2018年01月23日 | 助力人工智能落地，AI之于工业意味着什么？

由极客邦科技InfoQ中国主办的AICon全球人工智能与机器学习技术大会在北京国际会议中心召开。此次大会以“助力人工智能落地”为主题，汇聚了国内外知名企业和顶尖人工智能专家，分享落地案例、探讨技术实践，为参会嘉宾提供了选型方案，提前预估相关风险和收益，助推技术落地行业。

来自北京天泽智云科技有限公司的CTO刘宗长分享了《云计算、边缘计算、CPS与工业智能》的主题演讲。

刘宗长从工业智能的定义展开演讲。未来的智能工业系统，能实现无忧的工业环境。要达到这个目标需要做到以下三点：

第一、不断提升工业的价值，用公式：质量÷成本×客户价值表示，即用最小的成本生产出最高质量的产品；

第二、让隐性问题显性化，从原来被动式解决问题变成预防和避免问题，实现三个零：零意外停机、零缺陷、零浪费；

第三、让工业知识民主化，通过数据挖掘和建模，让知识不仅仅服务于某一个企业，而是以一种方式在不同企业当中流转。

如何将工业智能落地？刘宗长提出了“ABCDE+O” 技术体系 – A代表建模分析技术，B代表商业分析技术，C代表赛博平台技术，D代表数据管理技术，E代表工程技术，O代表运营技术，这一庞大的技术体系将计算机科学、智能建模分析与工业领域知识有效地融合，是工业智能真正落地的全面支撑。

天泽智云首席顾问，美国NSF智能维护系统中心主任李杰教授提出，无论是人工智能还是深度学习或者任何一种技术，当进入工业领域时，都必须满足3S的条件：

Standard(标准化)：即如何与现有工业系统的标准化体系相结合，包括方法论、建模过程、数据质量、模型评价、容错机制、基于预测的操作规程、不确定性管理等各方面的标准化。如果不能够和现在已有标准相互去融合，则很难真正将技术融入工业，更无从去产生价值。

Systematic(体系化)：在技术层级和应用层级方面的体系化，需要建立一套协同体系，明确智能化在部件级、设备级、系统级和社区级等不同层级中的任务边界及相互的接口。我们在工业里面发现无论是离散型制造还是流程型制造，单点突破很难做到价值提升，一定是整体系统导入才能实现。

Sustainable(稳定可持续)：与人工智能预测的可解释性和结果的确定性相似，工业智能要能够做到同一组数据和同一个模型，不同的人来训练得到的结果都一样，否则怎么做到制造系统的标准化和一致性管理呢？神经网络也好，深度学习也好，如果它的结果不可复现，就很难融入到体系里面去。

因此，人工智能技术进入工业领域，应当是融入的方式，而非颠覆者的姿态。

之后刘宗长通过分享天泽智云在风电领域的实践案例，为在场嘉宾深入浅出地讲解了如何将计算机科学、智能建模分析与工业领域知识有效地融合，为风电产业实现智能化的价值提升。

中国风电行业在过去10年中蓬勃发展，然而风电产业的成本高昂，尤其运维成本和管理成本占了非常大的比例。针对这一挑战，天泽智云自主研发了WindInsight风场智能运维系统，对风场运营进行精准预测与管理、对风机进行健康管理、对运维策略进行优化，这些都为风机智能化应用和风场的智能化升级提供了很大的机会空间。

实体空间中的对象是风机和风场，基于风机运行产生的各类数据进行分析，可以对关键部件健康状态和风机的发电性能进行对称建模，这样就在赛博空间里建立了风机的镜像模型。基于风机的运行状态进行维护策略优化时，可以结合对未来三天内每台风机的预测发电量等信息制定成本最优的排程决策，还可以结合发电量预测给电网调度提供更好的决策。

赛博空间里这些模型是哪里来的呢？针对风电应用中常用的场景，比如怎么预测叶片结冰，怎么预测叶片断裂和破损等等，用户可以在GenPro这样的工业智能分析建模平台中结合自己的历史数据完成建模，并且部署到前面的生产环节当中去。接下来我们分别从生产管理、健康管理和运维管理三个方面介绍人工智能如何发挥价值。

风机发电性能分析

即便风场中的每台风机都在运行，但运行效率可能是不一样的，该如何更合理地评价呢？风电效率最大的问题是对标方式怎么评价，受地形、季节和天气等因素的影响，当这些因素不在同一个状态时，很难进行合理量化。

这里可以引入精益中的对标理念，将个体与历史最优实践做对标。如某一台风机随着时间，功率曲线发生了偏移，我们就知道什么时间点损失的功率最大；另外，同一个风场，同一个时间点，一台风机与其他风机集群做比较。对发电性能进行建模之后，就可以用标准的风速曲线输入到所有风机里面，从风场视角能够找到哪些是状态好的风机，哪些是状态不好的风机，进而做优先级排序，或者电网里面做功率分配，是非常好的参考。

