工業發展的痛點在哪？如何成就工業智能？

　　9月15日，2017 NI工業物聯網高峰論壇在北京召開。美國國家儀器公司攜手美國智能維護系統中心(IMS)、北京天澤智云科技有限公司等一同分享物聯網、大數據在工業領域的最新應用、發展趨勢以及實踐案例。NI展示了一大波新產品，如LabVIEW NXG, 支持TSN功能的最新CompactDAQ、SystemLink、InsightCM等。天澤智云技術研發副總裁金超博士在會上分享了“CPS、云計算、邊緣計算在工業智能中的融合探索”的主題演講，天澤智云嵌入式解決方案經理陳星通過Demo為現場來賓展示了天澤智云WindInsight無憂風場智能運維系統平臺。

　　以下是金超博士的演講整理，以傳統工業如何實現工業智能？工業界中的痛點體現在哪里？如何實現工業無憂？如何整合邊緣計算與云計算優勢？以及工業智能化案例分享等維度為大家進行解讀。

傳統工業如何實現工業智能？工業界中的痛點體現在哪里？

　　在解答這兩個問題之前，我們首先需要思考為什么需要工業智能？可以試想一下互聯網如何改變了我們的生活。互聯網革新最明顯的例子是基于地理位置的服務。比如，早年在一輛車上沒有導航設備，我們在一個陌生的城市從A點出發到B點，完全要依靠人的經驗，用地圖、指南針、問路等等。而如今，我們越來越少地看到地圖或指南針，而越來越多地看到智能手機，以及智能手機上面的地圖應用程序。要知道，地圖應用程序不僅僅是地圖而已，在上面我們可以實時地看到發生的事故、交通狀況等，其實是用智能算法和分析代替了人的經驗，用數字互聯的平臺代替了現實中的物體，從出行的角度創造了智慧的鏡像(digital twin)，提供的是智能互聯的無憂出行服務。

　　反觀制造業，其實我們想要看到的所謂工業智能，可能也是類似與互聯網革新式的改變。理想的狀態是，在機器端有這樣一部設備能夠提取出反應機器運轉健康狀態的特征。這些特征既可以在本地經過處理后變為基本的、機器健康信息，也可以被傳輸到云端，通過不同的軟件處理，滿足用戶多樣化、碎片化的功能需求，最終展示在用戶的終端顯示設備上。該系統要以解決實際的用戶痛點為目標，賦予機器自我意識、自我比較以及自我預測的能力，甚至可以通過優化和算法對有些可以補償的故障和早期異常進行維護，達到自我維護。也就是說，機器制造商所生產的并非機器本身，而是為機器使用者提供一種制造能力，幫助實現無憂生產與運營。

　　如今提到工業智能，很多人都會聯想到仿真與自動化。曾經一家以設計可制造性評估仿真軟件的初創公司，為用戶提供可制造性的服務。在用戶提供所設計的產品的規格后，通過對應力等物理指標的仿真考察規格是否合格，設計是否合理。但是，即使他們傳達了可以生產的決策建議后，有些用戶還會找到他們，質疑為什么仿真成功后，生產的產品還是存在缺陷。很明顯，由于在仿真的時候沒有考慮到實際生產中會遇到的一些問題，比如環境因素，機器的使用狀況等，導致仿真的結果并不能反映實際生產產品的質量。而對于自動化，比如制造機器人，它們關注的是控制的平穩度、精確度以及快速性。時間長了機器人的狀態會改變，就要派人重新調試一下，而這被看成了很正常的事情。機器人的狀態衰退并沒有被追蹤、量化，這樣有問題發生才被一遍遍的排查，卻沒有考慮到這是可以避免的問題。這正是“冰山效應”。

　　傳統工業常常誤以為對已產生問題進行自動化檢測就是工業智能，卻未意識到設備時間長了都會有衰退的問題。對衰退的追蹤、量化、與預測性診斷，才是我們工業智能真正需要的。比如飛機機翼的一種失效模式是會出現裂痕，針對這樣的問題，大多數人研究的是如何檢驗裂痕的發生，卻很少人研究裂痕的產生跟什么相關，以及造成裂痕產生的根本原因是什么，或者運行的機制等。而根因分析后對產生問題的機理進行建模，在問題出現前避免問題，才是工業智能價值的最大體現。

