前 言

在最新的工程教育对于卓越工程师培养的要求重要一条在于“解决复杂问题的能力”。这是因为工程问题天然就是复杂的，尤其对于高速高精度的复杂装备而言，它是机电软一体化的产品。而要解决复杂问题，需要工程哲学的支撑，即，如何做到“化繁为简”。在最新的工程教育对于卓越工程师培养的要求重要一条在于“解决复杂问题的能力”。这是因为工程问题天然就是复杂的，尤其对于高速高精度的复杂装备而言，它是机电软一体化的产品。而要解决复杂问题，需要工程哲学的支撑，即，如何做到“化繁为简”。

在最新的工程教育对于卓越工程师培养的要求重要一条在于“解决复杂问题的能力”。这是因为工程问题天然就是复杂的，尤其对于高速高精度的复杂装备而言，它是机电软一体化的产品。而要解决复杂问题，需要工程哲学的支撑，即，如何做到“化繁为简”。

(相关资料图)

01

工程问题的复杂性维度

工程问题的复杂性是包括多个维度的，并非仅仅是技术的复杂性，至少可以归结为如下三个方面：

首先，是在专业的复杂性，对于任何一个制造过程而言，必然涉及机械、电气、工艺三个维度的复杂耦合关系，在每个问题内部又存在着耦合关系。而机械系统它的物理特性也会随着速度的变化。踢足球的人大概心里有点概念，即，在低速时候，你带球、传切、过人、射门，其实都是可以玩出花活的。但是，一旦到了高速，就会变得复杂很多，因为，需要超级敏感的多维度感知能力，以及超强的算力、精准的执行。低速、低精度和高速高精度在制造中是完全不同的。

其次，工程问题的复杂性在于经济性约束的考量，与科学的探索(Discovery)不同，寻找可能性，而工程则是要收敛到经济性的道路上，才有意义，这使得工程不但牵扯技术问题，还牵扯整个工程过程的经济性约束，以及工程决策的“取舍”问题。

再次，工程问题的复杂性在于其社会性，工程不仅是技术问题，管理问题，同样工程过程还有其社会性、艺术性、伦理性的考虑，而这些又必须在工程设计过程中予以考虑。

当然，这些复杂问题，可以分开讨论，本文仅讨论其专业的复杂性如何化解的问题，如何化繁为简。

02

化繁为简的普适性

笛卡尔在其著名的《方法论》(Discourse on the Method)揭示了科学研究与发明的普适方法，概括为四个步骤，

(1)不盲从，对命题有自己的判断，确定有无可疑之处

(2)对于复杂问题，尽量分解为多个简单的小问题来研究，一个个分开解决，这就是化繁为简，化整为零的思路

(3)按照先易后难，逐步解决

(4)解决了小问题后，再综合起来，看看是否彻底解决了原来的问题。

作为科学方法论的基本思路，同样适用于工程开发，对于工程问题，其实解决问题的方法论是具有高度一致性的。科学不同在于“探索”，需要发散寻找新的规律，而工程则在于“收敛”，它要寻找最为经济的解决问题的道路。

03

复杂系统只需简单规则

2021年诺贝尔物理学奖授予了复杂系统的研究者乔治·帕里西教授。几年前，曾经看过梅拉尼.米歇尔教授《复杂》一书，最近又看了她的《AI3.0》，觉得还都是值得一读的好书。其中最早读《复杂》”是一本非常有意思的 ，它给我最大的提示就是“复杂系统必须用简单方法解决”。无论是沙丁鱼群的躲避鲨鱼攻击，或者蚁群的智慧涌现，还是萤火虫如何点亮，这些复杂复杂系统，如果依照触发条件、流程则是一个需要通信网络数据负载较大、响应要求极高的计算过程，那么，而这就需要一个“超强大脑”存在于这个群体中，而事实上，这些群体却并没有中心节点，然后调度，而是利用非常简单的规则来实现群体智慧涌现。

