从CPS技术体系来看，核心在于以数据分析的能力创造新的价值，因此，这也决定了CPS技术的高移植性、高通用性，应用范围可以涉及工厂车间、运输系统、能源等各个行业。

从德国工业4.0的战略设计来看，德国更多的关注于制造领域的价值创造与智能转型，即注重以CPS中的CPPS（信息物理生产系统）为主导的智能制造，对于整个工业应用链的价值辐射面具有一定的局限性。

而实际上，以CPS为核心的数据价值创造体系应用于工业4.0，同样需要“二维”应用战略：

三个横向的应用基础：一是平台基础，即智能数据收集与平台运用；二是分析手段，即智能化的数据分析、管理、优化工具与软件应用；三是商业模式内核，即智能管理及服务体系的设计与应用。

三个纵向的应用扩展：一是基础的部件级应用；二是系统的装备级应用；三是成体系的应用链设计。

而上述二维应用战略可以用树木与树根的可见与不可见的关系来示意：
图2-4 CPS二维应用关系图

我们可以分别以智能装备、智能工厂与智能服务这三个方向来阐述CPS的应用过程：

1. 智能装备——实现自省性、自比较性

对于智能装备的CPS应用设计，我们可以在网络层面上通过机器网络接口（CPI）进行网络健康分析的交互连接，这个从概念上类似于社交网络。一旦网络级基础设施到位，机器就可以注册到网络，通过网络接口交换信息。在这一点上，可以通过已经建立的一套算法跟踪机器状态的变化，从历史信息推断额外知识，应用对等比较，并将信息输出传递到下一层。这样，就必须制定新的方法来执行这些操作并产生相应的结果。这里引入“时间机器”的设计在网络层面执行分析，通过三个步骤实现一个智能装备的应用设计：

（1）数据切片管理：如图2-5所示，信息不断地从机器中输入网络空间，快照收集的任务就是以有效的方式管理输入数据，存储信息。基本上，机器的快照性能，是通过利用历史记录和维护记录来减少需要的硬盘空间和处理能力。一旦监测机器的状态发生重要变化时，这些快照才出现。这些变化可以定义为机器健康值的偶然变化，维护行为或者工作制度的改变。在机器的整个生命周期里，这些快照将被收集并用于构造特定状态点的时间机器的历史。这个当前的时间机器记录将被用来进行优点之间的对等比较。一旦这个优点失效或者被替代，其相关的时间机器记录将改变状态，从当前变为历史，并将用作相似性的识别和合成的参考。

（2）相似识别：在网络层面，对设备自身（以及相同设备）在不同运行模式和健康模式下的历史数据进行特征提取和建模，再利用该模型与当前状态产生的数据进行比较，就可以自动识别设备当前的健康状态，进而对设备进行风险评估和故障诊断。除此之外，单个设备还可以与设备集群中的同类设备进行比较，自动识别与自己工况模式相似的其他设备并进行聚类，在工况模式相同的条件下比较自身的性能与其他设备的差异性，这种自比较和自省性的能力是以往“机器对机器（Machine-to-Machine）”概念中所没有的。 通过对当前设备运行的模式匹配以及健康模式随时间的变化轨迹分析，就能够更加准确地预测设备未来状态的变化，实现设备自预测性的能力。

（3）执行决策的优化：当设备具备了自省性、自比较性、和自预测性的能力时，就可以对自己当前和未来的性能进行预测。单个设备作为复杂工业系统中的一份子，承担着该系统某个环节的任务要求。智能设备能够结合当前自身的性能与任务要求，自动预测自身性能与任务需求在当前和未来的匹配性，并制定最优化的执行策略。执行策略优化的表现是，在满足任务要求的前提下，使用资源最少、对自身的健康损害最小以及在最优的维护时机进行状态恢复。执行决策的优化需要设备对自己在整个系统中的角色有较为清晰的认知，并能够预测自身的活动对系统整体表现的影响，是设备从自省性到自认知能力的进一步智能化。

