日前，SAP在上海外滩悦榕庄举办了以“共享•智能|迈入工业4.0时代的互联设备云世界”为主题的数字化设备管理创新论坛。会上，来自SAP、ANSYS、中微半导体、安永咨询、运通恒达等企业负责人和产品解决方案专家，以及北京航空航天大学资深教授发表了主题演讲，为大家解读互联设备在当下面临的挑战和机遇以及未来发展趋势。
论坛现场
论坛期间，e-works记者采访了北京航空航天大学可靠性与系统工程学院教授章文晋、SAP 预测性维护产品负责人Simon Lee、ANSYS 数字孪生专家杨帆、北京运通恒达科技有限公司总工程师陈晓彤以及北京航空航天大学可靠性工程学院教授吕琛，就可靠性与设备管理的关系、企业在设备管理方面面临的困境、预测性维护、云设备等问题进行了交流和探讨。
从左至右从上到下：北京航空航天大学可靠性与系统工程学院教授章文晋、SAP 预测性维护产品负责人Simon Lee、ANSYS 数字孪生专家杨帆、北京运通恒达科技总工程师陈晓彤、北京航空航天大学可靠性工程学院教授吕琛
1、请您谈一下设备管理与可靠性之间的关系以及如何利用可靠性帮助企业提升设备管理？
章文晋：设备管理的核心是要清楚设备的状态，了解故障发生和发展的规律。可靠性就是围绕故障，其核心是为了解决故障。如果能提前把故障分析清楚，然后在设计以及将来的设备管理上，对其状态和故障进行预测，将会对设备的管理有非常大的帮助。
陈晓彤：设备管理包括这几个方面的内容。第一，在产品设计的时候，就要面向以后的设备维保进行设计。第二，在设备运用阶段，要根据相关的数据进行可靠性分析，产生进行维保方案决策所需要的技术数据。第三，要进行数字化、智能化、模型化，对维保方案进行优化。在保证产品的可靠性、安全性和效能的情况下，降低产品的全生命周期费用。我觉得未来我们更多面向的是产品有价值的服务，而不仅是产品。在这个领域内，可靠性面向维保所占的比重会越来越高。
2、企业在设备管理方面面临的困境有哪些？
杨帆：国内企业在设备管理方面面临的困难有两点。第一，效率低，无意义的出差，远程操作可以解决，或者到了现场才知道没有问题。第二，理论缺失，产品的理论寿命为一年，为了保险可能半年就修一次，造成浪费。
陈晓彤：第一，可靠性工作与产品设计、测试以及维保脱节。第二，积累的面向可靠性分析的数据严重不足，这里一方面与国内各个企业开展可靠性专项工作时间短有关。另一方面也跟企业没有系统化的积累这些数据有关。云的概念的提出能帮助解决这个问题，云意味着跨企业、跨地域、跨产品的数据共享，在一定程度上能够解决这个问题。第三，可靠性工作与产品研制过程中产生进度上的矛盾，或者计划矛盾。作为企业最高决策者，应该意识到首次推行会花较长时间，如果系统化的、工程化的推行可靠性技术，会有效缩短整个研制周期，使产品的返工次数，以及因故障导致的更改设计的次数减少很多。
3、针对这些困境如何解决？
陈晓彤：作为咨询者，我只能为企业提供一些建议。第一，可靠性工作对于某些产品来说必须纳入企业的战略决策部分，或纳入企业的研发计划，成为研制流程不可分割的一部分，从而可以一定程度上解决与产品设计脱钩的问题。关于数据的问题，第一建立数据规则，第二建立数据采集、分析规范化的渠道，第三信息化。解决进度的矛盾问题，我们公司提供了一种方法，叫敏捷可靠性，敏捷可靠性通过尽可能的降低研发人员的可靠性分析的工作负担来解决，但是这不是根本，根本是我们有计划的推行可靠性工作以后，整个可靠性工作会使研发工作糅合在一起，提高研发效率，从广义的角度来说，不会拖延研发进度。
4、现在想请您从故障诊断的角度谈一下企业可以从哪些方面进行设备管理？
吕琛：故障诊断实际上在企业的设备管理中是处于前端的角色。主要是将诊断以及进行退化评估、故障预测得出来的结果提供给上级，比如说企业的ERP、企业的资产运营管理或者生产执行系统，这就需要打好前端的基础。可靠性有五性：可靠性、测试性、保障性、安全性、维修性，跟设备故障管理最直接相关的两个基础性工作，一个是故障模式影响与危害性分析。这个工作做好之后，下一步是测试性分析，测试性分析最终需要通过建模分析，给出企业当前的情况，故障模式覆盖哪些，故障的发生情况是否达到指标的要求，以及故障整个传播路径，这两项工作做好之后，下面要做的就是故障诊断工作。
