伴隨數(shù)字化浪潮洶涌而至，作為核心驅(qū)動(dòng)力的人工智能迎來(lái)飛速發(fā)展，從賦能千行百業(yè)到追逐星辰大海，人工智能已悄然融入世界的方方面面。相比商業(yè)應(yīng)用的深度和廣度，目前人工智能在工業(yè)領(lǐng)域的潛力仍需持續(xù)挖掘。隨著人工智能步入發(fā)展新階段，推進(jìn)人工智能與工業(yè)場(chǎng)景融合以釋放巨大潛能，將成為產(chǎn)業(yè)關(guān)注的重點(diǎn)。

工業(yè)人工智能的起點(diǎn)是客戶痛點(diǎn)和需求

站在新一輪工業(yè)科技革命和中國(guó)加快轉(zhuǎn)變經(jīng)濟(jì)發(fā)展方式的歷史性交匯處，工業(yè)人工智能已經(jīng)成為當(dāng)代工業(yè)企業(yè)邁向未來(lái)、實(shí)現(xiàn)工業(yè)高質(zhì)量發(fā)展的必答題，人工智能也成為了越來(lái)越多行業(yè)提升競(jìng)爭(zhēng)力的選擇。

那么，什么是工業(yè)人工智能？工業(yè)人工智能是實(shí)現(xiàn)工業(yè)大數(shù)據(jù)轉(zhuǎn)化為有效信息、抽象為模型、輔助人類進(jìn)行精準(zhǔn)決策、高效執(zhí)行的過(guò)程，它基于算法與模型挖掘工業(yè)世界中的“隱性知識(shí)”。

盡管人工智能已經(jīng)被熱議多年，但人工智能在工業(yè)領(lǐng)域一直面臨“落地難”的窘境，究其原因還是在于其落地過(guò)程常常容易走入一個(gè)誤區(qū)，那就是一談到工業(yè)數(shù)據(jù)賦能就會(huì)想成是大平臺(tái)，而往往忽略了數(shù)據(jù)能為客戶創(chuàng)造哪些切實(shí)的價(jià)值。數(shù)據(jù)是人工智能的基礎(chǔ)，但工業(yè)人工智能的出發(fā)點(diǎn)并不是數(shù)據(jù)，而是客戶痛點(diǎn)和需求。這正是工業(yè)人工智能和泛化人工智能之間最核心的區(qū)別所在。

工業(yè)向智能化轉(zhuǎn)型升級(jí)是跨領(lǐng)域多學(xué)科的系統(tǒng)工程，而工業(yè)各領(lǐng)域都經(jīng)過(guò)了長(zhǎng)達(dá)數(shù)十年乃至數(shù)百年的發(fā)展，因此工業(yè)人工智能技術(shù)之于工業(yè)，絕不應(yīng)該是“顛覆者”，而應(yīng)是“融入者”，因此以工業(yè)客戶的痛點(diǎn)和需求作為切入點(diǎn)，將智能化技術(shù)導(dǎo)入工業(yè)生產(chǎn)過(guò)程才是行之有效的手段。

以設(shè)備預(yù)測(cè)性維護(hù)為例，我們需要結(jié)合領(lǐng)域經(jīng)驗(yàn)，用結(jié)果倒推的方式來(lái)設(shè)計(jì)整個(gè)技術(shù)方案：首先根據(jù)客戶需要，選取合適的目標(biāo)故障設(shè)備和故障類型，要知道不同的故障類型開展預(yù)測(cè)性維護(hù)的價(jià)值也不同，因此不同的行業(yè)、不同的企業(yè)、不同的時(shí)間階段，客戶的痛點(diǎn)和需求都不盡相同。而后，提取與痛點(diǎn)相關(guān)的數(shù)據(jù)，而不是全量數(shù)據(jù)，比如關(guān)鍵設(shè)備的關(guān)鍵故障類型的相關(guān)數(shù)據(jù)，同時(shí)需要充分結(jié)合生產(chǎn)運(yùn)行過(guò)程中環(huán)境干擾以及復(fù)雜工況等影響因素，建立有效的預(yù)測(cè)預(yù)警模型。同時(shí)針對(duì)識(shí)別到的潛在故障風(fēng)險(xiǎn)，進(jìn)行相應(yīng)診斷，并為現(xiàn)場(chǎng)工程師提供檢維修方案或措施建議，只有這樣才能為工業(yè)客戶真正解決實(shí)際問題。