2. 智能工厂——实现无忧生产

评价生产系统性能的关键指标是产量、质量、成本和零部件的精度，利用数据去分析和了解影响生产系统的上述关键指标的因素，并对可能出现的风险进行预测和管控，是能否实现预测型制造的关键。今天大多数工厂的生产系统较为普遍地运用商业化的管理软件辅助工厂管理者去获取整体设备效率（OEE）等信息，从而对生产系统中可见的影响因素和产生的结果进行及时的掌握和应对。然而生产系统中更多的是不可见因素的影响，比如设备性能的衰退、精度的缺失、资源的浪费等。而可见的影响因素往往是不可见因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。因此对这些不可见因素进行预测和管理是避免可见因素影响的关键。在工业4.0的工厂中，自省（Self-Aware）和自我预测（Self-Predict）的功能成为监测和控制系统的新功能，这些新功能可以帮助用户去了解机器的健康退化、剩余可用时间、精度的缺失以及各类因素对质量和成本的影响。此外，机器的健康还可以通过零部件的健康状况的融合和同类机器的对比（peer-to-peer）来预测。这种预测能力使得工厂可以采取及时的维护措施从而提高管理效率，并最终优化机器的正常运行。最后，历史健康信息也可以反馈到机器设备设计部门，从而形成闭环的生命周期更新设计，最终实现无忧生产（worry-free production）。

　　这种预测分析方法可以使产品和制造系统都具备自我意识和自我维护的功能。产品预测服务系统可以使得产品在其功能退化的过程中产生主动触发的服务请求并进一步预测和预防潜在的故障。预测及制造融合了来自生产制造系统的信息和来自供应链系统的信息。传统意义上，制造商通过供应链系统做出决策，这种方法利用物流、同步化供给与需求，以及全球化性能测试来实现优化成本的目标。

　　工业4.0实现自我意识、自我预测和自我重新配置的能力所需的核心技术是利用智能预诊断工具和解析工具来实现预测分析。智能预诊断工具主要涉及信号采集、数据存储、同步、合成与服务。解析工具主要涉及信息转化的四个子工具：信号处理和特征提取、健康评估、性能预测以及故障诊断。图2-6展示的就是传统工厂与未来工业4.0工厂的差别。

3. 智能服务——实现全产业链协同优化

工业4.0时代的智能信息服务已经不再是传统意义上远程人工在线的应答式和售后产品服务的模式，而是更注重利用全产业链形成的大数据进行综合的数据分析与挖掘，针对全产业链各个环节的各级用户，面向其具体的活动需求提供定制化的，可以辅助其具体活动决策的信息。

不同层级的用户对于信息的要求是不同的，对于数据量和种类的要求也是有差距的。执行层更关心具体设备控制活动的实时性和精确性，因此，要求的数据种类不多，但是每个类别的数据量要求很大；管理层关心活动组织的合理性和高效性，因此，对数据种类要求更全，但每类的数据量要求呈指数下降；决策层关心活动方向的正确性和前瞻性，于是，对数据种类的要求最全，对于每类数据量的要求最小，对于数据价值的要求最高。

这种不同层级的用户对于数据有不同程度的要求并对数据分析有层次化的需求，如果不加选择地将所有数据汇聚到一起，在一个所谓的数据中心进行数据分析与挖掘，将是一个灾难性的工作，因此，必须将数据的采集与分析层次化进行，才具有工程的实际意义。

同时，正如德国对于工业4.0分析中指出的那样，只有建立起“二维战略”的智能信息体系，才能真正发挥数据对于实体活动最大的价值。这是因为，在微观与宏观、产业上下游活动中所有活动都是相互影响和相互作用的，将自身活动产生的数据都当作自身的核心秘密，敝帚自珍，互相就各自的数据进行分析与挖掘，效率比是极其差的。其实，企业核心竞争力并不是数据的拥有，而是数据信息化后的利用能力！

所以，如果产业链相关企业能够建立一个智能信息同盟，将各自数据交由一个熟悉产业链各环节的机构。该机构并不参与产业链各环节的实体活动，只是专门进行智能信息服务体系的建设。由这个机构在基于产业链数据的基础上，按需为各级各类用户提供各自需要的定制化信息服务，这是可分享的；而各个企业以此为基础开展满足各自企业发展目标的信息价值化利用，这是不共享的。

这样，既发挥了工业大数据最大的作用，又在最大程度上保护甚至提高了各个企业的核心竞争能力！或许，这是在智能时代的制造业和现代工业的一种新模式。