【干貨】朱衛列:工業智能-工業互聯網的硬核

2020-06-23 14:21:51

來源:CIO時代網

2020年6月14日下午,由CIO時代學院主辦的“第二期能源CIO論壇”于線上成功舉行,本次活動聚焦能源企業的數字化轉型,來自能源企業的專家與CIO們就數字化轉型的話題,展開了熱烈探討。中國華能集團公司原CIO朱衛列發表了主題為《工業智能-工業互聯網的硬核》的精彩演講,內容如下(文字經本人適度做了調整、修改):
\
今天大概從四個方面進行分享:第一,我們迎來了智能工業時代;第二,智能改變工業;第三,工業互聯網推進智能化;第四,如何創造未來。

我們迎來智能工業

人類迎來了智能化時代,但目前的智能化技術是基于大數據與算法技術之上的,因此我們有必要回顧一下數據分析技術。工業企業一直對數據進行著分析,我們最常用的是對比分析,如:每個月、每個季度、每年企業管理者對經營指標的“同比”、“環比”分析,借助于信息化技術,我們常常利用柱狀圖或餅圖等可視化方式幫助我們展示、理解數據。工業領域更深入的數據分析是針對生產數據展開的,流程型工業企業中的生產數據往往是時序數據,例如發電廠里設備傳感器輸出的溫度、壓力、流量等等都是與時間相關的時序數據。對于時序數據的分析方法有專門理論,我們比較常用的大概有兩種:一種是變量受其前一段時刻的影響,即同一個變量在t-1、t-2及t-n時刻的影響程度分析;第二種,按照自變量和因變量之間關系來進行分析,當然也可以結合該因變量在時間維度的影響綜合進行分析。

伴隨著大數據和人工智能技術的發展突飛猛進,過去的幾年,我們的團隊探索出了一條利用工業大數據,神經網絡算法,建立工業模型,繼而解決工業領域的種種難題的方法。在整個過程中,工業設備的傳感器數據被當做輸入量,我們所期待去解決的問題作為輸出量,也就是自變量。一旦這種模型得以建立便可以在工業中進行推廣、應用。

以往對于簡單的系統,數據之間的關系我們可以用畫圖的方式來表達,但是變量維度超過三維以上時,圖是很難畫的。工業設備大都是復雜系統,影響變量數常常超過三個,有些工業系統影響變量個數還會超過幾百個、上千個,如此多的變量其相互之間的關系是以隱函數的形式工作的,我們很難量化這些變量之間的數值關系?,F在,我們采用的機器學習方法,一方面可以求解多維變量之間的定量關系,另一方面,一旦模型建立,模型是連續工作的,可以適用于各種工況。由此看來,機器學習可以幫助我們建立了復雜事物的定量模型,也就交給了我們打開智能工業的一串新鑰匙。

如今我們已經用上述的新鑰匙、新方法在發電領域做了一系列嘗試,例如:對于最復雜的鍋爐系統,通過對鍋爐給煤量、風煤比,磨煤機、引風機、尾部排煙溫度等等大量實時數據進行訓練,尋找到鍋爐及機組的優化模型;在水電站我們對水電設備進行建模、形成數字孿生,從而對設備狀態進行劣化分析,指導狀態檢修;風電領域也做了類似的分析,取得了一系列成果。應該說,如果采用原有的、傳統的統計學和數據分析方法很難實現以上技術突破的。由此,我們有理由相信機器學習在解決多復雜工業問題是有效的、可行的。

智能如何改變工業

我們可以把工業設備的模型稱之為這一設備的數字孿生。有了數字孿生我們便可以對工業設備進行一系列分析,帶來一系列的突破:我們知道,在工業領域雖然許多設備是同一型號的,但是他們運行的小時數和運行的工況不一樣,設備在運行中磨損、損壞的程度不同,他們的檢修間隔時間理應不同。然而過去對于同類設備或者說同一型號的設備,我們只能按照正態分布統計設備的檢修間隔時間,并以此指導設備進行定期檢修,無法做到針對每個設備并根據他們各自磨損程度的安排檢修時間?,F在我們有了每個設備的數字孿生和模型,我們完全可以對設備進行個性化的狀態檢修。原有的大工業、共性化檢修又可以回到了個性化方式處理,這一方面可以防范設備缺陷引發安全事故,另一方面也可以起到減少過度維修,降低檢修成本的作用。

