作者：吕海洋
一台风力发电机的叶片上刚刚涌现了一处沿展向 0.5 米旁边的雷击开裂，风电机组的预测性掩护系统立时给风场运维职员发出了损伤和维修警报……
风机叶片是由复合股料制造而成，其构造比其他金属类机器部件更繁芜。作为风机最主要的部件之一，它占了总本钱的近 20% 旁边。叶片雷击损伤开裂，是风机最常见的失落效模式之一，在硕大的风机叶片上，一道不敷 1 米的浅缝隙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繁芜的物理环境，如风、雨、冰、雷电、高低温等。这些繁芜的多重的物理环境，与复合股料材料自身的属性的特异性叠加，会产生不同物理效应，甚至于很难大略识别（或者判断本钱太高）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落故障率。
传统的工业生产，基于物理或化学的硬机理模型，经由几十乃至百年的生产验证，形成工业规程。在很多工业领域，工人可以根据过往履历人为判断何时须要检修和掩护。而在新型工业场景中，数据驱动的工业 AI 模型可以在短韶光通过机理领悟数据驱动剖析，迅速挖掘出导致故障的剖析洞察，并且在运行过程中有效地把专家履历固化下来，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，一些风场乃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。且不说涌现停机、设备破坏的丢失，风场为了保护设备、担保正常运行做的定期维修、掩护，就要耗费巨大的人力、交通等本钱，相应的设备 Know-How 知识沉淀就变得极有代价。
设备昂贵、破坏无规律、难预测、掩护频率低但破坏影响大、掩护本钱高，是预测性掩护的范例运用处景，风电设备可以说完备符合这些特点。
作为工业 AI 在现阶段的头号运用，基于 AI 剖析的预测性掩护，可以在工业生产流程中实现精准管控，最小化停机、停产韶光，大幅减少资源、产能摧残浪费蹂躏。
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，才能依赖自己的履历找到缘故原由。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 106 万亿元，人工智能在工业领域的运用可以为工业节省 1% 以上的本钱，以 AI 单个项目能为企业创造三倍的代价来打算，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，2025 年人工智能制造市场规模将达 172 亿美元，预测期（2018-2025 年）内的年复合增长率为 49.5%。Automation Technology 则预测到 2035 年，人工智能对制造业增值占比可达 2.2%，排名社会 16 个紧张行业之首。
在千亿市场蛋糕的诱惑下，工业智能市场一片繁荣，大大小小的工业技能、AI 技能、IT 技能供应商挤满了这条赛道。截止目前，中国工业互联网家当同盟已有的会员单位超过 1600 家，海内工业智能平台和运用数量在环球范围均占比颇高。
很多企业认为 IoT、大数据、人工智能这些背后的逻辑便是数据剖析，To C 也好，To B 也好，工业也好，消费品也好，都是数据驱动技能，只要把数据采集和剖析做好，就能得到放之四海皆准的「技能公式」。然而，工业智能与互联网的智能有着实质的差异。
在工业场景中 IT 与 OT，机器与电器、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，大多是仿照旗子暗记，并非数字旗子暗记，每个旗子暗记都有其背后的机理含义，网络数据往后要对数据进行处理才能运用。
「我曾经打仗过一个企业，他的核心设备是一个 0.5 秒每次的往来来往机构，但企业最初建立的大数据系统网络的数据都因此 1 秒为单位的，这样的数据对付工业智能来说很难起到实际浸染。」天泽智云 CEO 孙昕说，工业中要做精确的故障诊断每每要用到高频数据，包括声学旗子暗记、振动加速度等。常日采样频率足够高了往后，尤其针对旋转类机器部件，才能识别到故障早期的细微变革。而如果故障的早期没有细微变革表现，常日是无法诊断的。这样的场景，只用通用的 AI 剖析思路和数据采集方法很难给客户创造实际代价。
此外，对付工业 AI 来说大数据并非须要绝对的「大」。无论是预测性掩护还是毛病检测，只有涌现「不正常」情形时的数据才是有效数据，因此工业界运用的大数据常被称为「Big Small Data」。
