在工业场景中，存在着许多无法被定量、无法被决策者掌握的不确定因素，这些不确定因素既存在于制造过程中，也存在于制造过程之外的使用过程中。工业智能化是将工业过程与智能化技术深度融合，通过对数据的有效分析及智能建模，解决和避免可见问题，进一步解决和避免不可见问题。可见的问题包括失效、损坏、变质以及质量下降等，不可见的问题主要体现在底层设备上，主要是衰退现象，体现在机械设备的磨损、腐蚀、泄露、裂痕等。

 

简言之，工业智能化就是去除复杂过程，直接解决最终问题并带来价值的过程，其目标实现的基础是数据和模型。

 

工业大数据—工业智能目标实现的基础 

 

相对于互联网大数据，工业数据的体量更大，来源也更为复杂，包括传感器、控制器、库存、运营数据、维修维护以及人工记录等，具有更强的专业性、关联性、流程性、时序性、和解析性等特点。工业数据应用场景是对生产设备的在线监控与故障预警，容错率极低，除此之外还包括能耗优化、质量风险规避、运维优化等，其核心逻辑是实现监测➔分析➔优化➔执行。

 

具体而言，工业大数据分析和互联网大数据分析有以下区别：

 

1）高准确性 VS 对误差的容忍度强

 

起初的大数据叫做商业大数据或者社交大数据，最早应用于推荐系统，通过显著性特征进行分析，对数据误差的容忍度较高，比如电影推荐时即使不是用户真正喜欢的类型也不会造成太严重的后果。然而在工业领域相对保守，对数据的准确性要求非常高，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。

 

2）流式数据分析和实时建模 VS 统计分析、关性分析、聚类、机器学习

 

工业生产过程中产生大量的高频数据，比如毫秒级的PLC数据产生之后，如果传到云平台运算后再反馈到控制端，几乎就失去了分析的价值和意义。所以在工业领域需要集成边缘计算，包括NB-IoT以及Gateway的边缘计算节点等，能够基于FPGA进行实时运算，才能满足工业场景中对数据应用的实时性要求。

 

3）重在物理特性 VS 重在统计特性

 

工业大数据分析重在物理特性。物理特性是指分析出来的结果要从物理学的角度可解释，比如电流、温度上升了，是否跟人员操作有关等等。在对数据特征的提取上面，工业大数据分析更注重特征背后的物理意义以及特征之间关联性的机理逻辑，而不仅仅是挖掘属性之间的相关性。

 

4）要求数据质量高 VS 数据质量不是必须

 

相对于数据的体量，工业大数据更注重数据的全，即要求要尽可能全面地考虑到数据采集的维度，以保障从数据中能够提取以反映对象真实状态的信息全面性。比如要检查一个人是否患有糖尿病，不仅要测体表温度，还要测血糖指数，另外很重要一点是需知道是否在前1个小时吃糖了，否则预测的结果准确度很难把控。

 

5）复杂工况数据 VS 大量数据

 

工业大数据需要的是复杂工况数据，比如航空发动机分为起飞、巡航、降落三个工况，不同工况下表现不同，不能用起飞时的模型评估正常运行时的模型。复杂的工况也对应了对数据的质量要求，在不同工作状态下都需要很好的数据才能进行有效的分析。

 

对工业大数据进行分析建模，可以预测需求、预测制造、解决和避免不可见问题的风险、进而整合产业链和价值链，推动工业智能的实现和落地。

 

故障预测与健康管理（PHM）—工业智能化的核心应用

 

通过大数据分析能够有效发现问题间的关联性，但对于挖掘问题之间的因果性却相对乏力，而后者恰恰是工业领域实现智能化转型的关键。要实现对于问题因果性的挖掘，就需要结合工业机理知识，在深入了解系统结构和运行逻辑的基础上进行分析及预测。具体到应用的关键点，最核心的一部分是故障预测与健康管理(PHM)。

 

1）维护策略的发展趋势

设备的维护策略大致可以分为以下几个阶段：被动维护、预防性维护、基于状态的维护，以及基于故障预测的健康管理。

 

 

维护策略的发展趋势

 

t 被动维护（RM）：在设备发生故障或者停机后进行维修。该方式不具备提前性，不能给维护团队提供备件准备时间，有较长的停机维护时间，在几种维护策略中整体成本最高。

t 预防性维护（PM）：基于时间和可靠性分析，按照失效率、平均故障间隔时间（MTBF）、平均修复时间（MTTR）等规定维修级别，在固定的时间周期或者使用循环数对设备进行维修维护。然而，失效还是有可能在检测周期的间隙发生，所以故障率虽然降低，但可能会造成一定成本的浪费。

t 基于状态的维护（CBM）：通过实时的数据采集评估设备的实时状态，依照状态参数的变化有针对性地指定维护决策，是一种主动维护策略。与定期维护相比，CBM可以有效地减少不必要的维修，同时基于实时监控的数据CBM也可以更加有力的保障设备安全高效运行，但还是不能做到最好的优化。

t 故障预测与健康管理（PHM）：聚焦于对复杂工程系统健康状态的监测、预测与管理。目前设备的可靠性越来越高，亟待解决的不再是维修的问题而是优化运营，PHM通过智能化的方法对设备健康状态进行深度分析，解决显性问题，避免隐性问题，从而提升资产运营效率并优化决策。

 

 

2） 数据驱动的PHM建模方法

 