另外,可以通過建立模型,對系統尋優,指導運行優化,這一舉措對于流程型工業企業極為重要、且價值巨大。過去我們較多的是通過小指標考核或性能試驗,尋找運行最佳點,但機組運行過程中燃料成分、磨煤機、風機等等設備的運行狀態實時發生變化,機器學習可以指導運行人員實時動態調整參數,找到最優工況參數,為工業企業節能創造條件。

工業互聯網推進智能化

智能與互聯是工業互聯網的兩大核心內容。工業互聯網的互聯屬性幫助拓展了工業的智能范圍,可以形成更大的“多智能體”。多智能體是由多個自主或半自主的智能體構建成的大型分布式智能系統,多智能體在工業領域可以理解為跨企業、或跨行業的智能應用體,我們曾嘗試在這方面進行一些探索:例如基于區塊鏈的智能倉儲和物資共享、電力市場智能交易系統、煤炭智能采購與交易系統,基于智能化的勞動力市場平臺等,以下僅就部分應用加以介紹。

基于區塊鏈的智能倉儲和物資共享是工業互聯網下的物資管理新模式。以往物資與備件是一廠一備,只考慮本廠的物資存貯,占用流動資金很大,在數據積累上也不夠?;趨^塊鏈的智能倉儲和物資共享平臺,一方面將物資與備件形成共享、另一方面是智能化,智能合約的履約方式提高了工作效率,分布式的架構實現信息共享機制和信息加密。

工業組織的數字孿生,把實體工業組織和數字孿生進行鏈接,把一些企業的經營數據通過互聯、打通,形成數字化的組織。在具體實施過程中,我們開發了 DDC軟件(自主開發),快速、低成本地實現多系統互聯,構成多智能體。2019年Gartner也提出組織數字孿生的基本思路。

工業組織的數字孿生不但要能夠模擬原有經營數據,還應該能夠對企業的經營活動進行某種程度的預測、推演,為此我們開發了動力煤價智能預測軟件。發電領域的煤價是不斷波動的,國內外的煤價波動曲線趨勢也不同。如何在保證國內煤采購協議被認真執行的基礎上,使總的燃煤采購成本最低,這是智能系統要解決的目標課題。我們利用聯邦學習方式,獲取不同系統里的不同的數據進行訓練,目前煤炭市場預測雖然還沒有用于實戰,但實際預測結果看,總體誤差已經非常小了。煤炭價格預測也為工業組織數字孿生奠定了基礎。

如何創造未來

智能化越來越熱,但是國內外對于工業智能的開發、應用案例極少。斯坦福大學剛剛出版了報告《人工智能百年研究》,其中預測了到2030年人工智能在多個行業的應用前景,《報告》認為人工智能未來會在:交通、家庭服務機器人、醫療等領域取得突破,唯獨沒有提到人工智能在工業領域的發展預測。顯然,在工業領域AI被邊緣化了。這從某種程度上可以看出國際主流的人工智能研究沒有進入到傳統工業,他們在工業領域的智能化研究并不領先。但是經過數年的探索,我們對AI在工業領域的前景持樂觀態度。

經過4年智能工業方面的探索,我國水電領域對這一技術越來越認可,應用的拐點即將到來了;火電和風電領域剛剛進入到認知培育期,許多技術與應用還需要更多的試點和驗證,但未來兩三年會有比較大的突破。我們深信這條技術路線會創造巨大的市場,這應是智能工業的最佳路線,前景是美好的。

要實現智能工業,我們應該更多地利用機器學習開發出工業模型,而不應該將重心僅僅停留在圖像識別、語音識別、語義識別技術層面。未來智能工業的核心會轉向模型、數據孿生技術。過去的幾十年間,我國工業飛速發展,相應的DCS、以ERP為代表的工業管理信息化也獲得了一定程度的普及與應用,未來中國工業如何邁向智能化將是我們面臨的新課題和新挑戰,將智能化作為工業互聯網的核心內核,加速推進我國智能工業的發展將是重中之重。

以上是我的分享,謝謝大家,有不對的地方請指正。 




相關資訊

【精彩劇透】“第六屆中國行業互聯網大會暨CIO...

2020-09-08

【精彩回顧】“第十八期央企CIO論壇”圓滿舉行

2020-08-31

“第二期華南CIO同學分享會”成功舉辦

2020-07-30

【活動推薦】CIO時代分享會上海站暨CIO時代學...

2020-07-13
有谁不上班靠炒股赚钱 天中图库3d杀码 中国福建体育22选5 1737百家乐 台湾炒股配资市场行情 云南体彩十一选五电视走势图 北京时时彩官网平 2018炒股巨亏我快疯了 快乐双彩走势图双色球带坐标 急速赛车手机游戏 炒股技巧之十大技巧