工业发展的痛点在哪？如何成就工业智能？

　　9月15日，2017 NI工业物联网高峰论坛在北京召开。美国国家仪器公司携手美国智能维护系统中心(IMS)、北京天泽智云科技有限公司等一同分享物联网、大数据在工业领域的最新应用、发展趋势以及实践案例。NI展示了一大波新产品，如LabVIEW NXG, 支持TSN功能的最新CompactDAQ、SystemLink、InsightCM等。天泽智云技术研发副总裁金超博士在会上分享了“CPS、云计算、边缘计算在工业智能中的融合探索”的主题演讲，天泽智云嵌入式解决方案经理陈星通过Demo为现场来宾展示了天泽智云WindInsight无忧风场智能运维系统平台。

　　以下是金超博士的演讲整理，以传统工业如何实现工业智能？工业界中的痛点体现在哪里？如何实现工业无忧？如何整合边缘计算与云计算优势？以及工业智能化案例分享等维度为大家进行解读。

传统工业如何实现工业智能？工业界中的痛点体现在哪里？

　　在解答这两个问题之前，我们首先需要思考为什么需要工业智能？可以试想一下互联网如何改变了我们的生活。互联网革新最明显的例子是基于地理位置的服务。比如，早年在一辆车上没有导航设备，我们在一个陌生的城市从A点出发到B点，完全要依靠人的经验，用地图、指南针、问路等等。而如今，我们越来越少地看到地图或指南针，而越来越多地看到智能手机，以及智能手机上面的地图应用程序。要知道，地图应用程序不仅仅是地图而已，在上面我们可以实时地看到发生的事故、交通状况等，其实是用智能算法和分析代替了人的经验，用数字互联的平台代替了现实中的物体，从出行的角度创造了智慧的镜像(digital twin)，提供的是智能互联的无忧出行服务。

　　反观制造业，其实我们想要看到的所谓工业智能，可能也是类似与互联网革新式的改变。理想的状态是，在机器端有这样一部设备能够提取出反应机器运转健康状态的特征。这些特征既可以在本地经过处理后变为基本的、机器健康信息，也可以被传输到云端，通过不同的软件处理，满足用户多样化、碎片化的功能需求，最终展示在用户的终端显示设备上。该系统要以解决实际的用户痛点为目标，赋予机器自我意识、自我比较以及自我预测的能力，甚至可以通过优化和算法对有些可以补偿的故障和早期异常进行维护，达到自我维护。也就是说，机器制造商所生产的并非机器本身，而是为机器使用者提供一种制造能力，帮助实现无忧生产与运营。

　　如今提到工业智能，很多人都会联想到仿真与自动化。曾经一家以设计可制造性评估仿真软件的初创公司，为用户提供可制造性的服务。在用户提供所设计的产品的规格后，通过对应力等物理指标的仿真考察规格是否合格，设计是否合理。但是，即使他们传达了可以生产的决策建议后，有些用户还会找到他们，质疑为什么仿真成功后，生产的产品还是存在缺陷。很明显，由于在仿真的时候没有考虑到实际生产中会遇到的一些问题，比如环境因素，机器的使用状况等，导致仿真的结果并不能反映实际生产产品的质量。而对于自动化，比如制造机器人，它们关注的是控制的平稳度、精确度以及快速性。时间长了机器人的状态会改变，就要派人重新调试一下，而这被看成了很正常的事情。机器人的状态衰退并没有被追踪、量化，这样有问题发生才被一遍遍的排查，却没有考虑到这是可以避免的问题。这正是“冰山效应”。

　　传统工业常常误以为对已产生问题进行自动化检测就是工业智能，却未意识到设备时间长了都会有衰退的问题。对衰退的追踪、量化、与预测性诊断，才是我们工业智能真正需要的。比如飞机机翼的一种失效模式是会出现裂痕，针对这样的问题，大多数人研究的是如何检验裂痕的发生，却很少人研究裂痕的产生跟什么相关，以及造成裂痕产生的根本原因是什么，或者运行的机制等。而根因分析后对产生问题的机理进行建模，在问题出现前避免问题，才是工业智能价值的最大体现。