在《复杂》一书中，谈到了关于鱼群被攻击时的简单规则，并对其进行了仿真。对于沙丁鱼群受到大鱼攻击时，每个鱼只需遵循“盯着前面一条鱼，保持跟左右鱼的距离”，这简单的两条规则，鱼群就可以躲避大型鱼类的攻击。其实，这就是基于简单规则的协作问题，而今天制造业的问题，其实，同样是只能基于这样的思路来解决问题，否则，就会一定出现复杂到不可解析的程度。

04

建模的化繁为简

很多人对制造通常不是特别了解，“组合”、“可能性”的复杂性并未有直观的理解，歧路亡羊的道理虽然直观，但是，并没有用数量来表述，究竟有多少种组合—复杂性的量级有多高?

如果一个轮胎按照连线、钢丝排列、轮胎的面胶、三角胶、内胶的类型变化，以及轮胎的尺寸规格、用途需求(防滑/高温/重型)会产生超过10万种组合，而生产系统希望在不变产线的情况下，仅通过参数配置即可实现不同的生产，那就需要建一个模型，把参数引入，并形成内在的逻辑关系。系统根据配置来为其调节三鼓成型机的材料收放卷参数、成型的逻辑顺序与流程、以及材料所需的压力、温度等匹配参数—越是精益的产品，则牵扯更大维度的参数协调。

建模就是对这种关系进行结构化处理，并把相互之间的关系用数学来表达，而数学上可以表达，才能在软件上可以编写。因此，建模是要去建立一个制造过程相关性因素之间的数学关系。当然了，这种关系无法被完全描述—毕竟我们认知的世界是有限。对于一些关系，只能按照线性拟合的方式来进行表示，因为，就本质而言，世界是非线性的，线性区间仅在理想的物理条件下取值的—大概就清楚了为啥函数必须有定义域、值域的问题。

有了模型，我们就可以轻松的用这个公式去计算，以获得所需的输出值，确定我们的有效性，但是，我们并不能计算由于轮胎磨损造成的公里数计算的偏差—因为，为了这个误差所消耗的精力可能不值当。因此，模型也是有边界的，我们在寻找可以被我们利用的、稳定可控的区间。

05

测试验证，为了寻找可控的边界

当机器的速度从低速、低精度到高速高精度后，机械系统的模态发生变化，细微的变化都会带来巨大的变化，这种变化之间的关系交织在一起，这种可能有线性关系，也可能是非线性的。而且，多个维度的变量交织造成了其复杂性。并且，缺乏有效的数学模型去描述它(已有的物理化学方程)，那么这个时候，就需要借助于测试验证的方法来寻找一个合适、可控的边界、区间。使得系统处于可控状态。

寻找可控的边界以及曲线关系，本身并非是可被完全先验所预知的—毕竟，并非所有的公式的取值区间都可以被先验的确定。例如寻找摩擦力对于加速度的影响关系，在一个可控曲线内，它的变化是可以被已有的公式描述的。我们需要寻找到这个区间，并利用这个区间的可控性来实现控制。

06

OPC UA -你以为它只是个通信?

D同学经常和我探讨OPC UA，说实话，作为并不从事研发的人，我对OPC UA更多是发挥了“概念技能”去理解它。但是，从真实的开发视角理解，则D同学深入的多。他认为OPC UA非常重要的一个作用就是在系统性建模这个问题上，其实，OPC UA为协作，在机器间，构建了一个统一交互信息的规则与框架，然后，在这个接口的衔接下，对任务的编程变得简单，因为，复杂系统只需遵循简单规则，即，协作的机器之间，需要“逻辑”上的简单规则，然后，通过TSN的周期性数据采集与传输，就可以解决一个大系统的智能运行问题。

在一个制造工厂，可能会牵扯到复杂的机器间的协同问题，但是，不同的设备其数据类型、格式、单位、属性、存取、权限都会有不同，那么，需要有统一的规范接口来实现交互。当我们为这些协作任务编写程序 时，就一定会出现事件和数据的调用问题，那么，这个协同就必须有统一的规范，以降低为此而编写程序的工作量，仅调用结构化封装好的数据，就可以在他们之间建立以数据驱动方式的协作关系。通过信息的统一建模，使得整个复杂的过程被简化。

