2018年1月13日，由極客邦科技InfoQ中國(guó)主辦的AICon全球人工智能與機(jī)器學(xué)習(xí)技術(shù)大會(huì)在北京國(guó)際會(huì)議中心召開(kāi)。此次大會(huì)以“助力人工智能落地”為主題，匯聚了國(guó)內(nèi)外知名企業(yè)和頂尖人工智能專(zhuān)家，分享落地案例、探討技術(shù)實(shí)踐，為參會(huì)嘉賓提供了選型方案，提前預(yù)估相關(guān)風(fēng)險(xiǎn)和收益，助推技術(shù)落地行業(yè)。

來(lái)自北京天澤智云科技有限公司的CTO劉宗長(zhǎng)分享了《云計(jì)算、邊緣計(jì)算、CPS與工業(yè)智能》的主題演講。

劉宗長(zhǎng)從工業(yè)智能的定義展開(kāi)演講。未來(lái)的智能工業(yè)系統(tǒng)，能實(shí)現(xiàn)無(wú)憂的工業(yè)環(huán)境。要達(dá)到這個(gè)目標(biāo)需要做到以下三點(diǎn)：

第一、不斷提升工業(yè)的價(jià)值，用公式：質(zhì)量÷成本×客戶價(jià)值表示，即用最小的成本生產(chǎn)出最高質(zhì)量的產(chǎn)品；

第二、讓隱性問(wèn)題顯性化，從原來(lái)被動(dòng)式解決問(wèn)題變成預(yù)防和避免問(wèn)題，實(shí)現(xiàn)三個(gè)零：零意外停機(jī)、零缺陷、零浪費(fèi)；

第三、讓工業(yè)知識(shí)民主化，通過(guò)數(shù)據(jù)挖掘和建模，讓知識(shí)不僅僅服務(wù)于某一個(gè)企業(yè)，而是以一種方式在不同企業(yè)當(dāng)中流轉(zhuǎn)。

如何將工業(yè)智能落地？劉宗長(zhǎng)提出了“ABCDE+O” 技術(shù)體系 – A代表建模分析技術(shù)，B代表商業(yè)分析技術(shù)，C代表賽博平臺(tái)技術(shù)，D代表數(shù)據(jù)管理技術(shù)，E代表工程技術(shù)，O代表運(yùn)營(yíng)技術(shù)，這一龐大的技術(shù)體系將計(jì)算機(jī)科學(xué)、智能建模分析與工業(yè)領(lǐng)域知識(shí)有效地融合，是工業(yè)智能真正落地的全面支撐。

天澤智云首席顧問(wèn)，美國(guó)NSF智能維護(hù)系統(tǒng)中心主任李杰教授提出，無(wú)論是人工智能還是深度學(xué)習(xí)或者任何一種技術(shù)，當(dāng)進(jìn)入工業(yè)領(lǐng)域時(shí)，都必須滿足3S的條件：

Standard(標(biāo)準(zhǔn)化)：即如何與現(xiàn)有工業(yè)系統(tǒng)的標(biāo)準(zhǔn)化體系相結(jié)合，包括方法論、建模過(guò)程、數(shù)據(jù)質(zhì)量、模型評(píng)價(jià)、容錯(cuò)機(jī)制、基于預(yù)測(cè)的操作規(guī)程、不確定性管理等各方面的標(biāo)準(zhǔn)化。如果不能夠和現(xiàn)在已有標(biāo)準(zhǔn)相互去融合，則很難真正將技術(shù)融入工業(yè)，更無(wú)從去產(chǎn)生價(jià)值。

Systematic(體系化)：在技術(shù)層級(jí)和應(yīng)用層級(jí)方面的體系化，需要建立一套協(xié)同體系，明確智能化在部件級(jí)、設(shè)備級(jí)、系統(tǒng)級(jí)和社區(qū)級(jí)等不同層級(jí)中的任務(wù)邊界及相互的接口。我們?cè)诠I(yè)里面發(fā)現(xiàn)無(wú)論是離散型制造還是流程型制造，單點(diǎn)突破很難做到價(jià)值提升，一定是整體系統(tǒng)導(dǎo)入才能實(shí)現(xiàn)。