　　很多人被大数据的观念误导，认为有数据就可以解决一切，其实不是这样的。解决工业场景的问题其实都是需要很强的领域知识支持，因为从机器中测量的数据都有清晰的物理意义，如何去分析需要有一套适应相关场景的框架，并且有相应的专家知识配套配合来解读数据意义，从而解决问题。工业智能的使命最终要回归业务目标、解决行业痛点。所以，只有运用有效的手段，我们的工业才能达到从维护角度，近似零宕机；从产品质量角度，近似零废品率；从能效角度，近似零浪费的无忧状态。

如何实现工业无忧？

　　实现这三个零的无忧工业是我们的愿景，然而这个愿景如何实现呢？首先，要有一个本地的代理(local agent)，在采集数据的基础上，从分析的角度，承担一定的特征提取以及衰退监测，进行固化的模型处理。现在边缘计算跟这个领域是相关的。之后，在云端，比如在私有云以及服务器上等计算能力更强的平台可以做预测性地分析，以及对等比较等更复杂的运算，甚至是模型优化与在线的自适应模型的自我调整。最后，系统产生的健康信息其实是可以输送到工厂系统，工厂系统可以根据生产计划给设备维护部门下单，实现维护的优化排期排程。

　　还有一个方面，可以进行控制优化，在本地就解决一些实时的问题。类似的工业场景问题解决多了可以固化下来转换成领域知识。通过什么形式固化呢？答案就是软件的形式。过程中如果出现新的状况，专家可以用他们的领域知识不断扩充工业知识库，扩展系统功能，最终实现近似零停机。那么工业知识库固化下来的知识，对谁的价值更大？其实是产品设计。我们现在做项目过程中不仅仅是跟用户沟通，也要跟供应商一起进行合作。机器洞察信息实现数字镜像后，用户掌握到信息之后可以更好地管理供应商；供应商用这些信息可以拿到产品在使用过程中的第一手资料，来不断改善产品设计，形成一个闭环的产品寿命周期设计的概念，从而达到无忧生产。

　　要实现这样的无忧生产系统可以参考李杰教授在2014年提出的CPS信息物理系统的5C架构，是一个从数据获取到最终价值交付的完整体系，它能够帮助我们在不同的层级可以更清晰地定义用户的需求，指导我们开发智能化的工业系统。

如何整合边缘计算与云计算的优势？

　　李杰教授在《云上工业智能》这本书里基于煎蛋模型延展出了数据、服务、知识的生态融合图。核心含义是工业的转型要切入到服务，才能体现为用户创造价值。边缘计算和云计算承载了数据三个生态所具有的不同功能。边缘计算部署在终端或者边缘端，除了数据采集，其实是实现嵌入式人工智能的关键，因此边缘端计算的实时性比云端更强。在工业场景中，模型设计完成后应尽量将数据部署在终端。试想，当出现异常状况，边缘端如果仅局限于数据采集，只能将数据传输到云端进行运算后，再传回到边缘端，这就失去了时效性，从而整个过程也就失去了意义。

　　云端承载的是第三方提供的专业性服务，以及更加复杂的运算，比如对模型的优化、算法迭代等相对灵活的部署方式。从边缘端到云端的生态，被称为“知识的生态”。这是具有相关领域知识的人能够发挥最大作用的地方，云端可以承载很多专家的行业知识，以及数据建模技术等服务，从而形成流程、框架以及软件的知识生态，来支撑包括产业链上下游等的服务生态。

　　天泽智云和NI是紧密的合作伙伴，在实现工程化解决方案时，先将工业AI的算法引擎部署在云端；再通过InsightCM或者其他的NI的边缘计算系统进行对接，承载开发的算法所产生的结果，帮助用户产生对系统的认知；最后底层通过CompactRIO执行机器学习模型，以及对运算结果进行数据的交流，将运算结果通过InsightCM和Web Server进行发布。同时这一套系统流程也可以针对不同场景的应用需求，通过形成定制化的软件服务进行发布。