每个企业，航空航天、核电、制造，包括新能源领域，故障诊断是比较特殊的行业，每种对象有每种对象的特点。监测信号类型不同，故障反映的症状不同，这就需要数据分析，或者故障诊断人员需要有一定相关行业的背景。或者从数据分析的角度，企业要有熟悉产品、功能特点、运行机理的相关人员配合，两方共同合作才能把故障诊断的工作做好。单纯的一个数据分析并不是所有的行业都适用。
最后，故障诊断要跟设计同步、同源，达到并行，最终才能把企业的故障诊断工作做好，进而做好设备管理、设备资产运营管理的工作。
5、首先想请您介绍一下国内外企业在进行设备预测性维护方面的现状，以及他们遇到了哪些困境？
Simon Lee：在开发PDMS之前，我们已经做了超过20个相关项目，将累积的经验放入产品研发过程中。我们见证过全世界各地的客户，现在我们在扩展中国的市场，从我们的角度来看，不论资产管理还是预测性维护，痛点大同小异。不管在预测性维护、机器学习还是AI，我都感觉中国的想法和做法很成熟。
关于挑战，第一，做预测性维护是数据引导的项目，没有数据会事倍功半。要有长期的成功，所采集数据的价值和全面缺一不可。第二，在物联网环境下做预测性维护，OT跟IT从流程到数据要紧密结合。
关于痛点，希望能够替客户解决的。一是降低维护成本，例如有一个客户，他们需要安全，但不需要浪费，我们用PDMS希望将他们维护的成本减少 8%~10%。某个零件虽然它的理论寿命可能已经结束，但是实际上还是可以用，也是安全的。二是在工厂里关键设备的可靠性，关键设备一旦发生故障，它产生的质量问题，以及停机损耗，对客户都是非常大的损失。用预测性维护，就是希望能够用机械学习以及数据科学来解决这些问题。
6、如何运用设备预测性维护帮助企业解决他们遇到的设备维护问题？
Simon Lee：我们用PDMS， PDMS是SAP EAM产品流程里其中一个。我们的设想是，将设备的主数据、OT的数据、数字化的模式以及ECC S4数字化的产品全都结合在一起，为客户提供端到端的解决方案。
7、关于云设备
吕琛：目前Cloudbase就是云设备，SAP讲Cloudbase architecture。设备故障诊断，在云架构或者是云设备当中的角色相同，它也是处于最低端。它能为设备的资产管理，基于云架构的设备资产管理或者资产健康状况的可视化提供一个输入，即提供一个设备退化的信息，呈现设备当前或者未来一段时间，是否有失效的趋势，是否有异常，以及设备未来剩余寿命的趋势都是什么样的结果。
制造业通过监测当前设备对数控加工中心，数控机床健康状况的影响，以及刀具健康和功效质量监测，可以及时调整生产排程，避免突然宕机。
陈晓彤：我认为云包含两方面，一是云的知识或者称为云的数据。二是在云端所提供的一些应用或者称为服务。我个人觉得可靠性的数据上云，会使同行业不同专业的产品数据实现数据共享，能够在一定程度上使它的价值得到共享，从而使更多的分析者受益。在应用上，可靠性工作技术的进步会同步到云端，其他人能按照最新的技术领域，同步进行变更和发展。
8、请从人工智能的角度阐述一下故障诊断
吕琛：近几年大家比较关注人工智能的原因，是人工智能的整体基础在基础理论技术研究上有一个突破。它最流行的时候是在2006年深度学习的出现，后来谷歌把人工智能引入到自动驾驶和人机博弈AlphaGo，让人们看到了人工智能巨大潜力。无论从图像识别还是语音识别，人工智能都已经崭露头角。在故障诊断应用之前，人工智能也是在近三四年左右，我认为原因是深度学习这种深层网络结构的出现。深度学习除了模拟人脑逐层学习抽象的特点外，还有一个最重要的特点，它属于无监督的自主学习方法，不需要人去参与。
通过深度强化学习的机制，实际上可以实现不同故障诊断模在学习过程中优化和筛选的过程。人工智能可能会为故障诊断带来很多的好处，目前最明显的就是它能促进故障诊断的发展，尤其是目前有一些深度学习的芯片，包括GPU技术和并行计算的成熟，可能会让深度学习用到的越来越多。
小结
此次的采访对象有大学教授，有产品运维负责人，有行业专家，有工程师，不同的行业积淀带来了不同的视角，设备管理从来不是一个冷门的话题，它筑基于产品生命周期的底层，随着生产力的提升和技术的进步日益革新。为期一天的论坛圆满落下帷幕，行业大咖们的真知灼见也似乎言犹在耳，期待与SAP明年的重逢。
