4月23-24日，2019（第七屆）先進制造業(yè)大會暨長三角制造業(yè)高質(zhì)量發(fā)展高峰論壇在上海召開，來自美國、德國、英國、日本等多個國家和地區(qū)的專家學者、企業(yè)家、投資家等近千人參會。北京天澤智云科技有限公司技術(shù)研發(fā)副總裁金超博士發(fā)表《工業(yè)智能技術(shù)賦能制造價值轉(zhuǎn)型》主題演講，分享天澤智云團隊在智能化落地過程中的所學所得。

天澤智云技術(shù)研發(fā)副總裁 金超博士

金超博士從制造價值轉(zhuǎn)型中的誤區(qū)出發(fā)，分析了人工智能落地工業(yè)領域面臨挑戰(zhàn)的根本原因，之后結(jié)合豐富的案例總結(jié)出工業(yè)智能落地的關(guān)鍵因素。

制造價值轉(zhuǎn)型中的誤區(qū)

單純靠技術(shù)就能驅(qū)動轉(zhuǎn)型（×）

技術(shù)只是一種手段，其本身并不能幫助工業(yè)提升核心競爭力：降本、增效。

人工智能只是噱頭（×）

人工智能已經(jīng)在很多產(chǎn)業(yè)領域被證明可以產(chǎn)生價值。

引進智能技術(shù)就像引進設備（×）

引進工業(yè)智能技術(shù)，是“換血”，即觀念的轉(zhuǎn)變，涉及整個管理體系，而非僅僅“換腦”（引進設備）。

模仿其他公司就可以實現(xiàn)轉(zhuǎn)型（×）

不清楚企業(yè)自身的真正痛點在哪，一味模仿無法實現(xiàn)轉(zhuǎn)型。

認知誤區(qū)導致工業(yè)智能落地難

由于存在以上認知誤區(qū)，這導致了傳統(tǒng)的人工智能落地方式在工業(yè)中面臨著很多的挑戰(zhàn)。

不買賬

客戶所在行業(yè)通常都有著豐富的實踐積累，雖然可能無法解決所有問題，但一般已形成了成熟的管理方法與體系，能夠緩解這些問題的發(fā)生。這樣一來，客戶對于新出現(xiàn)的技術(shù)或理念能夠輕松解決行業(yè)多年來的痛點，一般首先都會持懷疑態(tài)度。

不準確

數(shù)據(jù)驅(qū)動的模型非常依賴數(shù)據(jù)質(zhì)量。然而，在工業(yè)界，前期多是以控制、監(jiān)控等為目的收集的數(shù)據(jù)，有時從問題機理角度看，這些數(shù)據(jù)并不符合數(shù)據(jù)分析的要求，使得模型在初期會出現(xiàn)不準確的現(xiàn)象。

不使用

在客戶本身就持懷疑態(tài)度的情況下，他們看到模型的準確性又無法保障，這就導致了客戶更不愿意去使用模型。

工業(yè)智能落地的關(guān)鍵及案例分享

如何解決上述問題？工業(yè)智能落地的關(guān)鍵又是什么？對于此，金超博士指出，人工智能落地的起點或許不應在數(shù)據(jù)，而應在用戶的痛點。我們需要結(jié)合領域知識，用結(jié)果倒推的方式來解決問題：提取與痛點相關(guān)的數(shù)據(jù)，冷啟動模型，并對初版的模型不斷迭代，通過對模型進行生命周期管理，來為客戶實現(xiàn)價值。

將這些映射到系統(tǒng)架構(gòu)的四個層級，即OT（運維層）、PT（平臺層）、AT（分析層）、DT（數(shù)據(jù)層），可形成更易于落地的工業(yè)智能模型研發(fā)體系。

天澤智云在工業(yè)智能落地的經(jīng)驗

01、針對痛點“對癥下藥”

“對癥”：痛點分析

金超博士表示，天澤智云是一家軟硬結(jié)合的工業(yè)智能應用公司。同時，由于很多企業(yè)在面臨智能化轉(zhuǎn)型時不知從何做起，在每個項目開啟之前，通常需要做大量的調(diào)研和咨詢工作，綜合價值目標和企業(yè)現(xiàn)狀兩個維度，幫助企業(yè)找到真正的智能化強需求。

工業(yè)企業(yè)的目標萬變不離其三：安全，效率，成本。

安全是工業(yè)界關(guān)注的第一大問題。以風電領域為例，很多廠商在做的SCADA和CMS監(jiān)控系統(tǒng)，其重要作用之一，就是為了監(jiān)控可能發(fā)生的重大安全事故，保障安全的生產(chǎn)環(huán)境。

成本管控在工業(yè)企業(yè)的流程中起著關(guān)鍵的作用，降本增效是所有企業(yè)一直以來的宗旨和需求。

對應的目標清晰后，我們需要考慮企業(yè)的現(xiàn)狀。

一是IT基礎設施與數(shù)據(jù)。由于工業(yè)領域?qū)?shù)據(jù)質(zhì)量和來源有著更高的要求，如何解決IT基礎設施與數(shù)據(jù)質(zhì)量問題成為企業(yè)面臨的一大痛點。

