之前发布了一篇文章，讨论系统工程。AI给出了96分的评价，阅读量是多年来的低点。看来，多数读者更倾向于具体的实例而非抽象思考。通俗的说法就是要“讲人话”。因此，我打算举个例子来阐释系统论的思想。这个例子便是利用传感器进行设备健康诊断。

系统集成方式

设备健康状况不同，相关参数也就会变化。就像人生病时，体温、心跳会发生变化。我们期望通过这些信号来监测机床的健康状态。然而，设备常常处于不同的生产状态，比如生产不同产品时，设备的状态就会有差异。就像人运动时心跳会加快。例如，机床加工不同材料时，震动和电流便不一样。怎样利用这些信号诊断设备状态呢？通常的做法是：不同材料用不同标准。怎样实现这一点呢？需要收集两类数据：一类源于管理系统，告知计算机当前加工什么样的材料；一类来自控制系统，告诉计算机设备当前的状态。信息集成就是把两类数据都取过来，目的在于让机器获取决策所需的全面信息。这些信息不仅源于小系统内部（设备），还来自大系统（车间）。信息全面了，才能作出科学决策。信息集成的目的就是创造条件，使信息完备。

管理界定技术的边界与上限

工厂使用传感器时，可能会遭遇各种干扰。如机械问题、灰尘问题、环境温度改变、传感器故障等，都可能导致传感器数据失真。如何解决该问题呢？若在小系统内解决，就要设法优化算法。用算法识别并滤除这些干扰。但是，现场干扰可能多种多样，好的算法也不一定达到高的精度。更好的解决办法是强化管理。设法直接消除这些干扰、让传感器出于好的状态。如果能用管理方法直接去除干扰，就不需算法来解决，算法的任务就简单了。这就叫“管理界定技术的边界”。同样地，如果干扰问题是通过管理解决的，算法效果往往就会好很多。这就是“管理界定技术的上限”。

重构系统解决问题。

在特定情形下，有些问题确实无法借助算法和管理来处理。这就好比，如果仅对身体做常规检查，有些病可能就是检查不出。换句话说：信息真的不足时，不能指望通过提升医生水平来解决。如何处理这些问题呢？要通过增加检测信息来解决。对一台设备，如果只能采集设备的震动信息，有些故障可能真的无法识别；但在设备内部增添一个温度传感器，问题可能就轻易解决了。

数字化转型产生价值。

我一直强调，技术的价值不由技术本身决定，而由技术应用之处决定。同样，数字化转型要产生价值，不能只着眼于系统内部，而要从系统外部确定。推动数字化转型时，要大力了解用户、现场、市场，而不是闭门造车、过度关注技术性能。比如，搞设备诊断需要针对价值大、事故发生率高的设备，而不要针对价值低、事故发生率很低的设备。

以上几点其实应用了系统论的思想：不纠结于算法如何高明，而是设法让问题变得简单、变得有价值；系统内部无法解决问题时，着眼于系统外部。系统论的思想就这么实用.

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。