工業(yè)人工智能構(gòu)建“蘊(yùn)含知識(shí)”的模型

近年來(lái)，工業(yè)領(lǐng)域中依賴專家經(jīng)驗(yàn)代代傳承的模式正遭遇巨大挑戰(zhàn)，利用人工智能將核心經(jīng)驗(yàn)與知識(shí)固化下來(lái)變?yōu)榭蓚鞒械馁Y產(chǎn)，將成為大勢(shì)所趨。而在此過(guò)程中，關(guān)鍵問題在于如何將數(shù)據(jù)特征和機(jī)理特征（行業(yè)經(jīng)驗(yàn)）深度融合在一起，將制造知識(shí)和“老師傅”的經(jīng)驗(yàn)轉(zhuǎn)換為能夠被數(shù)字世界理解的“蘊(yùn)含知識(shí)“的模型，從而捕捉那些難以規(guī)則化但“老師傅”或行業(yè)專家能夠感性認(rèn)知的復(fù)雜特征，進(jìn)而洞察并預(yù)測(cè)制造過(guò)程中還未發(fā)生的不可見問題，幫助企業(yè)規(guī)避潛在風(fēng)險(xiǎn)、實(shí)現(xiàn)降本增效。

以某流程行業(yè)典型動(dòng)設(shè)備故障預(yù)警功能的實(shí)現(xiàn)為例，通過(guò)實(shí)驗(yàn)我們發(fā)現(xiàn)，采用純數(shù)據(jù)驅(qū)動(dòng)的方式建模，訓(xùn)練數(shù)據(jù)需要至少3-6個(gè)月，且生成的模型仍會(huì)較大地受到環(huán)境影響，易出現(xiàn)誤報(bào)。而采用結(jié)合經(jīng)驗(yàn)與機(jī)理的建模方式，通過(guò)譜峭度、機(jī)械特征參數(shù)、環(huán)境參數(shù)等機(jī)理輸入，并引入工況經(jīng)驗(yàn)，對(duì)人工智能技術(shù)進(jìn)行有效引導(dǎo)，構(gòu)建設(shè)備健康狀態(tài)預(yù)警模型，而這種方式將所需訓(xùn)練數(shù)據(jù)量降低達(dá)1個(gè)月左右，其最終的預(yù)測(cè)效果也更為理想。

人工智能落地需要人與技術(shù)的結(jié)合

雖然我們對(duì)人工智能賦能工業(yè)充滿期待，但必須承認(rèn)人工智能黑盒式的“一鍵美顏”解決方案很多時(shí)候并不適用于工業(yè)場(chǎng)景。技術(shù)落地過(guò)程中的可信任度和安全性對(duì)于企業(yè)非常重要，因此人工智能在工業(yè)落地的重點(diǎn)在于人與技術(shù)相結(jié)合，即通過(guò)客戶的參與，共創(chuàng)適合企業(yè)的蘊(yùn)含知識(shí)的模型，由此將人工智能在計(jì)算和記憶力、感知方面的優(yōu)勢(shì)，以及人類在認(rèn)知、推理方面的獨(dú)特能力有機(jī)結(jié)合起來(lái)，左右腦互用，提供一種透明的“理解”算法，讓工業(yè)人工智能切實(shí)發(fā)揮其作用。

預(yù)測(cè)性運(yùn)維系統(tǒng)SiePA就是西門子與客戶讓人工智能在工業(yè)落地的一次積極探索。SiePA基于工業(yè)人工智能技術(shù)和西門子深耕工業(yè)積淀的行業(yè)知識(shí)，通過(guò)預(yù)測(cè)預(yù)警模塊與智能排查診斷模塊，對(duì)設(shè)備運(yùn)行風(fēng)險(xiǎn)、故障診斷及維護(hù)策略進(jìn)行判斷，并給出推薦方案。對(duì)于客戶，SiePA相當(dāng)于提供了一個(gè)分析模板，在此基礎(chǔ)上客戶將工廠的實(shí)際狀態(tài)和行業(yè)知識(shí)映射到模板中固化成模型，然后應(yīng)用到具體業(yè)務(wù)場(chǎng)景。此外，SiePA還可以隨著新需求不斷升級(jí)迭代，實(shí)現(xiàn)對(duì)人工智能模型的全生命周期管理，形成持續(xù)優(yōu)化的閉環(huán)。SiePA體現(xiàn)的這種人工智能+人類智能的“白盒”特征已在包括石油化工、水泥、城市供水、冶金等多個(gè)行業(yè)落地，并得到了行業(yè)專家的高度認(rèn)可，目前西門子也在積極探索與設(shè)備生產(chǎn)廠商及設(shè)備服務(wù)商等企業(yè)的合作模式。