二是領域知識的深厚程度。對于這一點，金超博士強調(diào)到，并不是所有的行業(yè)對于自身相關(guān)的領域知識都有著豐富的積累。一些行業(yè)近年來在信息化應用方面取得了很多進展，但由于多數(shù)設備均為進口，企業(yè)自身對設備并不了解，這就導致在進行工藝優(yōu)化、采集數(shù)據(jù)、設備預測性維護等技改時都會受限。

三是企業(yè)管理水平與文化。不同管理水平與文化造成落地應用的規(guī)?；潭炔煌褂玫墓ぞ咭簿陀辛藚^(qū)別，所以并不是所有的問題都適合用工業(yè)智能技術(shù)解決。

以效率提升為目標的痛點分析案例：某汽車制造廠機械臂故障（資料來源：IMS中心）

以某汽車制造廠機械臂故障為例，基于該廠商收集的歷史故障記錄與領域知識，從故障發(fā)生頻率和影響（量化到停機時間）兩個維度定義四象限，有針對性的解決此問題，具體而言：

頻率高、影響大：系統(tǒng)設計的問題，需改進設計

頻率高、影響?。簻蕚涓鄠浼?/p>

頻率低、影響?。簜鹘y(tǒng)維護方式

頻率低、影響大：預測性維護

“下藥”：不同層級的智能化應用

針對以上痛點，天澤智云開發(fā)了對應不同層級的智能化應用。

輕量級應用——維護活動管理

該應用最主要的功能之一是運維活動管理，解決維修技術(shù)積累和人員培養(yǎng)、維修過程標準化、以及維修成本顯性化等問題。該應用也兼具提升設備零備件供應及時性、產(chǎn)品可靠性的優(yōu)點，能夠?qū)崿F(xiàn)維修技師共享化。

輕量級應用的使用場景

應用的部署可以最快在兩小時內(nèi)完成。用戶可以通過掃碼的方式，基于時間變量進行現(xiàn)場人員活動管理及監(jiān)控，有效管理人力及設備成本，部署速度快、成本低，被廣泛應用于汽車制造業(yè)及中小企業(yè)，提升整體管理水平。

中級應用——設備物聯(lián)

該應用的最主要功能之一是設備物聯(lián)。針對事后維修、預防性維護、狀態(tài)維修、預測性維護等設備維護管理的4個階段，進行能耗管控、安全生產(chǎn)等。

比如空壓機、冰機等設備，雖然其自身可以以低能耗的方式運行，但無法實現(xiàn)不同型號、不同類型設備之間的協(xié)同優(yōu)化。我們的中級應用是通過集群的方式，對整個廠的輔助設備進行協(xié)同的管理，優(yōu)化設備啟停，并且對維護策略及排程進行管控，從而降低運維成本。

對于半導體制造這個高能耗產(chǎn)業(yè)，通常一個廠一個月的電費在九百萬以上。在我們所合作的一個面板廠中，部署該應用后，空壓機系統(tǒng)整體節(jié)能3%，冰機系統(tǒng)整體節(jié)能2%，對于如此高能耗的產(chǎn)業(yè)來說，是相當可觀的成本降低。

高階應用——PHM

該應用主要指預測性維護。應用部署的前提是，企業(yè)已經(jīng)達到基本的信息化/數(shù)字化的水平。預測模型由數(shù)據(jù)驅(qū)動，依賴于高質(zhì)量數(shù)據(jù)，如果需要外加傳感器的話，將導致采集成本，外加傳感器成本及施工走線等成本的提升，投入相對較高。

以刀具剩余使用壽命預測系統(tǒng)為例：刀具磨耗程度是影響工件質(zhì)量的關(guān)鍵因素。以往通常根據(jù)人的經(jīng)驗對刀具進行定期更換，可能相對較為保守，更換的刀具一般還可以繼續(xù)使用。

為了降低這部分成本，天澤智云采集衰退磨損相關(guān)數(shù)據(jù)，根據(jù)故障機理（磨損早期的頻域響應區(qū)間往往在高頻段）采集高頻信號，綜合考慮算法、硬件成本等因素構(gòu)建刀具剩余使用壽命系統(tǒng)，有效降低60%的意外停機，減少16%的成本。

02、數(shù)據(jù)的來源和質(zhì)量

在工業(yè)領域，數(shù)據(jù)量大≠質(zhì)量高≠價值高，因此對數(shù)據(jù)的來源和質(zhì)量的把控對于工業(yè)智能的落地顯得尤為重要。

數(shù)據(jù)來源管理

在數(shù)據(jù)來源方面，需要根據(jù)待解決的問題倒推確定數(shù)據(jù)需求。對已有在監(jiān)控的數(shù)據(jù)，系統(tǒng)可以直接接入；而對現(xiàn)有的系統(tǒng)無法監(jiān)控的，則需要利用傳感器來采集。

