机器之心原创

作者：吕海洋

一台风力发电机的叶片上刚刚出现了一处沿展向0.5米左右的雷击开裂，风电机组的预测性维护系统马上给风场运维人员发出了损伤和维修警报……

风机叶片是由复合材料制造而成，其结构比其他金属类机械部件更复杂。作为风机最重要的部件之一，它占了总成本的近20%左右。叶片雷击损伤开裂，是风机最常见的失效模式之一，在硕大的风机叶片上，一道不足1米的浅裂痕可能对风机叶片承载能力和机组安全造成严重的威胁。

这种昂贵设备的故障，在实际运行中虽然并不频繁，但风电叶片在运行过程中会遭遇多种复杂的物理环境，如风、雨、冰、雷电、高低温等。这些复杂的多重的物理环境，与复合材料材料自身的属性的特异性叠加，会产生不同物理效应，以致于很难简单识别（或者判断成本太高）故障是形成的过程，何时会发生显著的损伤，以及如何通过运维策略降低故障率。

传统的工业生产，基于物理或化学的硬机理模型，经过几十甚至百年的生产验证，形成工业规程。在很多工业领域，工人可以根据过往经验人为判断何时需要检修和维护。而在新型工业场景中，数据驱动的工业AI模型可以在短时间通过机理融合数据驱动分析，迅速挖掘出导致故障的分析洞察，并且在运行过程中有效地把专家经验固化下来，优化原有模型或者形成新的模型。

风电场大多地处偏远地区，一些风场甚至建在一望无际的大海之中，每次运维都要带着备品备件翻山跨海。且不说出现停机、设备损坏的损失，风场为了保护设备、保证正常运行做的定期维修、维护，就要耗费巨大的人力、交通等成本，相应的设备Know-How知识沉淀就变得极有价值。

设备昂贵、损坏无规律、难预测、维护频率低但损坏影响大、维护成本高，是预测性维护的典型应用场景，风电设备可以说完全符合这些特点。

作为工业AI在现阶段的头号应用，基于AI分析的预测性维护，可以在工业生产流程中实现精准管控，最小化停机、停产时间，大幅减少资源、产能浪费。

然而不同工业场景对数据采集、AI模型和行业Know-How的需求大不相同。在很多场景的维修过程中，只有那些常年奔赴在一线运维现场的老师傅，才能依靠自己的经验找到原因。空有传感器、数据平台和AI算法做不出真正落地的工业AI。

有Know-How才有智能

据麦肯锡数据显示中国工业市场体量约有万亿元，人工智能在工业领域的应用可以为工业节省1%以上的成本，以AI单个项目能为企业创造三倍的价值来计算，人工智能在工业领域的市场也至少有千亿之多。

Markets的预测报告认为，年人工智能制造市场规模将达亿美元，预测期（-年）内的年复合增长率为49.5%。AutomationTechnology则预测到年，人工智能对制造业增值占比可达2.2%，排名社会16个主要行业之首。

在千亿市场蛋糕的诱惑下，工业智能市场一片繁荣，大大小小的工业技术、AI技术、IT技术供应商挤满了这条赛道。截止目前，中国工业互联网产业联盟已有的会员单位超过家，国内工业智能平台和应用数量在全球范围均占比颇高。

很多企业认为IoT、大数据、人工智能这些背后的逻辑就是数据分析，ToC也好，ToB也好，工业也好，消费品也好，都是数据驱动技术，只要把数据采集和分析做好，就能得到放之四海皆准的「技术公式」。然而，工业智能与互联网的智能有着本质的区别。

在工业场景中IT与OT，机械与电器、工艺之间，存在很深的鸿沟。例如，工业数据与商业AI的大数据不同，大多是模拟信号，并非数字信号，每个信号都有其背后的机理含义，收集数据以后要对数据进行处理才能应用。

「我曾经接触过一个企业，他的核心设备是一个0.5秒每次的往复机构，但企业最初建立的大数据系统收集的数据都是以1秒为单位的，这样的数据对于工业智能来说很难起到实际作用。」天泽智云CEO孙昕说，工业中要做精确的故障诊断往往要用到高频数据，包括声学信号、振动加速度等。通常采样频率足够高了以后，尤其针对旋转类机械部件，才能识别到故障早期的细微变化。而如果故障的早期没有细微变化表现，通常是无法诊断的。这样的场景，只用通用的AI分析思路和数据采集方法很难给客户创造实际价值。

此外，对于工业AI来说大数据并非需要绝对的「大」。无论是预测性维护还是缺陷检测，只有出现「不正常」情况时的数据才是有效数据，因此工业界应用的大数据常被称为「BigSmallData」。

风机发电机轴承的温度传感器显示温度过高时，工程师不能马上拆机检查；核电设备的主泵、管路振动故障，也很难实现停机深入探查。这意味着，算法建立之初拿到的训练数据，很难有准确而高质量的故障标签。在这些有效数据有限的场景中，就需要更多蕴含机理的数据。「强机理弱标签，弱机理多标签」，工业AI训练的过程中，更需要的是结合场景Know-How，根据目标要识别的故障模式，采集与这些目标故障相关的数据。这些数据可能是高频振动、声音，也可能需要结合工况数据如转速、温度等针对实际问题的多维数据。

