正的工廠中是不成立的。為了實現工廠透明化，制造業需要大量投入以轉型為預測生產。這種革新需要使用先進的預測工具和方法，實現系統地將工廠不斷產生的數據加工成有用信息。這些信息可以幫助解釋不確定性，從而使得資產管理者和過程監管者可以做出更“知情”的決策。
在制造業中積極采用“物聯網”的思想幫助預測制造業奠定了其智能傳感網絡和智能機器的基礎。在不同的細分市場中利用先進的預測工具已經變得越來越流行了。故障預測與健康管理就是一個能夠充分運用此類預測分析的領域。故障預測與健康管理涉及制造狀況的評估、早期故障診斷以及未來失效時間推斷，因此主動維護活動得以實現，并可以避免災難性和代價高昂的機器損壞。
工業4.0需要預測式制造系統
可預測制造業的概念由筆者在2005年提出。它是以對監控機器設備的數據采集為起點的，通過采用合適的傳感器裝置，各種信號，如振動、壓力等可以被擷取;另外，歷史數據可以被用作進一步的數據挖掘;通訊協議，如MTConnect和OPC，可以幫助用戶記錄控制信號;當所有的數據被匯總在一起，就構成了所謂的“大數據”(Big Data)。而信息的轉化機制(transforming agent)由幾個組件構成：整合的平臺、預測分析方法和可視化工具。Watchdog Agent中的算法可分為四個部分：信號處理和特征提取、健康評估、性能預測和故障診斷。通過可視化工具，健康信息(如當前情況、剩余使用壽命、故障模式等)，都可以有效地以雷達圖、故障圖、風險分析圖以及健康的衰退曲線表現出來。預測制造系統為設備和系統提供“自我意識”的能力，從而為用戶提供更大的透明度，并最終避免了涉及生產力、效率和安全性的潛在問題。
預測制造系統的核心技術是一個包含智能軟件來進行預測建模功能的智能計算工具。對設備性能的預測分析和對故障時間的估算，將減少這些不確定性的影響，并為用戶提供了預先緩和措施和解決對策，以防止生產運營中生產力、效率的損失。
預測制造系統為用戶提供透明化信息，如實際健康狀況、設備的表現或衰退的軌跡、設備或任何組件什么時候失效以及怎樣失效。
一個精心設計和開發的預測制造系統具有以下好處：
降低成本。通過了解生產資產的實際狀況，維護工作可以在一個更合適的條件下實施(不在故障發生后才更換或太早將一個完好的部件不必要地更換)。這也被稱為及時維護。
提升運營效率。當知曉何時設備很可能會失效，生產和維修主管能夠審慎地安排相關活動，從而最大限度地提高設備的可用性和正常運行時間。
提高產品質量。衰退模式和近乎實時的設備狀態估計可以與過程控制結合起來，以達到在設備或系統表現隨著時間變化的同時產品質量保持不變。
隨著制造業的透明化發展，工廠管理以準確的信息為基礎實現工廠范圍內的整體設備效率(OEE)的確定。由于對設備的可預測能力，可以實現有效管理維護從而降低管理成本。最后，歷史健康信息也可以反饋到機器設備設計部門從而形成閉環的生命周期更新設計。
工業4.0的基礎在故障預測與健康管理
故障預測與健康管理(PHM)的方法解決了工業中看不見問題的透明化。這些看不見的問題可能是由機器的性能衰退和零部件的磨損導致的。作為一個不斷增長的新興研究領域，PHM提供了有效的方法來解決并避免計劃外停機時間和系統中的不確定性。應用領域如飛機發動機、工業機器人、機床、電機、風電輪機、電池、齒輪箱、軸承、泵等。
故障預測與健康管理(PHM)是一個利用先進的預測工具的重要研究領域。 PHM變得越來越受歡迎，主要是由于需要有一個對制造業資產以及輔助系統的真實狀況進行客觀評估的機制。被動維護策略在過去被廣泛采用，在這種策略中只有當其中一臺機器修復必要時，才對其進行修理。然而，為了滿足日益增長的消費需求，需要生產效率不斷提高，計劃外停機時間的代價就變得非常巨大，因此必須避免。緊隨其后發展的是預防性維護策略，在這種策略中維護活動(如保養和替換)或是基于時間或是基于使用情況間隔而實施的。盡管預防性維護的方法可以提供最高的可用性(假設在合理的時間間隔)，但它有兩個主要缺點：一是實施預防性維護程序是昂貴的，特別是如果時間間隔很短;二是組件發生故障之前甚至在癥狀開始出現時被替換，因此喪失了對該設備的衰退行為的分析能力。