　　很多人被大數據的觀念誤導，認為有數據就可以解決一切，其實不是這樣的。解決工業場景的問題其實都是需要很強的領域知識支持，因為從機器中測量的數據都有清晰的物理意義，如何去分析需要有一套適應相關場景的框架，并且有相應的專家知識配套配合來解讀數據意義，從而解決問題。工業智能的使命最終要回歸業務目標、解決行業痛點。所以，只有運用有效的手段，我們的工業才能達到從維護角度，近似零宕機；從產品質量角度，近似零廢品率；從能效角度，近似零浪費的無憂狀態。

如何實現工業無憂？

　　實現這三個零的無憂工業是我們的愿景，然而這個愿景如何實現呢？首先，要有一個本地的代理(local agent)，在采集數據的基礎上，從分析的角度，承擔一定的特征提取以及衰退監測，進行固化的模型處理。現在邊緣計算跟這個領域是相關的。之后，在云端，比如在私有云以及服務器上等計算能力更強的平臺可以做預測性地分析，以及對等比較等更復雜的運算，甚至是模型優化與在線的自適應模型的自我調整。最后，系統產生的健康信息其實是可以輸送到工廠系統，工廠系統可以根據生產計劃給設備維護部門下單，實現維護的優化排期排程。

　　還有一個方面，可以進行控制優化，在本地就解決一些實時的問題。類似的工業場景問題解決多了可以固化下來轉換成領域知識。通過什么形式固化呢？答案就是軟件的形式。過程中如果出現新的狀況，專家可以用他們的領域知識不斷擴充工業知識庫，擴展系統功能，最終實現近似零停機。那么工業知識庫固化下來的知識，對誰的價值更大？其實是產品設計。我們現在做項目過程中不僅僅是跟用戶溝通，也要跟供應商一起進行合作。機器洞察信息實現數字鏡像后，用戶掌握到信息之后可以更好地管理供應商；供應商用這些信息可以拿到產品在使用過程中的第一手資料，來不斷改善產品設計，形成一個閉環的產品壽命周期設計的概念，從而達到無憂生產。

　　要實現這樣的無憂生產系統可以參考李杰教授在2014年提出的CPS信息物理系統的5C架構，是一個從數據獲取到最終價值交付的完整體系，它能夠幫助我們在不同的層級可以更清晰地定義用戶的需求，指導我們開發智能化的工業系統。

如何整合邊緣計算與云計算的優勢？

　　李杰教授在《云上工業智能》這本書里基于煎蛋模型延展出了數據、服務、知識的生態融合圖。核心含義是工業的轉型要切入到服務，才能體現為用戶創造價值。邊緣計算和云計算承載了數據三個生態所具有的不同功能。邊緣計算部署在終端或者邊緣端，除了數據采集，其實是實現嵌入式人工智能的關鍵，因此邊緣端計算的實時性比云端更強。在工業場景中，模型設計完成后應盡量將數據部署在終端。試想，當出現異常狀況，邊緣端如果僅局限于數據采集，只能將數據傳輸到云端進行運算后，再傳回到邊緣端，這就失去了時效性，從而整個過程也就失去了意義。

　　云端承載的是第三方提供的專業性服務，以及更加復雜的運算，比如對模型的優化、算法迭代等相對靈活的部署方式。從邊緣端到云端的生態，被稱為“知識的生態”。這是具有相關領域知識的人能夠發揮最大作用的地方，云端可以承載很多專家的行業知識，以及數據建模技術等服務，從而形成流程、框架以及軟件的知識生態，來支撐包括產業鏈上下游等的服務生態。

　　天澤智云和NI是緊密的合作伙伴，在實現工程化解決方案時，先將工業AI的算法引擎部署在云端；再通過InsightCM或者其他的NI的邊緣計算系統進行對接，承載開發的算法所產生的結果，幫助用戶產生對系統的認知；最后底層通過CompactRIO執行機器學習模型，以及對運算結果進行數據的交流，將運算結果通過InsightCM和Web Server進行發布。同時這一套系統流程也可以針對不同場景的應用需求，通過形成定制化的軟件服務進行發布。

