劉宗長(zhǎng)

在2000年，IMS中心（Intelligent Maintenance Systems美國(guó)智能維護(hù)系統(tǒng)產(chǎn)學(xué)合作中心）成立時(shí)期，人工智能、大數(shù)據(jù)以及機(jī)器學(xué)習(xí)等都是非常前沿的技術(shù)，那時(shí)我們開始探索怎樣通過機(jī)器的數(shù)據(jù)來分析判斷發(fā)生故障前衰退的痕跡以及預(yù)測(cè)未來的生命周期表現(xiàn)，目標(biāo)是將設(shè)備糾錯(cuò)式維修變成預(yù)測(cè)性維護(hù)，結(jié)合生產(chǎn)維護(hù)排程，在資源效率最優(yōu)、成本最小的情況下排除故障，最終實(shí)現(xiàn)近零停機(jī)的智能維護(hù)系統(tǒng)。

工業(yè)大數(shù)據(jù)怎么體現(xiàn)價(jià)值？李杰教授提出的“煎蛋模型”可以給出很好的解釋。傳統(tǒng)工業(yè)價(jià)值指的是蛋黃的部分，即5個(gè)M，包括材料（Materials）、設(shè)備（Machines）、方法（Methods）、維護(hù)（Maintenance）和測(cè)量（Measurement）。其價(jià)值核心是蛋白部分，即6個(gè)C，建立互聯(lián)互動(dòng)的環(huán)境（Connection）、IoT的基礎(chǔ)架構(gòu)以及在云端隨時(shí)隨地按需獲取的計(jì)算與存儲(chǔ)的能力（Cloud），在賽博空間（Cyber）建立數(shù)字孿生模型，建立設(shè)備全生命周期的數(shù)據(jù)檔案的記憶（Contents/Context），結(jié)合帶有場(chǎng)景化的數(shù)據(jù)分析，提供對(duì)數(shù)據(jù)深刻的洞察，最后這些數(shù)據(jù)能夠在社群（Community）當(dāng)中進(jìn)行分享，在用戶群體或整個(gè)供應(yīng)鏈和生態(tài)鏈當(dāng)中分享數(shù)據(jù)，最終在整個(gè)社群當(dāng)中每一個(gè)人都能從中獲得個(gè)性化的服務(wù)（Customization）。這6個(gè)C的價(jià)值怎么與傳統(tǒng)工業(yè)價(jià)值相結(jié)合？最重要的橋梁就是建模（Modeling），目前工業(yè)大數(shù)據(jù)的價(jià)值缺失的部分就是在建模上。

IMS中心成立17年以來，重點(diǎn)解決了一個(gè)問題，就是如何建模。我們過去研發(fā)了Watchdog Agent?算法工具包，2011年在美國(guó)國(guó)家儀器（NI）的LabView上面正式把這個(gè)工具包進(jìn)行了商業(yè)化，包括經(jīng)常用到不同的面向機(jī)器分析的模型、機(jī)器數(shù)據(jù)分析的模型等都被模塊化了。天澤智云基于Watchdog Agent算法工具包開發(fā)了我們的工業(yè)智能算法引擎，建立了智能算法庫。我們與微軟Azure合作，將智能算法引擎部署到云端，一方面利用云計(jì)算的環(huán)境建立模型，另一方面在云端做邊緣計(jì)算節(jié)點(diǎn)的管理與部署。運(yùn)算的結(jié)果也可以傳輸?shù)接脩舳?，通過類似Machine Apps這樣的方式實(shí)現(xiàn)客制化的軟件服務(wù)發(fā)布。