Sustainable(穩(wěn)定可持續(xù))：與人工智能預(yù)測(cè)的可解釋性和結(jié)果的確定性相似，工業(yè)智能要能夠做到同一組數(shù)據(jù)和同一個(gè)模型，不同的人來(lái)訓(xùn)練得到的結(jié)果都一樣，否則怎么做到制造系統(tǒng)的標(biāo)準(zhǔn)化和一致性管理呢？神經(jīng)網(wǎng)絡(luò)也好，深度學(xué)習(xí)也好，如果它的結(jié)果不可復(fù)現(xiàn)，就很難融入到體系里面去。

因此，人工智能技術(shù)進(jìn)入工業(yè)領(lǐng)域，應(yīng)當(dāng)是融入的方式，而非顛覆者的姿態(tài)。

之后劉宗長(zhǎng)通過(guò)分享天澤智云在風(fēng)電領(lǐng)域的實(shí)踐案例，為在場(chǎng)嘉賓深入淺出地講解了如何將計(jì)算機(jī)科學(xué)、智能建模分析與工業(yè)領(lǐng)域知識(shí)有效地融合，為風(fēng)電產(chǎn)業(yè)實(shí)現(xiàn)智能化的價(jià)值提升。

中國(guó)風(fēng)電行業(yè)在過(guò)去10年中蓬勃發(fā)展，然而風(fēng)電產(chǎn)業(yè)的成本高昂，尤其運(yùn)維成本和管理成本占了非常大的比例。針對(duì)這一挑戰(zhàn)，天澤智云自主研發(fā)了WindInsight風(fēng)場(chǎng)智能運(yùn)維系統(tǒng)，對(duì)風(fēng)場(chǎng)運(yùn)營(yíng)進(jìn)行精準(zhǔn)預(yù)測(cè)與管理、對(duì)風(fēng)機(jī)進(jìn)行健康管理、對(duì)運(yùn)維策略進(jìn)行優(yōu)化，這些都為風(fēng)機(jī)智能化應(yīng)用和風(fēng)場(chǎng)的智能化升級(jí)提供了很大的機(jī)會(huì)空間。

實(shí)體空間中的對(duì)象是風(fēng)機(jī)和風(fēng)場(chǎng)，基于風(fēng)機(jī)運(yùn)行產(chǎn)生的各類(lèi)數(shù)據(jù)進(jìn)行分析，可以對(duì)關(guān)鍵部件健康狀態(tài)和風(fēng)機(jī)的發(fā)電性能進(jìn)行對(duì)稱(chēng)建模，這樣就在賽博空間里建立了風(fēng)機(jī)的鏡像模型?；陲L(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行維護(hù)策略優(yōu)化時(shí)，可以結(jié)合對(duì)未來(lái)三天內(nèi)每臺(tái)風(fēng)機(jī)的預(yù)測(cè)發(fā)電量等信息制定成本最優(yōu)的排程決策，還可以結(jié)合發(fā)電量預(yù)測(cè)給電網(wǎng)調(diào)度提供更好的決策。

賽博空間里這些模型是哪里來(lái)的呢？針對(duì)風(fēng)電應(yīng)用中常用的場(chǎng)景，比如怎么預(yù)測(cè)葉片結(jié)冰，怎么預(yù)測(cè)葉片斷裂和破損等等，用戶可以在GenPro這樣的工業(yè)智能分析建模平臺(tái)中結(jié)合自己的歷史數(shù)據(jù)完成建模，并且部署到前面的生產(chǎn)環(huán)節(jié)當(dāng)中去。接下來(lái)我們分別從生產(chǎn)管理、健康管理和運(yùn)維管理三個(gè)方面介紹人工智能如何發(fā)揮價(jià)值。

風(fēng)機(jī)發(fā)電性能分析

即便風(fēng)場(chǎng)中的每臺(tái)風(fēng)機(jī)都在運(yùn)行，但運(yùn)行效率可能是不一樣的，該如何更合理地評(píng)價(jià)呢？風(fēng)電效率最大的問(wèn)題是對(duì)標(biāo)方式怎么評(píng)價(jià)，受地形、季節(jié)和天氣等因素的影響，當(dāng)這些因素不在同一個(gè)狀態(tài)時(shí)，很難進(jìn)行合理量化。