回到一个机器的控制任务循环，再去思考比机器更大的工厂循环，就明白OPC UA over TSN的作用了，这就给我们开启了一个上帝视角来看待工厂的连接，以及运行。

07

输送系统的化繁为简

在现实的离散组装产线的生产过程中，也会遇到这样的问题，其实，这里存在着缓冲分配难题，即，Buffer Allocation Problem，生产中各个单元之间，一定会因为各个工站节拍的不同，造成Buffer中的零配件输送和等待，当这些节拍比较大的差别时，整个系统的效率就很难提高。

这不难理解，每个常年差旅习惯的人一定会深有感触，实际上，花费在路上和等待(飞机、出租车)的时间经常大于实际的处理事务的时间。这就是为什么需要数字化—在线会议的原因，数字化就降低了这些非必要的时间，进而来提高效率。

在一个变化的制造单元中，包括了几种情况：(1)经常需要频繁的调整产线，工装夹具的更换 (2).产品经常变化，需要混线生产，(3).较大的产品调整，需要对整个机械系统进行重新设计或大的改造。

Elon Musk提出了“Machine is Factory”，这是要将离散的制造产线变为像流程工业的“装置即工厂”的形式，以获得连续生产的最大效率。

像贝加莱的ACOPOStrak、ACOPOS 6D就是为了解决上述这些问题，它的功效就在于把复杂的生产问题简化为离散的“配置”问题，将传统机械的复杂性降低为电磁效应的可控性，当实现电磁方式的输送后，整个产线就可以被“编程”，这就使得产线成为了“可编程产线-Programable Line”，使得产线的灵活性，被逻辑、顺序的编排来大幅简化。其实，在数学上也是“解耦”问题，即，化繁为简。

ACOPOS 6D这样的平面输送系统的关键性在于：

(1).解决连续性，通过In-Machine和Between Machine之间的物流输送效率，提高生产连续性，使得Machine is Factory，这样就能实现效率大幅提升。

(2).简化机械结构：有很多运动，可以被软件可控的输送系统动作所替代，它降低对非标工装的需求，同时也简化了原来的输送流程。

08

数字孪生的化繁为简

复杂系统的复杂在于变化，并且，它是一种“动态的”、“不确定性”、“非线性”的变化。对于传统大规模生产来说，机理建模构建一个闭环就可以保持运营，只要让这个闭环系统稳定、可靠，它就能不断的通过规模来降低成本。但是，对于一个具有紧密耦合关系，且要实现“大规模定制化”的智能制造系统而言，它本身就蕴含了多个维度的变化，除了机器本身的复杂性，连接后的耦合带来的复杂性，以及动态的市场变化带来的复杂性，使得这个系统的控制、运营，具有非常大的变化。

它的复杂在于“变化”，无法用一个确定的策略来对待，那么，这个时候，就需要一个“框架”来把这个不确定性给收敛起来，降低不确定性。

数字孪生系统就像是“知行合一”的一个系统，要不断的去感知、系统自身要去分析和判断，并去执行，以构成一个动态的多级闭环，这个闭环在现场级发生在设备上，在工厂级则发生在调度和策略上，在企业级则发生在生产、物流、制造、财务等系统的动态策略制定上。

数字孪生系统通过一个数字系统来映射，并通过“知”和“行”的反复对比，通过数据建模方式，动态的观察运行系统的规律，并形成新的知识，对这个运行系统影响质量、成本、效率的相关性进行分析，并不断去收敛。

因此，数字孪生，把复杂、不确定问题，通过一个可持续改进的运行机制给收敛，并稳定下来，也是让复杂的不确定的，变为简单的可复制的。

工程的问题，最终还是需要通过“化繁为简”的哲学去解决，而在具体的每个细节上，同样是以这个哲学来运行。