为了给风机叶片做一套可行的、可规模化应用的预测性维护系统，作为工业智能公司老板的孙昕就专门招募了一群专注风电领域的产品经理、流体力学博士和叶片设计与运维专家。

在风电专家和算法工程师的共同努力下，天泽智云推出了针对风电行业的智能化健康管理解决方案，并自主研发了融合智能算法的软硬一体化产品「叶片卫士」。通过外加传感器监测叶片扫风声噪、本体振动、与结构应力数据，经过融合机理特征增强的AI分析判断结构开裂、前缘腐蚀、螺栓断裂等风险因子，利用专家知识融合各个因子判断不同故障类型，并及时进行预警。

把风电叶片运维从依靠工人经验去「定性」分析转变成了依靠数据的「定量」分析，包括故障模式、故障等级、设备损耗风险程度等，为用户决策维修时机、制定维修策略提供量化依据，真正打通数据与决策之间的鸿沟，帮助用户降低运维成本。

工艺经验沉淀与智能化升级

优化能源管理是工业人工智能的另一个重点应用领域。据不完全统计，大型工业系统正消耗着全球能源的54％。冶炼企业是能源消耗大户，也是AI能源管理见效最快速的行业。

钢铁联合企业构成非常复杂，能效提升的推动过程会遇到各种困难。典型问题之一是煤气产用不平衡，而且每个工序的突发异常，都将影响整个管网压力的波动。

产用的不均衡可能影响正常的生产运营乃至不必要的浪费。比如说，煤气波动过大时造成燃烧效率降低，即使已投用自动燃烧系统的炉窑也很难达到经济区间。而煤气管网压力过高则导致煤气放散白白浪费，煤气压力过低会造成末端工序因生产条件无法满足而临时停产。这样不仅会造成巨大的经济损失，也会造成环境污染。

为解决这些问题，需要有效地协调煤气跨工序的协同调度，构建煤气智能平衡系统，为管理者提供数字化管理的抓手，为动力调度和一线操作员提供操作辅助决策建议从而提高工作效率。

山东某钢铁企业在工业AI技术的实践中，将高炉煤气智能平衡系统部署在各个分厂的集控室中，与生产密切配合。系统可以实时监测管网压力和各设备产用气波动，并通过智能模型的预测和计算，为一线操作员提供实时用气建议，使得各工序煤气的使用既能满足本工序的工艺要求，又能实现跨工序间的用气协同。

当发生异常情况时，系统也可以实时通知动力调度员和管网各工序操作员，实现更敏捷的调度响应。最后，系统也提供了对煤气波动的归因分析，帮助相关部门分析问题原因，持续改善。

煤气管网的智能调度系统利用机器学习算法建立高炉煤气产生的预测模型，可以对未来4小时煤气产生量曲线进行预测，同时对减休风（由于炉况异常造成的煤气发生量剧烈下降现象）事件进行预警。

结合对煤气产生量和煤气总管压力的预测，首先保障关键用气工序的生产节拍稳定，如多个热风炉换炉节拍，避免由于生产节拍紊乱造成的管网压力波动。同时对异常的用气情况进行检测，将不按照规范使用煤气的操作在各个操作工序间进行广播，既对此类现象进行了有效地监督，还可以提醒各个工序对此类现象可能对自身生产带来的影响进行评估和预防。

最后，结合管网的压力趋势预测和异常事件的影响分析，对发电锅炉的用气调度指令进行决策建议，最终达到稳定压力的作用。

据估计，高炉煤气智能平衡系统预计将为该企业带来年化经济收益万元。与此同时，系统的标准化操作建议和异常问题追溯也为能效精细化管理提供了新的抓手，促进了系统与运营能力的持续成长。

「包打天下」的工业AI模型

上边讲述的这两个案例，只是工业领域「百业百态，千厂千面」的缩影。

「工业」二字包罗万象，其中包含的分支领域难以计数。每个分支都有各自不同的子场景，这些高度碎片化的场景中蕴含着各种各样完全不同的业务逻辑，每个逻辑又对应企业各自的痛点，不同工业领域之间需求的差异化完美地诠释了「隔行如隔山」。

行业的差异化需求给大量专业领域的小微企业创造了生存空间，但也使得今天的工业互联网行业出现了「平台林立，应用丛生」的景象。

即便是同行业，在不同的生产阶段，不同的工业设备也很难实现智能化平台的统一。以工业大厂的智能制造平台为例，西门子的MindSphere更擅长通过数字孪生对工业PLC进行优化管理；施耐德的EcoStruxure在电气化领域实现了基于主动控制的无人值守和可靠运维管理；ABB的Ability则更擅长自动化设备、边缘端的一体化数字化能力。

每家工业大厂都希望能打造跨行业、跨领域的通用平台，从而扩大自己的客群和市占率。但在用户端，则更

转载请注明:http://www.aideyishus.com/lkzp/3279.html