故障的预测性诊断

影响一台风机状态的维度非常多，而且不同的信号对应的故障模式和部件也不一样。一个很大的问题是很难对这些数据贴标签，大部分情况下都是非监督式的学习。

面向风机健康状态的建模方法，我们采用了非监督式的模式识别算法。比如，一台风机，我们只知道它什么时间是正常的，用模式识别方法把正常模式记录下来。接下来的数据都与正常模式进行比对，判断它的偏移。在模式识别过程当中，我们采用了自组织映射图（SOM），对几十个维度特征进行降维，映射到相对低维环境当中。

建立了这样的模型之后，实时监测数据与之对比，通过它们之间的差异性来判断现在的状态和健康状态差异有多大，以及哪个特征贡献度最明显。

具体讲一个场景 - 传动链的振动分析。风机传动链里面有很多振动信号，通常会被传回到专业的振动分析师服务团队，分析师再去判断这些频谱里面是否存在故障。

这里的问题是，几千台风机只有几十个分析师帮助管理状态。所以，每出一次诊断报告，周期大概需要一个月时间。振动分析师是知识以人作为载体非常典型的例子。人去做分析的效率比较低，导致每一次分析的成本和周期也相对高一些。

我们探索的方法是，把这个分析过程中使用的信号处理和特征工程算法用一个分析流程记录下来，再用机器学习算法对这些分析师用来判断传动链状态的特征进行建模，从而代替人对振动信号进行初步的分析，对于疑似故障的振动文件，再将故障状态推荐和判据信息发给振动分析师进行确诊。

从一个振动文件中会抽取200多个健康特征，这些特征会根据运行工况呈现不同的分布状态，我们对一个风场里面上百台风机的数十万个振动文件中进行了特征挖掘，找到里面绝大多数风机特征分布状态的模式，这样就形成了一个全局的基线。接下来把每一个风机的状态特征跟训练好的基线进行对比，做差异性判断。

图中颜色越鲜亮的地方，表示差异性越强，也就是这台风机的状态与集群的差异性越明显。之后对差异贡献度进行分析，做故障进行定位，对背后所对应的振动文件进行分析，就能找到相应的故障模式。

这样的过程基本上能够实现实时的分析，并且可以把初步的诊断结果和判据推送给振动分析师，进行最后的确诊，这个过程就把效率提升了很多。

运维排程的优化

知道了哪些设备出现了早期故障，接下来该在什么时间点把故障排除，用什么样的排程计划，使成本降到最低？成本有很多构成来源，包括交通、人力资源成本、维护的基础设施工具等等，最重要的一点是，维护的风机需要停机，所造成的发电损失如何控制。最理想的方式是在风速比较小的时候维护，风速比较高的时候保持发电。所以运维排程需要考虑的因素非常多。

以外卖骑手调度过程做一个类比。饿了么的外卖骑手调度，比如同样一个订单，几十个骑手都是备选人群，先预测送单时间，基于预测结果，在一个优化的框架里面进行优化，然后再迭代，在很多很多种可能性里面去寻找最优的可能。

对于我们风场排程也是一个道理。需要排程的有十几个维护任务，该让谁做什么任务，在什么时间点去做，这里面也有非常多的优化空间。这其中我们最注重的是优化性能。举个例子，一个风场仅仅做20个维护任务，需要对应两艘船和三个维护小组，这背后的成本可能就已经达到上亿。

最初我们选择动态规划的方式，包括基于像CPLEX或Gurobi的商用求解软件，但是发现它的性能非常差，大概求解完一次的排程达到最优结果要20小时左右。后来又尝试了其他机器学习方法，比如像遗传算法、粒子群等等，发现求解时间从几十个小时变成十几分钟，但客户体验仍然不够好，我们希望做到1分钟以内。

因此，我们做了多层的遗传算法，它的框架根本而言是基于对决策流程的拆解。第一个层次里对最优维护顺序进行排程，先不考虑时间窗，只考虑先后顺序，先后顺序搜索到最优情况后，再判断这个顺序里面最优时间窗是什么，比如一个任务和另一个任务的最优间隔是什么。如此，就比单层的遗传算法的效率提升了几十倍。

看一个真实的案例效果，对17组不同维护任务进行排程，如果用Gurobi优化引擎求解时间大于20小时，用多层遗传算法的方法求解时间约50-70秒。优化前完成全部任务需要20个小时，成本是5万多元；优化之后，无论是完成的时间还是总成本，都减少了30%以上。

这个过程里能够发现，在获取到跟设备状态相关洞察之后，如何给它最好的决策，以此形成了洞察到决策到执行的完整闭环。只有形成了这样真正的闭环，才能不断迭代提升工业当中的价值。