风机发电机轴承的温度传感器显示温度过高时，工程师不能立时拆机检讨；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演习数据，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，就须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 演习的过程中，更须要的是结合场景 Know-How，根据目标要识别的故障模式，采集与这些目标故障干系的数据。这些数据可能是高频振动、声音，也可能须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、可规模化运用的预测性掩护系统，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康健管理办理方案，并自主研发了领悟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、与构造应力数据，经由领悟机理特色增强的 AI 剖析判断构造开裂、前缘堕落、螺栓断裂等风险因子，利用专家知识领悟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赖工人履历去「定性」剖析转变成了依赖数据的「定量」剖析，包括故障模式、故障等级、设备损耗风险程度等，为用户决策维修机遇、制订维修策略供应量化依据，真正打通数据与决策之间的鸿沟，帮助用户降落运维本钱。
工艺履历沉淀与智能化升级
优化能源管理是工业人工智能的另一个重点运用领域。据不完备统计，大型工业系统正花费着环球能源的 54％。冶炼企业是能源花费大户，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繁芜，能效提升的推动过程会碰着各种困难。范例问题之一是煤气产用不平衡，而且每个工序的突发非常，都将影响全体管网压力的颠簸。
产用的不屈衡可能影响正常的生产运营乃至不必要的摧残浪费蹂躏。比如说，煤气颠簸过大时造成燃烧效率降落，纵然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摧残浪费蹂躏，煤气压力过低会造成末端工序因生产条件无法知足而临时停产。这样不仅会造成巨大的经济丢失，也会造成环境污染。
为办理这些问题，须要有效地折衷煤气跨工序的协同调度，构建煤气智能平衡系统，为管理者供应数字化管理的抓手，为动力调度和一线操作员供应操作赞助决策建议从而提高事情效率。
山东某钢铁企业在工业 AI 技能的实践中，将高炉煤气智能平衡系统支配在各个分厂的集控室中，与生产密切合营。系统可以实时监测管网压力和各设备产用气颠簸，并通过智能模型的预测和打算，为一线操作员供应实时用气建议，使得各工序煤气的利用既能知足本工序的工艺哀求，又能实现跨工序间的用气协同。
当发生非常情形时，系统也可以实时关照动力调度员和管网各工序操作员，实现更敏捷的调度相应。末了，系统也供应了对煤气颠簸的归因剖析，帮助干系部门剖析问题缘故原由，持续改进。
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（由于炉况非常造成的煤气发生量剧烈低落征象）事宜进行预警。
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颠簸。同时对非常的用气情形进行检测，将不按照规范利用煤气的操作在各个操作工序间进行广播，既对此类征象进行了有效地监督，还可以提醒各个工序对此类征象可能对自身生产带来的影响进行评估和预防。
末了，结合管网的压力趋势预测和非常事宜的影响剖析，对发电锅炉的用气调度指令进行决策建议，终极达到稳定压力的浸染。
据估计，高炉煤气智能平衡系统估量将为该企业带来年化经济收益 2300 万元。与此同时，系统的标准化操作建媾和非常问题追溯也为能效风雅化管理供应了新的抓手，促进了系统与运营能力的持续发展。
「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，个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备不同的业务逻辑，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，但也使得本日的工业互联网行业涌现了「平台林立，运用丛生」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 更善于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掌握的无人值守和可靠运维管理；ABB 的 Ability 则更善于自动扮装备、边缘真个一体化数字化能力。
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，则更关注智能化运用的行业履历及与自身业务的契合度。