基于狀況的維護策略是利用機器信號(從控制器或者從傳感器裝置)來檢測故障或者異常情況的發生。在一些實施方法中，可以將故障的位置以及故障的類型識別出來。 PHM是基于狀況的維護策略的延伸，通過使用預測算法，可以推斷出未來的表現。通過監測健康指標(置信度值CV、失效模式、剩余使用壽命等)，用戶可以觀察機器的時間特性，并在實際故障事件之前得到失效早期跡象的警告。有了這些信息，制造透明化就能得以實現，因為工廠的經理和主管能夠知曉機器完成生產的能力(任務預備狀態)，從而優先考慮設備維修并不干擾生產進度。
如何設計基于CPS的工業4.0系統
由于CPS的強大功能，美國國家科學基金會智能維護系統(IMS)研究中心提出了一套很有前景的基于CPS的工業4.0實體融合系統的時間機器(Time Machine)設計方法。正如以上所討論的，互聯系統提供了大量的可訪問數據(大數據)。但是，僅僅只有數據并不能帶來顯著的優勢。因此，需要一種自適應和功能強大的方法去管理、分類和處理這些數據，從而為進一步的PHM分析算法做準備。這種方法運用只有足夠廣泛，才能夠真正充分利用信息實體融合系統的所有優點。
這種方法能在大數據環境下對數據進行有效地組織，并為后續的PHM算法做好準備。每一個零部件都由一個代表性的時間機器記錄在信息空間里面(Cyber Space)。該信息元素從大數據中提取有價值的信息并歸一化處理從而應用于進一步分析。提取的信息包括執行歷史、應力和負載、操作參數、系統配置和維護記錄。一旦某個實際部件發生故障，它將從時間機器中剔除出去，就不再用于以后的分析。但其信息孿生(cyber twin)(時間機器記錄)不會受任何時間限制而繼續保持。無限的信息孿生導致時間機器記錄的不斷積累，從而將相同部件的各種操作參數廣泛地聚集在一起。而進一步的研究努力則是對參數的歸一化，以此保證對相同的部件的時間機器記錄的可比性。此外，時間機器記錄遵循實際組件的層級關系，每一個信息孿生也可訪問它的前身和祖先組件。這種信息豐富的環境為準確的預測和監控工廠的PHM算法帶來顯著的魯棒性。最終，這種方法將信息-實體融合系統(CPS)引入到工業4.0工廠設計實施中。
案例：基于CPS的工業4.0機器人系統
下面介紹的案例重點強調了信息實體系統在工業機器人的健康監測中的應用。目前的研究旨在開發一種針對一組包含30個工業機器人的生產線的預測性與預防性健康監控系統。在本案例中，生產線速度的多樣性導致了采用復雜多工況方法的要求。預測與健康管理分析的核心是以獲取扭矩和速度參數信息為基礎的。
由于具有非侵入性的特點，扭矩分析是一種在工業機器人健康監控中常用的故障診斷方法。因此，大多數的研究都是集中在對這個參數的分析基礎之上的。而運行速度與扭矩之間的非線性關系給PHM算法能否正確獲得機器人的健康狀態帶來了挑戰。除了條件數據(扭矩與速度)之外，信息實體系統還能夠獲得多樣的配置參數，例如齒輪比、負載率、壓力較準、機器人伺服焊槍種類等，并將產品從生產線分配到各個特定的機器人處。這些配置參數可以幫助核心模型來實現運行數據的標準化和自適應分類，以獲得更準確的結果。最終，在云端建立整個案例的分析引擎并存儲所有的數據(狀態數據和配置數據)，健康監測算法可以利用這些云端上的數據來計算每個機器人個體的健康狀態。PHM算法的結果將通過一個基于網絡的用戶界面給用戶呈現出豐富的圖表信息(正如前面所介紹的)。這一系統經過健康衰退監測可以在3星期前預測機器人系統故障。
先進的基于CPS技術的工業4.0實際應用，具備了自我意識、自我預測和自我配置的能力。本文討論的智能預測與健康管理機制的方法以及基于時間機器的監控管理系統的發展，是新的基于CPS的工業4.0系統的核心內容。
當前的工業革命正在引導整個工業行業朝著利用大數據環境下的互聯系統最大利益的方向發展著，這種大數據環境促生了更具創新的彈性化生產和生產力，將以此推動制造業達到一個新的高度。