【干货】朱卫列:工业智能-工业互联网的硬核

2020-06-23 14:21:51

来源:分分时时彩

2020年6月14日下午,由CIO时代学院主办的“第二期能源CIO论坛”于线上成功举行,本次活动聚焦能源企业的数字化转型,来自能源企业的专家与CIO们就数字化转型的话题,展开了热烈探讨。中国华能集团公司原CIO朱卫列发表了主题为《工业智能-工业互联网的硬核》的精彩演讲,内容如下(文字经本人适度做了调整、修改):
\
今天大概从四个方面进行分享:第一,我们迎来了智能工业时代;第二,智能改变工业;第三,工业互联网推进智能化;第四,如何创造未来。

我们迎来智能工业

人类迎来了智能化时代,但目前的智能化技术是基于大数据与算法技术之上的,因此我们有必要回顾一下数据分析技术。工业企业一直对数据进行着分析,我们最常用的是对比分析,如:每个月、每个季度、每年企业管理者对经营指标的“同比”、“环比”分析,借助于信息化技术,我们常常利用柱状图或饼图等可视化方式帮助我们展示、理解数据。工业领域更深入的数据分析是针对生产数据展开的,流程型工业企业中的生产数据往往是时序数据,例如发电厂里设备传感器输出的温度、压力、流量等等都是与时间相关的时序数据。对于时序数据的分析方法有专门理论,我们比较常用的大概有两种:一种是变量受其前一段时刻的影响,即同一个变量在t-1、t-2及t-n时刻的影响程度分析;第二种,按照自变量和因变量之间关系来进行分析,当然也可以结合该因变量在时间维度的影响综合进行分析。

伴随着大数据和人工智能技术的发展突飞猛进,过去的几年,我们的团队探索出了一条利用工业大数据,神经网络算法,建立工业模型,继而解决工业领域的种种难题的方法。在整个过程中,工业设备的传感器数据被当做输入量,我们所期待去解决的问题作为输出量,也就是自变量。一旦这种模型得以建立便可以在工业中进行推广、应用。

以往对于简单的系统,数据之间的关系我们可以用画图的方式来表达,但是变量维度超过三维以上时,图是很难画的。工业设备大都是复杂系统,影响变量数常常超过三个,有些工业系统影响变量个数还会超过几百个、上千个,如此多的变量其相互之间的关系是以隐函数的形式工作的,我们很难量化这些变量之间的数值关系。现在,我们采用的机器学习方法,一方面可以求解多维变量之间的定量关系,另一方面,一旦模型建立,模型是连续工作的,可以适用于各种工况。由此看来,机器学习可以帮助我们建立了复杂事物的定量模型,也就交给了我们打开智能工业的一串新钥匙。

如今我们已经用上述的新钥匙、新方法在发电领域做了一系列尝试,例如:对于最复杂的锅炉系统,通过对锅炉给煤量、风煤比,磨煤机、引风机、尾部排烟温度等等大量实时数据进行训练,寻找到锅炉及机组的优化模型;在水电站我们对水电设备进行建模、形成数字孪生,从而对设备状态进行劣化分析,指导状态检修;风电领域也做了类似的分析,取得了一系列成果。应该说,如果采用原有的、传统的统计学和数据分析方法很难实现以上技术突破的。由此,我们有理由相信机器学习在解决多复杂工业问题是有效的、可行的。

智能如何改变工业

我们可以把工业设备的模型称之为这一设备的数字孪生。有了数字孪生我们便可以对工业设备进行一系列分析,带来一系列的突破:我们知道,在工业领域虽然许多设备是同一型号的,但是他们运行的小时数和运行的工况不一样,设备在运行中磨损、损坏的程度不同,他们的检修间隔时间理应不同。然而过去对于同类设备或者说同一型号的设备,我们只能按照正态分布统计设备的检修间隔时间,并以此指导设备进行定期检修,无法做到针对每个设备并根据他们各自磨损程度的安排检修时间。现在我们有了每个设备的数字孪生和模型,我们完全可以对设备进行个性化的状态检修。原有的大工业、共性化检修又可以回到了个性化方式处理,这一方面可以防范设备缺陷引发安全事故,另一方面也可以起到减少过度维修,降低检修成本的作用。