工业智能化案例分享

轨道交通行业的智能化 – 从预防性维护转变为预测性维护

　　在IMS时候我们跟阿尔斯通的高铁部门进行合作，参与开发的技术被整合到了在2013-2014年发布的高铁健康维护系统Health Hub。所开发的技术可以从轨道上判断这台车的关键设施是好的还是不好的，或者轴承的衰退情况。针对轨道的基础设施，如道岔机、铁轨的健康状态，我们也做了一个分析系统，能够在载客状态下，实时判断铁轨是否有问题。

　　国内高铁行业的领头企业跟天泽智云合作，目的也是希望实现这样一套智能的高铁维护系统。目前这个阶段是针对组件级，包括几个非常关键的部件，比如刹车系统、牵引系统、以及跟运行安全性相关的系统的预测性维护。比如轴承，我们通过国外的供应商购买轴承，本身昂贵的成本，再加上定期的预防性维护，造成了极大的浪费。究其原因，是企业对高铁运行安全的忧虑。通过PHM系统量化轴承的衰退状况，以及精准地管理轴承维护维修的排程计划，可以实现高铁装备的预测性运维及资源运营决策优化。

传统制造业的智能化 – 从依靠人的经验更换锯带转变为基于自动识别工况的精准更换

　　很多人关心如何能让传统的制造行业也能实现智能化，是不是做数据处理，做一些可视化的东西就能实现智能化？或者有一些具有物理意义的数据提取出来，用专家领域知识去看这些东西就能实现智能化？

　　举一个带锯机床制造商的案例。带锯机床的用户不要求其加工精度有多高，也不要求加工的复杂性，但对加工速度与切割平面的平整度有较高要求。痛点是什么呢？锯带是个耗材，总会断裂，而且更换成本比机床还贵，所以大量的运维成本都是在后续的售后服务上。想控制这个成本，就需要更换的准时性，当锯带用到刚好疲劳到不能再切时进行更换，整个的效率才能实现最大化。

　　之前都是依靠人的经验，通过听噪音变大了，就进行更换。然而人的经验不同，判断标准无法统一化。换得过早会造成浪费，换得过晚就产生非预期断带的情况，锯带卡在工件里面，还要把未加工好的工件裁掉，这对工件也是浪费。如果发生绷带断刀的状况还会发生安全风险。

　　为了实现更加智能准时地更换锯带，首先要通过大量的调研找到哪些是影响刀具状况的因素，之后根据客户的需求和期望的业务目标进行数据采集，以及试验传感器的部署。在具体实践中，从控制器与传感器采集数据建立锯带衰退预测系统。根据锯带的振动、声学等特性，以及机器运转的工况，将采集的数据进行特征提取，进而形成特征矩阵。由于加工的工件材料变化，以及加工过程的工况复杂性，我们用自适应预诊方法来建立锯带的衰退预测模型。用户可以在电脑端与移动客户端实时监测锯带的衰退与机器关键组件的健康情况，从而在锯带刚好要断裂之前，准时更换。

　　每种类型锯带的衰退档案都被存储在用户的私有云中，可以通过系统实时掌握锯带衰退的状况。日积月累，通过对比不同种类锯带的衰退模型，用户也更加清楚地知道每种锯带在切割不同形状、不同材料工件时的性能，在采购锯带时还能够更经济地管理供应商，获得更低的成本；锯带制造商也可以通过锯带衰退曲线，建立洞察，改进锯带的性能，减少实验成本，同时提高耐用性。

　　这个案例在2014年芝加哥的国际制造技术展会(IMTS)上展出，受到了广泛关注。接下来一年中，带锯机床生产商推出了自己的智能化产品，在北美带锯机床行业的排名从第八名升至第一名。