故障预测与健康管理（PHM）的实现需要状态监测、故障检测诊断、预测、运维优化等多项技术的支撑，本质上是信息的融合，将运行过程中不同维度的数据整合到模型中，再量化成能够反映系统衰退的健康值指标，能够对结构、过程复杂的对象做更为精准的预测。

 

故障预测包括基于数据驱动、基于机理、基于混合模型，及基于可靠性、统计分析等多种方法，下面主要聚焦到数据驱动的PHM建模，可概括为以下几种不同的思维方式：

 

 

 

数据驱动建模方法

 

 

t 模型比较：模型与机理模型对比，将对比后产生的不同偏移量化成健康值。

t 自比较：与自身历史趋势对比，将历史状态做一个基线，并认为它是健康的，用当前状态与基线对比，如果有漂移则认为该状态发生衰退。 

t 同类比较：假设多数同类设备是健康的，通过对比找到不健康的设备，并分析失效模式。

 

 

不论采用哪种方法，其关键点都是要衡量衰退，所以不同层次的PHM系统对应着不同功能，数据的质量/可用性是其决定使用哪种方法的主要因素。

 

t 如果有健康数据，即可用历史数据建立基线，根据基线做健康评估。

t 如果有故障数据，则对故障数据建模，建立故障的自动分类，即故障诊断。

t 如果有全生命周期的数据，则可以对这些数据做剩余使用寿命（RUL）预测。

 

 

3）PHM为什么在近几年才得以快速发展

 

其实PHM技术在很早之前已经出现，最早可追溯至JSF, F35舰载机的研发，当时通过PHM预测性维护与健康管理设备故障降低了50%，但是为什么一直到近几年才被广泛应用，我们认为有以下几方面支撑：

 

第一是检测技术的提升，传感器成本降低。之前很长一段时间在做分析时主要用PLC数据或振动数据，声发射虽然很灵敏，但是由于成本过高而无法普及。近年来随着成本的降低，很多企业开始使用声发射进行分析，其结果也越来越精确。

 

第二是边缘计算能力增强。之前PLC、IPC等计算能力有限，很多算法无法实现，边缘计算出现后可直接在本地边缘端进行运算。

 

第三是云计算的快速发展。大规模计算放在本地成本不可控，但是上云之后能有效降低计算及通信成本，推动智能应用的跨域式发展。

 

工业智能落地应用

 

1）工业智能化落地支撑技术

 

人工智能本身是一种底层技术，要想真正发挥价值需要与行业深度融合。在工业领域，人工智能技术以融入的方式，融合领域知识及计算机科学，将知识转换为模型，不通过不断的迭代优化分析预测结果的准确性，使得制造知识能够更加高效和自发地产生、利用和传承。

 

聚焦到技术层面，数据技术DT、分析技术AT、平台技术PT和运营技术OT，共同支撑着工业智能的落地。DT确保数据质量，PT确保平台有稳定的运行基础，AT确保准确的输出结果，OT将输出结果和现场运营紧密结合，整合DT-PT-AT-OT形成的端到端工业智能解决方案，赋能工业企业将数据快速转化成业务价值。

 

t 数据技术（DT）：包括采集多源数据的全部方法，如信号处理、特征提取等。针对不同设备，应用不同的采集方法，使用相关的传感技术、物联网技术，以及边缘计算技术等。

t 平台技术（PT）：包括进行数据管理和支持工业核心应用的运行环境，针对工业智能模型全生命周期管理，以及上层工业APP等。

t 分析技术（AT）：包括工业大数据分析、工业智能建模，以及将机器学习、深度学习等高新技术与工业系统融合落地。

t 运营技术（OT）：要求有深厚的工业领域知识，将预测模型得到的知识切实转化为运维、管理决策，实现从经验驱动生产向数据驱动生产的转变。

 

2）工业智能落地应用案例

 

- 无忧刀具主轴项目

 

刀具磨耗程度是铣削加工过程中影响模具成品质量的关键因素，由刀具失效引起数控机床停机的时间总数占故障停机时间的20%-30%。对于刀具的磨损、破损、断刀等问题以往通常是人为凭经验进行判断和预测，但这在实际应用中无法准确预测设备发生故障时间，且生产加工过程中的刀具磨损状态不透明，容易造成浪费。

 

鉴于此，天泽智云与某3C制造企业合作开展无忧刀具主轴项目，融合同步多源数据，并结合智能的分析算法进行特征提取，从而实现主轴健康预诊，刀具健康度评估、剩余寿命预测以及寿命终止警报。

 

经评估，这套系统可将刀具生产效率提高30%，降低60%的意外停机，减少50%监控机台所需劳动力，质量缺陷率从6‰降至3‰，库存周期降低15%，节约16%的成本。

 

- 智慧风电系统开发及应用项目

 

风电是一个重资产，风机建设起来后成本很大部分都是运维，其维护保养费用昂贵，停机损失大。

 

针对某风电企业的风机运维全面智能化升级需求，天泽智云与之合作共同研发了智慧风电系统，以预测性分析及人工智能技术作为风电装备进行智能化运维管理的平台，完成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，实现风场的无忧运营。通过预测性维护机制的进一步建立优化运维策略，减少运营维护费用。

 

目前这套智慧风电系统已经在某风场进行部署和测试，实现了对风机叶片、传动链、偏航、变桨、测风仪、发电机等核心大部件的故障预测，能够提前28天发现齿轮箱故障，有效降低10%的风机非计划停机时间，整体降低5%的风机运维成本。

 

本文作者：史喆  北京天泽智云科技有限公司数据科学家&解决方案副总裁