以高鐵軸承故障預測為例，旋轉(zhuǎn)機械的故障診斷用很多經(jīng)典的方式就可以實現(xiàn)，但其難點在于如何在變轉(zhuǎn)速的情況下自動分析、智能診斷，準確判斷故障的發(fā)生，并自動提供判據(jù)（如何時維修等）。

高鐵每運行一段時間都需要進行定檢，目前大多是老師傅根據(jù)經(jīng)驗來判斷故障。天澤智云基于機理，以51.2Hz的采樣率進行振動數(shù)據(jù)采樣，用邊緣計算的方式，將分布式數(shù)據(jù)采集與特征提取、降噪等過程前置，放在本地處理，可將130Mb/s的數(shù)據(jù)量降低到5Kb/s的特征數(shù)據(jù)，并基于事件進行原始數(shù)據(jù)推送與分析，有效達到了故障預測的目的，是高鐵運維成本降低的關(guān)鍵技術(shù)。

數(shù)據(jù)質(zhì)量管理

數(shù)據(jù)質(zhì)量對數(shù)據(jù)驅(qū)動的模型效果非常重要。提前獲得足量、連續(xù)、高質(zhì)量、能夠代表所建模對象行為的數(shù)據(jù)，是保證模型效果的必要條件。

針對數(shù)據(jù)“壞點”多（奇異值、缺失值、超限值），樣本不平衡，數(shù)據(jù)缺乏，標簽缺乏等問題，提早進行數(shù)據(jù)探索，在DT/PT/AT各個層級都對輸入輸出數(shù)據(jù)進行質(zhì)量校驗，模型/數(shù)據(jù)層面處理樣本不平衡，在建模無數(shù)據(jù)時，結(jié)合領域知識，進行模型冷啟動。

案例：基于SCADA信號的發(fā)電機軸承故障預警

以風電預測性維護為例，新風場缺乏數(shù)據(jù)來源，對于數(shù)據(jù)驅(qū)動的算法很難做到準確預測，可類比同類型的其他風場數(shù)據(jù)，前置分析活動，冷啟動模型?；赟CADA系統(tǒng)，將模型預測量與實際量做對比，根據(jù)殘差分布判斷其是否有異常。模型的冷啟動技術(shù)有以下優(yōu)點：

可快速上線：僅使用~10天滿足工況的數(shù)據(jù)即可完成參數(shù)擬合；

受工況影響較小：在不同負載、不同季節(jié)仍然有較好的預測效果；

模型可解釋性強：可基于參數(shù)物理含義和取值偏移，初步判斷故障原因。

好的模型不是被設計出來的，而是被迭代出來的?；谠摾砟睿鞚芍窃崎_發(fā)了一套完整的工業(yè)智能研發(fā)平臺，能有效管理模型全生命周期，幫助提升團隊效率，更好地服務于客戶。

03、價值

對于價值層面，金超博士指出，算法不等于模型，模型不等于產(chǎn)品，產(chǎn)品也不等于能夠真正為用戶提供價值的系統(tǒng)。工業(yè)智能應用要最終實現(xiàn)價值，還需要OT的導入。

以鋼鐵行業(yè)的高爐煤氣管網(wǎng)平衡系統(tǒng)為例：高爐在燃燒的時候會產(chǎn)生廢氣，主要成分是一氧化碳，直接排放將造成污染和浪費。因此很多企業(yè)將高爐產(chǎn)生的煤氣應用到下游單位，包括軋鋼、自備電廠等。以往的方式是通過動力部門打電話的方式進行協(xié)調(diào)，這種方式會造成很大的管網(wǎng)壓力波動。

高爐煤氣管網(wǎng)平衡系統(tǒng)相當于為各個煤氣使用單位提供了一個“導航系統(tǒng)”，可直接告訴各個用氣單位的操作員使用多少，如何協(xié)調(diào)。該系統(tǒng)在落地時，對不同層級、不同部門開展了三十多場培訓，建立對系統(tǒng)的信任，同時形成了規(guī)章制度，涵蓋應急情況處理方法、KPI管理機制等。對系統(tǒng)終端用戶的培訓，現(xiàn)場操作結(jié)合，并且對激勵制度進行適應性改革，才能夠真正讓系統(tǒng)被使用起來，并且越用越能夠持續(xù)交付價值。

結(jié)語

工業(yè)智能技術(shù)能否落地，并不取決于技術(shù)本身，技術(shù)本身并不創(chuàng)造價值。而價值轉(zhuǎn)型的關(guān)鍵，最終取決于這些新技術(shù)將如何被應用。

應用好工業(yè)智能技術(shù)，不僅僅是技術(shù)問題，更是管理問題：需要明確痛點，確保數(shù)據(jù)來源與質(zhì)量管理，模型部署上線后不斷優(yōu)化迭代，對模型全生命周期進行全面管理，最終形成業(yè)務閉環(huán)，才能真正為企業(yè)創(chuàng)造價值。