給大家舉幾個(gè)例子，涵蓋工業(yè)大數(shù)據(jù)幾個(gè)核心的應(yīng)用場(chǎng)景。第一個(gè)應(yīng)用場(chǎng)景是智能風(fēng)場(chǎng)運(yùn)維系統(tǒng)。風(fēng)電裝備每停機(jī)一次就會(huì)造成功率的損失、維護(hù)成本越來越高，風(fēng)機(jī)在運(yùn)行時(shí)能否實(shí)現(xiàn)在遠(yuǎn)端平臺(tái)上實(shí)時(shí)監(jiān)控相應(yīng)的狀態(tài)指標(biāo)？從風(fēng)場(chǎng)級(jí)別上看，整個(gè)風(fēng)場(chǎng)運(yùn)行的KPI，每臺(tái)風(fēng)機(jī)的分布都可以一目了然，哪臺(tái)風(fēng)機(jī)存在隱患時(shí)，我們可以得到歷史數(shù)據(jù)，通過嵌入了很多故障預(yù)測(cè)和異常監(jiān)測(cè)的模型，能夠判斷具體哪一個(gè)部件有什么樣的風(fēng)險(xiǎn)，甚至是接下來會(huì)出現(xiàn)怎樣的故障模式。在這個(gè)過程中狀態(tài)被透明化后，再以預(yù)測(cè)性的視角進(jìn)行排程；同時(shí)對(duì)風(fēng)速進(jìn)行實(shí)時(shí)預(yù)測(cè)，可以選擇在風(fēng)小的時(shí)候停下來進(jìn)行維護(hù)，風(fēng)大的時(shí)候盡量保持發(fā)電。通過結(jié)合維護(hù)排程優(yōu)化的模型能夠把整個(gè)維護(hù)過程當(dāng)中的損失大幅降低。這個(gè)系統(tǒng)目前能夠解決三方面的問題：在生產(chǎn)管理方面，結(jié)合風(fēng)功率預(yù)測(cè)技術(shù)和每個(gè)風(fēng)機(jī)的管理技術(shù)，可以實(shí)現(xiàn)每一臺(tái)風(fēng)機(jī)發(fā)電的精準(zhǔn)預(yù)測(cè)，精準(zhǔn)率達(dá)90%以上；在健康管理方面，結(jié)合遠(yuǎn)程監(jiān)測(cè)和故障預(yù)測(cè)性診斷技術(shù)，對(duì)超過30多種關(guān)鍵部件建立故障預(yù)測(cè)的模型，針對(duì)核心部件的故障我們可以至少提前一個(gè)月預(yù)測(cè)出來；在運(yùn)維管理方面，實(shí)現(xiàn)維護(hù)的排程優(yōu)化，一方面優(yōu)化排程，一方面優(yōu)化資源的調(diào)度，能夠把整個(gè)維護(hù)過程當(dāng)中的費(fèi)用降低30%以上。在這個(gè)系統(tǒng)中，我們將很多模型部署在邊緣端。在建模的過程中，很多數(shù)據(jù)有相關(guān)性，用模式識(shí)別等算法將許多數(shù)據(jù)的相關(guān)性建立起來之后，模型基本上可以被固化下來。每臺(tái)風(fēng)機(jī)根據(jù)自己的數(shù)據(jù)建立模型，可以對(duì)風(fēng)機(jī)自身問題的表征具備較高的客制化功能。

在軌道交通方面，阿爾斯通是全球非常領(lǐng)先的OEM生產(chǎn)商，早在2006年就開始探索怎么利用運(yùn)行當(dāng)中產(chǎn)生的數(shù)據(jù)為用戶提供更好的服務(wù)。阿爾斯通的技術(shù)布局包括建立一些邊緣端的系統(tǒng)，如Train Tracer、Track Tracer、Train Scanner等，這些系統(tǒng)即便離開云端，部署的嵌入式模型依然能夠解決90%的問題。同時(shí)很多輛的列車和基礎(chǔ)設(shè)施相關(guān)數(shù)據(jù)分析完之后產(chǎn)生了跟狀態(tài)相關(guān)的洞察，會(huì)被傳到云端，在遠(yuǎn)程云端可以實(shí)現(xiàn)實(shí)時(shí)評(píng)估關(guān)鍵部件健康狀態(tài)、預(yù)測(cè)運(yùn)行風(fēng)向和剩余壽命，以及維護(hù)計(jì)劃排程優(yōu)化。目前Health Hub的應(yīng)用使維護(hù)成本降低15%，維護(hù)時(shí)間降低85%。由于有這樣一套系統(tǒng)，ALSTOM軌道交通部門的服務(wù)型收入占總收入超過35%，利潤(rùn)占比超過50%，其對(duì)智能軌道交通產(chǎn)品發(fā)展的重視體現(xiàn)了ALSTOM進(jìn)一步向服務(wù)型制造轉(zhuǎn)型的決心。IMS在2010年開始與阿爾斯通合作，開發(fā)了很多軌道交通的典型應(yīng)用，比如高鐵的在線監(jiān)控，每個(gè)車輛里面的詳細(xì)部件，如軸承牽引系統(tǒng)等健康狀態(tài)的診斷等。針對(duì)軌道的基礎(chǔ)設(shè)施，如道岔機(jī)、鐵軌的健康狀態(tài)，我們也做了一個(gè)系統(tǒng)，在載客狀態(tài)下，實(shí)時(shí)判斷鐵軌是否有問題。（根據(jù)演講內(nèi)容整理，有刪節(jié)）endprint