除了機(jī)理特征維度的合作共創(chuàng)，西門子在推進(jìn)工業(yè)人工智能落地過(guò)程中還采取不同的互動(dòng)方式，賦能于人。例如，西門子一直著力于構(gòu)建工業(yè)人工智能的共創(chuàng)生態(tài)圈，通過(guò)更為深入的合作共創(chuàng)與溝通，針對(duì)不同行業(yè)中一些典型的場(chǎng)景，幫助客戶更好地梳理相關(guān)場(chǎng)景中的需求、共同尋求合適的方案、實(shí)現(xiàn)“數(shù)據(jù)變現(xiàn)”，西門子愿與合作伙伴一起讓人工智能真正在工業(yè)場(chǎng)景落地生根。

三大應(yīng)用場(chǎng)景落地工業(yè)未來(lái)可期

除預(yù)測(cè)性維護(hù)這一重要的應(yīng)用領(lǐng)域，從工業(yè)的行業(yè)特點(diǎn)和人工智能技術(shù)路徑來(lái)看，工業(yè)人工智能在強(qiáng)化感知、銳化運(yùn)營(yíng)、優(yōu)化控制三個(gè)典型應(yīng)用場(chǎng)景中將大有可為。

強(qiáng)化感知體現(xiàn)為從傳感到認(rèn)知的變化。以往工廠只注重?cái)?shù)據(jù)的采集和存儲(chǔ)，人工智能算法通過(guò)對(duì)大量數(shù)據(jù)的分析，洞悉出數(shù)據(jù)背后的邏輯從而支持工廠的決策，將無(wú)序的二進(jìn)制數(shù)據(jù)變?yōu)檎嬲母邇r(jià)值數(shù)據(jù)資產(chǎn)。銳化運(yùn)營(yíng)則是專業(yè)基礎(chǔ)上的協(xié)同能力。專業(yè)領(lǐng)域間通常存在清晰的界定，但工業(yè)環(huán)境中的實(shí)際問題常常需要跨領(lǐng)域的經(jīng)驗(yàn)才能解決。企業(yè)迫切需要利用人工智能打通不同領(lǐng)域的壁壘，將知識(shí)和經(jīng)驗(yàn)融合，固化并用來(lái)指導(dǎo)生產(chǎn)。優(yōu)化控制讓現(xiàn)代工廠中無(wú)處不在的自動(dòng)化控制完成從準(zhǔn)確向最佳的跨越，助力企業(yè)實(shí)現(xiàn)智能升級(jí)。

西門子針對(duì)三大典型應(yīng)用場(chǎng)景一直在進(jìn)行積極探索，并推出了相關(guān)產(chǎn)品和創(chuàng)新解決方案。在強(qiáng)化感知層面，預(yù)測(cè)性維護(hù)結(jié)合APS系統(tǒng)將工廠的強(qiáng)化感知能力進(jìn)一步擴(kuò)展到閥門等更多細(xì)節(jié)。在銳化運(yùn)營(yíng)層，SiePA利用自然語(yǔ)言處理以及失效故障與影響分析（FMEA）等，為客戶提供將經(jīng)驗(yàn)固化、傳承的數(shù)字化手段。圍繞優(yōu)化控制，西門子已落地了一些典型應(yīng)用場(chǎng)景，例如水行業(yè)的泵站設(shè)備控制和基于工業(yè)數(shù)據(jù)的泵組優(yōu)化，在冶金行業(yè)可以利用人工智能算法和數(shù)據(jù)，將用料配比、參數(shù)配置等高度依賴專家經(jīng)驗(yàn)的環(huán)節(jié)轉(zhuǎn)化為可以傳承的知識(shí)，讓人類智能在數(shù)字化時(shí)代得以擴(kuò)展和延伸。 

幾十年來(lái)，大概很少有一項(xiàng)技術(shù)能像人工智能一樣承載著人類如此多的憧憬和想象力。而只有將人工智能置于實(shí)際應(yīng)用場(chǎng)景中才能真正打開它的價(jià)值觸點(diǎn)，讓科技有為。正如西門子股份公司總裁兼首席執(zhí)行官博樂仁博士所言：“沒有一個(gè)國(guó)家或組織能夠憑一己之力實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型，或釋放人工智能的全部潛能。人工智能的落地需要不同企業(yè)，不同組織的創(chuàng)新和協(xié)作，而這個(gè)任務(wù)也屬于這個(gè)時(shí)代的你、我以及每個(gè)人?！?/p>