這里可以引入精益中的對(duì)標(biāo)理念，將個(gè)體與歷史最優(yōu)實(shí)踐做對(duì)標(biāo)。如某一臺(tái)風(fēng)機(jī)隨著時(shí)間，功率曲線發(fā)生了偏移，我們就知道什么時(shí)間點(diǎn)損失的功率最大；另外，同一個(gè)風(fēng)場(chǎng)，同一個(gè)時(shí)間點(diǎn)，一臺(tái)風(fēng)機(jī)與其他風(fēng)機(jī)集群做比較。對(duì)發(fā)電性能進(jìn)行建模之后，就可以用標(biāo)準(zhǔn)的風(fēng)速曲線輸入到所有風(fēng)機(jī)里面，從風(fēng)場(chǎng)視角能夠找到哪些是狀態(tài)好的風(fēng)機(jī)，哪些是狀態(tài)不好的風(fēng)機(jī)，進(jìn)而做優(yōu)先級(jí)排序，或者電網(wǎng)里面做功率分配，是非常好的參考。

故障的預(yù)測(cè)性診斷

影響一臺(tái)風(fēng)機(jī)狀態(tài)的維度非常多，而且不同的信號(hào)對(duì)應(yīng)的故障模式和部件也不一樣。一個(gè)很大的問(wèn)題是很難對(duì)這些數(shù)據(jù)貼標(biāo)簽，大部分情況下都是非監(jiān)督式的學(xué)習(xí)。

面向風(fēng)機(jī)健康狀態(tài)的建模方法，我們采用了非監(jiān)督式的模式識(shí)別算法。比如，一臺(tái)風(fēng)機(jī)，我們只知道它什么時(shí)間是正常的，用模式識(shí)別方法把正常模式記錄下來(lái)。接下來(lái)的數(shù)據(jù)都與正常模式進(jìn)行比對(duì)，判斷它的偏移。在模式識(shí)別過(guò)程當(dāng)中，我們采用了自組織映射圖（SOM），對(duì)幾十個(gè)維度特征進(jìn)行降維，映射到相對(duì)低維環(huán)境當(dāng)中。建立了這樣的模型之后，實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)與之對(duì)比，通過(guò)它們之間的差異性來(lái)判斷現(xiàn)在的狀態(tài)和健康狀態(tài)差異有多大，以及哪個(gè)特征貢獻(xiàn)度最明顯。

具體講一個(gè)場(chǎng)景 - 傳動(dòng)鏈的振動(dòng)分析。風(fēng)機(jī)傳動(dòng)鏈里面有很多振動(dòng)信號(hào)，通常會(huì)被傳回到專(zhuān)業(yè)的振動(dòng)分析師服務(wù)團(tuán)隊(duì)，分析師再去判斷這些頻譜里面是否存在故障。

這里的問(wèn)題是，幾千臺(tái)風(fēng)機(jī)只有幾十個(gè)分析師幫助管理狀態(tài)。所以，每出一次診斷報(bào)告，周期大概需要一個(gè)月時(shí)間。振動(dòng)分析師是知識(shí)以人作為載體非常典型的例子。人去做分析的效率比較低，導(dǎo)致每一次分析的成本和周期也相對(duì)高一些。我們探索的方法是，把這個(gè)分析過(guò)程中使用的信號(hào)處理和特征工程算法用一個(gè)分析流程記錄下來(lái)，再用機(jī)器學(xué)習(xí)算法對(duì)這些分析師用來(lái)判斷傳動(dòng)鏈狀態(tài)的特征進(jìn)行建模，從而代替人對(duì)振動(dòng)信號(hào)進(jìn)行初步的分析，對(duì)于疑似故障的振動(dòng)文件，再將故障狀態(tài)推薦和判據(jù)信息發(fā)給振動(dòng)分析師進(jìn)行確診。

我們從一個(gè)振動(dòng)文件中會(huì)抽取200多個(gè)健康特征，這些特征會(huì)根據(jù)運(yùn)行工況呈現(xiàn)不同的分布狀態(tài)，我們對(duì)一個(gè)風(fēng)場(chǎng)里面上百臺(tái)風(fēng)機(jī)的數(shù)十萬(wàn)個(gè)振動(dòng)文件中進(jìn)行了特征挖掘，找到里面絕大多數(shù)風(fēng)機(jī)特征分布狀態(tài)的模式，這樣就形成了一個(gè)全局的基線。接下來(lái)把每一個(gè)風(fēng)機(jī)的狀態(tài)特征跟訓(xùn)練好的基線進(jìn)行對(duì)比，做差異性判斷。