另外,可以通过建立模型,对系统寻优,指导运行优化,这一举措对于流程型工业企业极为重要、且价值巨大。过去我们较多的是通过小指标考核或性能试验,寻找运行最佳点,但机组运行过程中燃料成分、磨煤机、风机等等设备的运行状态实时发生变化,机器学习可以指导运行人员实时动态调整参数,找到最优工况参数,为工业企业节能创造条件。

工业互联网推进智能化

智能与互联是工业互联网的两大核心内容。工业互联网的互联属性帮助拓展了工业的智能范围,可以形成更大的“多智能体”。多智能体是由多个自主或半自主的智能体构建成的大型分布式智能系统,多智能体在工业领域可以理解为跨企业、或跨行业的智能应用体,我们曾尝试在这方面进行一些探索:例如基于区块链的智能仓储和物资共享、电力市场智能交易系统、煤炭智能采购与交易系统,基于智能化的劳动力市场平台等,以下仅就部分应用加以介绍。

基于区块链的智能仓储和物资共享是工业互联网下的物资管理新模式。以往物资与备件是一厂一备,只考虑本厂的物资存贮,占用流动资金很大,在数据积累上也不够。基于区块链的智能仓储和物资共享平台,一方面将物资与备件形成共享、另一方面是智能化,智能合约的履约方式提高了工作效率,分布式的架构实现信息共享机制和信息加密。

工业组织的数字孪生,把实体工业组织和数字孪生进行链接,把一些企业的经营数据通过互联、打通,形成数字化的组织。在具体实施过程中,我们开发了 DDC软件(自主开发),快速、低成本地实现多系统互联,构成多智能体。2019年Gartner也提出组织数字孪生的基本思路。

工业组织的数字孪生不但要能够模拟原有经营数据,还应该能够对企业的经营活动进行某种程度的预测、推演,为此我们开发了动力煤价智能预测软件。发电领域的煤价是不断波动的,国内外的煤价波动曲线趋势也不同。如何在保证国内煤采购协议被认真执行的基础上,使总的燃煤采购成本最低,这是智能系统要解决的目标课题。我们利用联邦学习方式,获取不同系统里的不同的数据进行训练,目前煤炭市场预测虽然还没有用于实战,但实际预测结果看,总体误差已经非常小了。煤炭价格预测也为工业组织数字孪生奠定了基础。

如何创造未来

智能化越来越热,但是国内外对于工业智能的开发、应用案例极少。斯坦福大学刚刚出版了报告《人工智能百年研究》,其中预测了到2030年人工智能在多个行业的应用前景,《报告》认为人工智能未来会在:交通、家庭服务机器人、医疗等领域取得突破,唯独没有提到人工智能在工业领域的发展预测。显然,在工业领域AI被边缘化了。这从某种程度上可以看出国际主流的人工智能研究没有进入到传统工业,他们在工业领域的智能化研究并不领先。但是经过数年的探索,我们对AI在工业领域的前景持乐观态度。

经过4年智能工业方面的探索,我国水电领域对这一技术越来越认可,应用的拐点即将到来了;火电和风电领域刚刚进入到认知培育期,许多技术与应用还需要更多的试点和验证,但未来两三年会有比较大的突破。我们深信这条技术路线会创造巨大的市场,这应是智能工业的最佳路线,前景是美好的。

要实现智能工业,我们应该更多地利用机器学习开发出工业模型,而不应该将重心仅仅停留在图像识别、语音识别、语义识别技术层面。未来智能工业的核心会转向模型、数据孪生技术。过去的几十年间,我国工业飞速发展,相应的DCS、以ERP为代表的工业管理信息化也获得了一定程度的普及与应用,未来中国工业如何迈向智能化将是我们面临的新课题和新挑战,将智能化作为工业互联网的核心内核,加速推进我国智能工业的发展将是重中之重。

以上是我的分享,谢谢大家,有不对的地方请指正。 




相关资讯

【精彩剧透】“第六届中国行业互联网大会暨CIO...

2020-09-08

【精彩回顾】“第十八期央企CIO论坛”圆满举行

2020-08-31

“第二期华南CIO同学分享会”成功举办

2020-07-30

【活动推荐】CIO时代分享会上海站暨CIO时代学...

2020-07-13