工業智能化案例分享

軌道交通行業的智能化 – 從預防性維護轉變為預測性維護

　　在IMS時候我們跟阿爾斯通的高鐵部門進行合作，參與開發的技術被整合到了在2013-2014年發布的高鐵健康維護系統Health Hub。所開發的技術可以從軌道上判斷這臺車的關鍵設施是好的還是不好的，或者軸承的衰退情況。針對軌道的基礎設施，如道岔機、鐵軌的健康狀態，我們也做了一個分析系統，能夠在載客狀態下，實時判斷鐵軌是否有問題。

　　國內高鐵行業的領頭企業跟天澤智云合作，目的也是希望實現這樣一套智能的高鐵維護系統。目前這個階段是針對組件級，包括幾個非常關鍵的部件，比如剎車系統、牽引系統、以及跟運行安全性相關的系統的預測性維護。比如軸承，我們通過國外的供應商購買軸承，本身昂貴的成本，再加上定期的預防性維護，造成了極大的浪費。究其原因，是企業對高鐵運行安全的憂慮。通過PHM系統量化軸承的衰退狀況，以及精準地管理軸承維護維修的排程計劃，可以實現高鐵裝備的預測性運維及資源運營決策優化。

傳統制造業的智能化 – 從依靠人的經驗更換鋸帶轉變為基于自動識別工況的精準更換

　　很多人關心如何能讓傳統的制造行業也能實現智能化，是不是做數據處理，做一些可視化的東西就能實現智能化？或者有一些具有物理意義的數據提取出來，用專家領域知識去看這些東西就能實現智能化？

　　舉一個帶鋸機床制造商的案例。帶鋸機床的用戶不要求其加工精度有多高，也不要求加工的復雜性，但對加工速度與切割平面的平整度有較高要求。痛點是什么呢？鋸帶是個耗材，總會斷裂，而且更換成本比機床還貴，所以大量的運維成本都是在后續的售后服務上。想控制這個成本，就需要更換的準時性，當鋸帶用到剛好疲勞到不能再切時進行更換，整個的效率才能實現最大化。

　　之前都是依靠人的經驗，通過聽噪音變大了，就進行更換。然而人的經驗不同，判斷標準無法統一化。換得過早會造成浪費，換得過晚就產生非預期斷帶的情況，鋸帶卡在工件里面，還要把未加工好的工件裁掉，這對工件也是浪費。如果發生繃帶斷刀的狀況還會發生安全風險。

　　為了實現更加智能準時地更換鋸帶，首先要通過大量的調研找到哪些是影響刀具狀況的因素，之后根據客戶的需求和期望的業務目標進行數據采集，以及試驗傳感器的部署。在具體實踐中，從控制器與傳感器采集數據建立鋸帶衰退預測系統。根據鋸帶的振動、聲學等特性，以及機器運轉的工況，將采集的數據進行特征提取，進而形成特征矩陣。由于加工的工件材料變化，以及加工過程的工況復雜性，我們用自適應預診方法來建立鋸帶的衰退預測模型。用戶可以在電腦端與移動客戶端實時監測鋸帶的衰退與機器關鍵組件的健康情況，從而在鋸帶剛好要斷裂之前，準時更換。

　　每種類型鋸帶的衰退檔案都被存儲在用戶的私有云中，可以通過系統實時掌握鋸帶衰退的狀況。日積月累，通過對比不同種類鋸帶的衰退模型，用戶也更加清楚地知道每種鋸帶在切割不同形狀、不同材料工件時的性能，在采購鋸帶時還能夠更經濟地管理供應商，獲得更低的成本；鋸帶制造商也可以通過鋸帶衰退曲線，建立洞察，改進鋸帶的性能，減少實驗成本，同時提高耐用性。

　　這個案例在2014年芝加哥的國際制造技術展會(IMTS)上展出，受到了廣泛關注。接下來一年中，帶鋸機床生產商推出了自己的智能化產品，在北美帶鋸機床行業的排名從第八名升至第一名。