圖中顏色越鮮亮的地方，表示差異性越強(qiáng)，也就是這臺(tái)風(fēng)機(jī)的狀態(tài)與集群的差異性越明顯。之后對(duì)差異貢獻(xiàn)度進(jìn)行分析，做故障進(jìn)行定位，對(duì)背后所對(duì)應(yīng)的振動(dòng)文件進(jìn)行分析，就能找到相應(yīng)的故障模式。這樣的過(guò)程基本上能夠?qū)崿F(xiàn)實(shí)時(shí)的分析，并且可以把初步的診斷結(jié)果和判據(jù)推送給振動(dòng)分析師，進(jìn)行最后的確診，這個(gè)過(guò)程就把效率提升了很多。

運(yùn)維排程的優(yōu)化

我們知道了哪些設(shè)備出現(xiàn)了早期故障，接下來(lái)該在什么時(shí)間點(diǎn)把故障排除，用什么樣的排程計(jì)劃，使成本降到最低？成本有很多構(gòu)成來(lái)源，包括交通、人力資源成本、維護(hù)的基礎(chǔ)設(shè)施工具等等，最重要的一點(diǎn)是，維護(hù)的風(fēng)機(jī)需要停機(jī)，所造成的發(fā)電損失如何控制。最理想的方式是在風(fēng)速比較小的時(shí)候維護(hù)，風(fēng)速比較高的時(shí)候保持發(fā)電。所以運(yùn)維排程需要考慮的因素非常多。

以外賣(mài)騎手調(diào)度過(guò)程做一個(gè)類(lèi)比。餓了么的外賣(mài)騎手調(diào)度，比如同樣一個(gè)訂單，幾十個(gè)騎手都是備選人群，先預(yù)測(cè)送單時(shí)間，基于預(yù)測(cè)結(jié)果，在一個(gè)優(yōu)化的框架里面進(jìn)行優(yōu)化，然后再迭代，在很多很多種可能性里面去尋找最優(yōu)的可能。

對(duì)于我們風(fēng)場(chǎng)排程也是一個(gè)道理。需要排程的有十幾個(gè)維護(hù)任務(wù)，該讓誰(shuí)做什么任務(wù)，在什么時(shí)間點(diǎn)去做，這里面也有非常多的優(yōu)化空間。這其中我們最注重的是優(yōu)化性能。舉個(gè)例子，一個(gè)風(fēng)場(chǎng)僅僅做20個(gè)維護(hù)任務(wù)，需要對(duì)應(yīng)兩艘船和三個(gè)維護(hù)小組，這背后的成本可能就已經(jīng)達(dá)到上億。

最初我們選擇動(dòng)態(tài)規(guī)劃的方式，包括基于像CPLEX或Gurobi的商用求解軟件，但是發(fā)現(xiàn)它的性能非常差，大概求解完一次的排程達(dá)到最優(yōu)結(jié)果要20小時(shí)左右。后來(lái)又嘗試了其他機(jī)器學(xué)習(xí)方法，比如像遺傳算法、粒子群等等，發(fā)現(xiàn)求解時(shí)間從幾十個(gè)小時(shí)變成十幾分鐘，但客戶體驗(yàn)仍然不夠好，我們希望做到1分鐘以內(nèi)。

因此，我們做了多層的遺傳算法，它的框架根本而言是基于對(duì)決策流程的拆解。第一個(gè)層次里對(duì)最優(yōu)維護(hù)順序進(jìn)行排程，先不考慮時(shí)間窗，只考慮先后順序，先后順序搜索到最優(yōu)情況后，再判斷這個(gè)順序里面最優(yōu)時(shí)間窗是什么，比如一個(gè)任務(wù)和另一個(gè)任務(wù)的最優(yōu)間隔是什么。如此，就比單層的遺傳算法的效率提升了幾十倍。

看一個(gè)真實(shí)的案例效果，對(duì)17組不同維護(hù)任務(wù)進(jìn)行排程，如果用Gurobi優(yōu)化引擎求解時(shí)間大于20小時(shí)，用多層遺傳算法的方法求解時(shí)間約50-70秒。優(yōu)化前完成全部任務(wù)需要20個(gè)小時(shí)，成本是5萬(wàn)多元；優(yōu)化之后，無(wú)論是完成的時(shí)間還是總成本，都減少了30%以上。

這個(gè)過(guò)程里能夠發(fā)現(xiàn)，在獲取到跟設(shè)備狀態(tài)相關(guān)洞察之后，如何給它最好的決策，以此形成了洞察到?jīng)Q策到執(zhí)行的完整閉環(huán)。只有形成了這樣真正的閉環(huán)，才能不斷迭代提升工業(yè)當(dāng)中的價(jià)值。