辛辛那提大学讲席教授李杰教授主导的美国 NSF 智能掩护系统中央（IMS），针对工业人工智能的预测性剖析掩护提出，在传统的基于专家的规则和机理模型的根本之上，通过数据中蕴含的洞察建立工业 AI 模型。
基于不断累积新的知识，形成可以持续传承、迭代的模型和行业模板，并逐步构建成体系化的工业人工智能系统。利用大量的数据和自动化掌握相结合，搭建可以从数据到知识再到实行的闭环。由此，工业智能开拓者们正在差异化的行业和设备之间，探求 AI 模型跨行业复用的可能性。
2020 年疫情期间，天泽智云的几个工程师带着叶片卫士背后声音识别的模型，做了个实验：参加了科大讯飞组织的 AI 开拓者大赛。他们用判断风电叶片故障的声音算法中的可迁移模块，改造出了一款能够通过哭声判断婴儿感情的 AI 模型，并赢得了声音识别算法比赛的第二名。
风电叶片和婴儿呜咽明显是两个天差地别的碎片化场景，虽然工业 AI 运用目前不存在包打天下的产品，但 AI 的算法模型可以通过参数修正和共性组件的迁移在相似的算法学习任务中实现复用。
从风电叶片到婴儿呜咽，其背后的 AI 模型迁移能力来自「模力工场」的 ModelOps 敏捷开拓模式，工程师和行业专家可以在同一平台、同一套措辞下事情。从理解需求、定义需求出发，构建跨领域、跨部门、跨阶段、跨环境的工业人工智能体系，从数据的采集与管理，到算法的设计、探索、验证，以及支配和监控，形成以模型为驱动的工业人工智能平台。
孙昕认为，「工业 AI 中，还没有涌现放之四海皆准的模型，但可以通过大量实践履历抽炼出最高通用性的模型，从而实现跨场景跨行业的适用性。」
AI 模型复用，是结合行业履历，提取不同场景中的相似问题，通过优化调参实现场景间的迁移。就像汽车根据不同地形改换轮胎，切换驾驶模式一样。
这种复用和场景迁移也须要大量的行业知识积累，跨行业运用只是根本，在此之上，工业智能还要具备冷启动的能力。「在切换场景、切换设备、切换位置之后，不须要再去搜集大量的故障数据，算法工程师也不用再重头做模型演习，这样的 AI 才能知足工业运用的落地需求。」孙昕如是说。
生产「工业智能组件」的流水线
工业领域最主要的是懂背景、懂机理，纯挚地做采集数据、剖析数据是没故意义的，工业运用的研发和履行过程中最大的痛楚是工业和工程的技能整合的过程。
工业运用要结合行业履历，但 IT 工程师和行业专家之间「措辞不通」。孙昕认为，「让这些不同领域的团队领悟到一起须要经历漫长的化学反应，因此工业智能须要由工业 + 工程双基因驱动的平台实现。」
让专注智能运用的 IT 技能公司把「千厂千面」的工业知识学个遍，这显然不切实际，因此把智能化技能赋能到运用企业中才是最佳方案。
「授人以鱼不如授人以渔，交付产品不是赋能的终点，而是出发点。」孙昕认为，工业客户对人工智能的需求不但限于一款运用产品，而是运用 AI 的能力。「我们希望打造一套工业 AI 的根本举动步伐。客户须要 AI，我们可以直接供应成型的 AI，但我们更希望把造 AI 的技能、生产线交给客户，让客户在碰着新的痛点时能自己去造 AI 模型，自己去办理问题。」
上文先容的高炉煤气智能平衡系统是钢铁行业运用工业 AI 的范例项目，项目上线后的一年中，该山东钢铁企业持续对 AI 技能模型进行研究，采取与煤气平衡系统培植类似的方法论，深入挖掘生产部门需求，在系统上不断丰富功能，开拓了更多环保指标监测、加热工艺剖析的可视化工具，为各工序主操供应全方位的用气决策赞助。以煤气平衡系统为代表，数字化智能化生产的理念在该企业逐渐生根萌芽。
工业智能平台的上风便是随着项目的增多，平台上积累的模型就会逐渐丰富，而这些模型便是工业智能运用中最宝贵的知识资产。随着针对通用设备的模型和算法不断积累，在每个碎片化场景中都能找到可以迁移复用的模型，平台也就更加通用，适应于更广泛的场景，终极根本性的办理碎片化问题，「本日看到的碎片化问题，将来一定没有这么多碎片化。」
目前，天泽智云的大多数工业智能项目，一期工程只须要 4-6 个人的小团队，在 4 个月的韶光内就能把一个从零开始的工业智能项目完备落地到企业中。
「虽然我们现在每天都会面对新的场景，但只要结合行业履历，把对的数据采集好，用我们沉淀的行业履历和算法模型去落地，很快就能看到效果。」孙昕说，与用户互助过程中，优先制订清晰的互助框架，确定要办理的问题。常日 AI 项目上线一年创造的代价，就能帮客户收回一期投入的本钱。
工业 AI 虽然不像传统 C 端业务那样高速增长，但贵在稳定，且随着技能的逐渐成熟，运用的不断推广，市场将会越来越大。风电行业的后运维市场规模就超过了 300 亿，目前的年复合增长率是 25%，钢铁行业的能耗每年有 600 亿市场，化工也是几百亿。
「我认为武断走工业 AI 这条路是没有错的。」自 2017 年以来，天泽智云的年均匀增长靠近 100%，对付工业 AI 市场的未来，孙昕很乐不雅观。
