贝利Bailey SPDSI14

ABB：

S800系列模块、AC800M系列模块，工业机器人备件DSQC系列、Bailey INFI 90,800xA、Advant OCS with 

Master Software、带有MOD 300软件的Advant OCS、Freelance - 应用于流程工业的分布式控制系

统、Symphony Melody、Satt OCS、Symphony DCI System Six、Harmony/INFI 90、安全系统等。

主营PLC可编程控制器模块，DCS卡件，ESD系统卡件，振动监测系统卡件，汽轮机控制系统模块，燃气发电机备件等

　智能感知层(Smart Connection Level)。智能感知层作为网络空间与实体空间交互的第一层，肩负着建立连通性的使命。这一层主要负责数据的采集与信息的传输，其可能的形式之一是，利用本地代理在机器上采集数据，在本地做轻量级的分析来提取特征，之后通过标准化的通讯协议将特征传输至能力更强的计算平台。值得一提的是，由于工业设备对智能分析运算的及时性要求非常高，原始数据体量庞大传输成本高，且其中包含大量的知识产权信息，在这一层直接将所有原始数据传输至云端分析不仅成本高昂，而且风险巨大。与原始数据相比，特征是提炼后的诊断信息、维度更小，其经过处理后可以在保留诊断信息的情况下最大程度隐匿知识产权信息。显然，将特征而非数据作为本地与云端的交互媒介更为合理。随着边缘计算、雾运算、与云运算协同工作机制的不断完善[11]，智能感知层可以自动为复杂的预测性分析提供“有用信息”，成为网络空间的数字化入口。

　　数据信息转换层/信息挖掘层(Data-to-information Conversion Level)。在数据导入后，需要对其进行预测性分析来将数据转化为用户可执行的信息。在这一层，PHM技术发挥着核心作用。根据不同的工业场景，机器学习与统计建模的算法可以识别数据的模型状态来进行故障检测、故障分类、与故障预测。高维的数据流将被转化为低维的、可执行的实时健康信息，为用户迅速做决策提供实证支持。由于工业大数据本身“3B”的特点[10]，即数据质量差、碎片化、场景性强的特点，这一层能够有效作用的关键是算法场景化的快速，以及适应变化工况的强健性。

　　网络层(Cyber Level)。网络层是整个CPS的核心，它是“5C”体系架构的信息集散中心，也是发挥CPS对于互联、大规模机群建模优势的关键层。在网络层中，基于群组的预诊断技术可以将大量相似设备的信息进行聚类，根据本地集群建立更为符合该集群状态的基线来进行预测。同时，“时间机器”技术将可以离散化设备寿命周期，记录某类设备健康状态变化在寿命周期中的时机，以及可能出现的问题。这种离散化提炼后的寿命周期信息将可以在同类设备中广泛规模化，使对只有少量历史数据的同类设备建模速度极大提升。同时，对等相较(peer comparison)的建模技术也可以让用户发现单机PHM无法发现的隐藏问题，从而优化设备的使用方式，延长设备使用寿命。

　　认知层(Cognition Level)。CPS在这一层将综合前两层产生的信息，为用户提供所监控系统的完整信息。这一层CPS应该提供设备维护的可执行信息：机器总体的性能表现、机器预测的趋势、潜在的故障、故障可能发生的时间、需要进行的维护以及最佳的维护时间。

　　配置层(Configuration Level)。根据认知层提供的信息，用户或者控制系统将要对设备实体进行干预，使其保持在用户能够接受的性能范围之内，避免非预期的故障停机。这一层是网络空间对实体空间的反馈，是对设备健康状况的洞察(Insight)为用户创造价值的关键步骤。

　　整个CPS系统以数据为载体，建立了实体设备的“网络孪生(cyber twin)”。网络孪生能够实时反映实体系统的变化并预测可能发生的后果，警示用户同时主动作用于实体系统，延长使用寿命并且避免非预期的故障停机，实现无忧生产，为用户创值。

基于CPS的预诊断与健康管理

　　基于网络层的故障预测与健康管理的优势在于通过计算机的机器网络接口(CPI)与机器健康分析之间建立相互联系，这在概念上类似于社交网络。一旦网络层的基础设施建立起来，机器就可以通过网络接口登陆网络进行信息的交换。 此时，必须建立一个跟踪机器状态变化的算法，从历史信息中寻找附加信息，运用对等相较(peer comparison)的方法进行比较，并将输出的信息传递到下一层级。需要开发新的方法来执行这些操作，从而得到合理的结果。在网络层进行分析的“时间机器”由以下三个部分组成[12]: