在智能化落地過程中我們學到了什么？

4月23-24日，2019（第七屆）先進制造業大會暨長三角制造業高質量發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的專家學者、企業家、投資家等近千人參會。北京天澤智云科技有限公司技術研發副總裁金超博士發表《工業智能技術賦能制造價值轉型》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。

天澤智云技術研發副總裁 金超博士

金超博士從制造價值轉型中的誤區出發，分析了人工智能落地工業領域面臨挑戰的根本原因，之后結合豐富的案例總結出工業智能落地的關鍵因素。

制造價值轉型中的誤區

單純靠技術就能驅動轉型（×）

技術只是一種手段，其本身并不能幫助工業提升核心競爭力：降本、增效。

人工智能只是噱頭（×）

人工智能已經在很多產業領域被證明可以產生價值。

引進智能技術就像引進設備（×）

引進工業智能技術，是“換血”，即觀念的轉變，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轉型（×）

不清楚企業自身的真正痛點在哪，一味模仿無法實現轉型。

認知誤區導致工業智能落地難

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

不買賬

客戶所在行業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生。這樣一來，客戶對于新出現的技術或理念能夠輕松解決行業多年來的痛點，一般首先都會持懷疑態度。

不準確

數據驅動的模型非常依賴數據質量。然而，在工業界，前期多是以控制、監控等為目的收集的數據，有時從問題機理角度看，這些數據并不符合數據分析的要求，使得模型在初期會出現不準確的現象。

不使用

在客戶本身就持懷疑態度的情況下，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。

工業智能落地的關鍵及案例分享

如何解決上述問題？工業智能落地的關鍵又是什么？對于此，金超博士指出，人工智能落地的起點或許不應在數據，而應在用戶的痛點。我們需要結合領域知識，用結果倒推的方式來解決問題：提取與痛點相關的數據，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，來為客戶實現價值。

將這些映射到系統架構的四個層級，即OT（運維層）、PT（平臺層）、AT（分析層）、DT（數據層），可形成更易于落地的工業智能模型研發體系。

天澤智云在工業智能落地的經驗

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合的工業智能應用公司。同時，由于很多企業在面臨智能化轉型時不知從何做起，在每個項目開啟之前，通常需要做大量的調研和咨詢工作，綜合價值目標和企業現狀兩個維度，幫助企業找到真正的智能化強需求。

工業企業的目標萬變不離其三：安全，效率，成本。

安全是工業界關注的第一大問題。以風電領域為例，很多廠商在做的SCADA和CMS監控系統，其重要作用之一，就是為了監控可能發生的重大安全事故，保障安全的生產環境。

成本管控在工業企業的流程中起著關鍵的作用，降本增效是所有企業一直以來的宗旨和需求。

對應的目標清晰后，我們需要考慮企業的現狀。

一是IT基礎設施與數據。由于工業領域對數據質量和來源有著更高的要求，如何解決IT基礎設施與數據質量問題成為企業面臨的一大痛點。

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

三是企業管理水平與文化。不同管理水平與文化造成落地應用的規模化程度不同，要使用的工具也就有了區別，所以并不是所有的問題都適合用工業智能技術解決。

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：系統設計的問題，需改進設計

頻率高、影響小：準備更多備件

頻率低、影響小：傳統維護方式

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，解決維修技術積累和人員培養、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、產品可靠性的優點，能夠實現維修技師共享化。

輕量級應用的使用場景

應用的部署可以最快在兩小時內完成。用戶可以通過掃碼的方式，基于時間變量進行現場人員活動管理及監控，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及中小企業，提升整體管理水平。

中級應用——設備物聯

該應用的最主要功能之一是設備物聯。針對事后維修、預防性維護、狀態維修、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，但無法實現不同型號、不同類型設備之間的協同優化。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同的管理，優化設備啟停，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業，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，空壓機系統整體節能3%，冰機系統整體節能2%，對于如此高能耗的產業來說，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，企業已經達到基本的信息化/數字化的水平。預測模型由數據驅動，依賴于高質量數據，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為例：刀具磨耗程度是影響工件質量的關鍵因素。以往通常根據人的經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使用。

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

02、數據的來源和質量

在工業領域，數據量大≠質量高≠價值高，因此對數據的來源和質量的把控對于工業智能的落地顯得尤為重要。

數據來源管理

在數據來源方面，需要根據待解決的問題倒推確定數據需求。對已有在監控的數據，系統可以直接接入；而對現有的系統無法監控的，則需要利用傳感器來采集。

以高鐵軸承故障預測為例，旋轉機械的故障診斷用很多經典的方式就可以實現，但其難點在于如何在變轉速的情況下自動分析、智能診斷，準確判斷故障的發生，并自動提供判據（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經驗來判斷故障。天澤智云基于機理，以51.2Hz的采樣率進行振動數據采樣，用邊緣計算的方式，將分布式數據采集與特征提取、降噪等過程前置，放在本地處理，可將130Mb/s的數據量降低到5Kb/s的特征數據，并基于事件進行原始數據推送與分析，有效達到了故障預測的目的，是高鐵運維成本降低的關鍵技術。

數據質量管理

數據質量對數據驅動的模型效果非常重要。提前獲得足量、連續、高質量、能夠代表所建模對象行為的數據，是保證模型效果的必要條件。

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

案例：基于SCADA信號的發電機軸承故障預警

以風電預測性維護為例，新風場缺乏數據來源，對于數據驅動的算法很難做到準確預測，可類比同類型的其他風場數據，前置分析活動，冷啟動模型。基于SCADA系統，將模型預測量與實際量做對比，根據殘差分布判斷其是否有異常。模型的冷啟動技術有以下優點：

可快速上線：僅使用~10天滿足工況的數據即可完成參數擬合；

受工況影響較小：在不同負載、不同季節仍然有較好的預測效果；

模型可解釋性強：可基于參數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。基于該理念，天澤智云開發了一套完整的工業智能研發平臺，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，模型不等于產品，產品也不等于能夠真正為用戶提供價值的系統。工業智能應用要最終實現價值，還需要OT的導入。

以鋼鐵行業的高爐煤氣管網平衡系統為例：高爐在燃燒的時候會產生廢氣，主要成分是一氧化碳，直接排放將造成污染和浪費。因此很多企業將高爐產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調，這種方式會造成很大的管網壓力波動。

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

結語

工業智能技術能否落地，并不取決于技術本身，技術本身并不創造價值。而價值轉型的關鍵，最終取決于這些新技術將如何被應用。

應用好工業智能技術，不僅僅是技術問題，更是管理問題：需要明確痛點，確保數據來源與質量管理，模型部署上線后不斷優化迭代，對模型全生命周期進行全面管理，最終形成業務閉環，才能真正為企業創造價值。