　　最后，所謂的工業智能、工業大數據等新興熱詞只有回歸到解決用戶痛點上，才能更好地創造價值。

　　天澤智云嵌入式解決方案經理陳星在峰會現場，通過Demo為現場來賓展示了天澤智云WindInsight無憂風場智能運維系統平臺。

　　風場的管理大概分為三個方面，第一個生產管理，發電在額定功率和不同風速下的發電效能是否能夠滿足生產的要求；第二個是對電機的健康管理，通過遠程狀態監測和故障預測性診斷，提前預警大部件的故障風險，為維護排程提供決策依據；第三方面是智能的運維管理，對風場當中每臺風機的健康狀態和需要進行維護的任務進行綜合分析與優化，能夠降低維護總費用達30%。

　　針對風場管理的這三大需求，天澤智云研發了WindInsight平臺。WindInsight 是一個利用預測性分析及AI技術對風電裝備進行智能化運維管理的平臺，在這個平臺上，客戶可以使用的功能包括對風電裝備的性能評估、預測性診斷、機隊管理、調度優化和維護策略優化等，通過這些功能的組合，能夠幫助風電企業做出更加科學和精準決策，保障風場的無憂運營。

　　從WindInsight無憂風場智能運維系統技術架構可以看到，在設備邊緣端裝有采集設備，能夠采集數據和進行模型部署。陳星介紹到：“我們的方案架構包含了云端和邊緣端，這也是工業大數據場景和普通的大數據場景的區別所決定的。由于工業環境下，會用到高頻采樣的方式，就如同這個Demo所展示的一樣，使用了25.6ks/s的采樣率采集振動信號。如果直接把數據放到云上是有很多的不妥的。首先，數據量巨大，上傳所需的帶寬很大，傳輸成本也很高。其次，提取數據后上傳到云，再運算生成反饋的結果，整個流程延遲非常大，而且不確定。另外，數據價值的曲線是衰退的，如圖：

　　因此，更早的處理數據就會獲取更多的價值。正是由于這種原因，我們需要盡可能地將計算部署在邊緣端進行。而這種計算不僅包含基本的信號調理，也包含通過訓練好的模型計算出來的結果，比如設備的健康值等。

　　最重要的一點，直接使用原始數據通過機器學習等方法進行分析，實際上效果是很受限的。正如我們一直以來所闡述的，原始數據的本身所具有的價值是并不大，真正有價值的是從數據中提取到的信息。我們在邊緣端執行相應的邊緣計算，將原始數據提取出特征信息，進一步將特征信息上傳到私有云或者公有云，完成復雜的PHM相關的計算，是目前為止比較合理的架構模式。NI的CompactRIO架構可以提供比較靈活的傳感器接口和比較豐富的計算資源，這種理念和我們是比較契合的。我們對NI的CompactRIO和InsightCM進行了大量的二次開發，使之能夠實現更多的、貼近用戶需求的計算功能，并且滿足遠程的調度和管理，最終將有價值的信息上傳到云端。邊緣端和云端各有非常重要的作用，二者缺一不可。

　　天澤智云WindInsight無憂風場智能運維系統是天澤智云與微軟Azure云平臺合作實現的，Azure提供了穩定可靠的運行環境和計算能力。不僅能夠為風電企業提供從部件級、整機級到風場級別逐層的設備健康狀態展示和預測，更可以幫助企業準確決策每一臺風電設備需主動維護的安排，準確、靈活地應對設備健康隱患，防止重大突發故障的出現，實現將信息轉化為價值，保障風場的無憂運營。

天澤智云-工業智能實踐引領者

　　天澤智云是IMS中心在北京的技術孵化公司。李教授提倡的主控式創新的理念強調，企業專注于產品本身并不足以為企業提供持續增長的動力，而開發以產品為核心的增值服務來解決客戶痛點才是企業永續創值的機會。秉承這樣的理念，天澤智云對自身的定位是工業智能實踐引領者。通過為用戶提供從頂層設計的方案咨詢，到系統交付與全面實施，以及賦能服務的全棧式端到端解決方案，實現工業智能的落地，幫助用戶實現價值轉型。我們公司的愿景是讓工業無憂。