　　最后，所谓的工业智能、工业大数据等新兴热词只有回归到解决用户痛点上，才能更好地创造价值。

　　天泽智云嵌入式解决方案经理陈星在峰会现场，通过Demo为现场来宾展示了天泽智云WindInsight无忧风场智能运维系统平台。

　　风场的管理大概分为三个方面，第一个生产管理，发电在额定功率和不同风速下的发电效能是否能够满足生产的要求；第二个是对电机的健康管理，通过远程状态监测和故障预测性诊断，提前预警大部件的故障风险，为维护排程提供决策依据；第三方面是智能的运维管理，对风场当中每台风机的健康状态和需要进行维护的任务进行综合分析与优化，能够降低维护总费用达30%。

　　针对风场管理的这三大需求，天泽智云研发了WindInsight平台。WindInsight 是一个利用预测性分析及AI技术对风电装备进行智能化运维管理的平台，在这个平台上，客户可以使用的功能包括对风电装备的性能评估、预测性诊断、机队管理、调度优化和维护策略优化等，通过这些功能的组合，能够帮助风电企业做出更加科学和精准决策，保障风场的无忧运营。

　　从WindInsight无忧风场智能运维系统技术架构可以看到，在设备边缘端装有采集设备，能够采集数据和进行模型部署。陈星介绍到：“我们的方案架构包含了云端和边缘端，这也是工业大数据场景和普通的大数据场景的区别所决定的。由于工业环境下，会用到高频采样的方式，就如同这个Demo所展示的一样，使用了25.6ks/s的采样率采集振动信号。如果直接把数据放到云上是有很多的不妥的。首先，数据量巨大，上传所需的带宽很大，传输成本也很高。其次，提取数据后上传到云，再运算生成反馈的结果，整个流程延迟非常大，而且不确定。另外，数据价值的曲线是衰退的，如图：

　　因此，更早的处理数据就会获取更多的价值。正是由于这种原因，我们需要尽可能地将计算部署在边缘端进行。而这种计算不仅包含基本的信号调理，也包含通过训练好的模型计算出来的结果，比如设备的健康值等。

　　最重要的一点，直接使用原始数据通过机器学习等方法进行分析，实际上效果是很受限的。正如我们一直以来所阐述的，原始数据的本身所具有的价值是并不大，真正有价值的是从数据中提取到的信息。我们在边缘端执行相应的边缘计算，将原始数据提取出特征信息，进一步将特征信息上传到私有云或者公有云，完成复杂的PHM相关的计算，是目前为止比较合理的架构模式。NI的CompactRIO架构可以提供比较灵活的传感器接口和比较丰富的计算资源，这种理念和我们是比较契合的。我们对NI的CompactRIO和InsightCM进行了大量的二次开发，使之能够实现更多的、贴近用户需求的计算功能，并且满足远程的调度和管理，最终将有价值的信息上传到云端。边缘端和云端各有非常重要的作用，二者缺一不可。

　　天泽智云WindInsight无忧风场智能运维系统是天泽智云与微软Azure云平台合作实现的，Azure提供了稳定可靠的运行环境和计算能力。不仅能够为风电企业提供从部件级、整机级到风场级别逐层的设备健康状态展示和预测，更可以帮助企业准确决策每一台风电设备需主动维护的安排，准确、灵活地应对设备健康隐患，防止重大突发故障的出现，实现将信息转化为价值，保障风场的无忧运营。

天泽智云-工业智能实践引领者

　　天泽智云是IMS中心在北京的技术孵化公司。李教授提倡的主控式创新的理念强调，企业专注于产品本身并不足以为企业提供持续增长的动力，而开发以产品为核心的增值服务来解决客户痛点才是企业永续创值的机会。秉承这样的理念，天泽智云对自身的定位是工业智能实践引领者。通过为用户提供从顶层设计的方案咨询，到系统交付与全面实施，以及赋能服务的全栈式端到端解决方案，实现工业智能的落地，帮助用户实现价值转型。我们公司的愿景是让工业无忧。