人工智能在工业领域的应用风机叶片是由复合材料制造而

风机叶片是由复合材料制造而成，其结构比其他金属类机械部件更复杂。作为风机最重要的部件之一，它占了总成本的近20%左右。叶片雷击损伤开裂，是风机最常见的失效模式之一，在硕大的风机叶片上，一道不足1米的浅裂痕可能对风机叶片承载能力和机组安全造成严重的威胁。
这种昂贵设备的故障，在实际运行中虽然并不频繁，但风电叶片在运行过程中会遭遇多种复杂的物理环境，如风、雨、冰、雷电、高低温等。这些复杂的多重的物理环境，与复合材料材料自身的属性的特异性叠加，会产生不同物理效应，以致于很难简单识别（或者判断成本太高）故障是形成的过程，何时会发生显著的损伤，以及如何通过运维策略降低故障率。

文章图片

文章图片
传统的工业生产，基于物理或化学的硬机理模型，经过几十甚至百年的生产验证，形成工业规程。在很多工业领域，工人可以根据过往经验人为判断何时需要检修和维护。而在新型工业场景中，数据驱动的工业AI模型可以在短时间通过机理融合数据驱动分析，迅速挖掘出导致故障的分析洞察，并且在运行过程中有效地把专家经验固化下来，优化原有模型或者形成新的模型。
风电场大多地处偏远地区，一些风场甚至建在一望无际的大海之中，每次运维都要带着备品备件翻山跨海。且不说出现停机、设备损坏的损失，风场为了保护设备、保证正常运行做的定期维修、维护，就要耗费巨大的人力、交通等成本，相应的设备Know-How知识沉淀就变得极有价值。
设备昂贵、损坏无规律、难预测、维护频率低但损坏影响大、维护成本高，是预测性维护的典型应用场景，风电设备可以说完全符合这些特点。
作为工业AI在现阶段的头号应用，基于AI分析的预测性维护，可以在工业生产流程中实现精准管控，最小化停机、停产时间，大幅减少资源、产能浪费。

文章图片

文章图片
然而不同工业场景对数据采集、AI模型和行业Know-How的需求大不相同。在很多场景的维修过程中，只有那些常年奔赴在一线运维现场的老师傅，才能依靠自己的经验找到原因。空有传感器、数据平台和AI算法做不出真正落地的工业AI 。
有Know-How才有智能
据麦肯锡数据显示中国工业市场体量约有106万亿元，人工智能在工业领域的应用可以为工业节省1%以上的成本，以AI单个项目能为企业创造三倍的价值来计算，人工智能在工业领域的市场也至少有千亿之多。
Markets的预测报告认为， 2025年人工智能制造市场规模将达172亿美元，预测期（2018-2025年）内的年复合增长率为49.5% 。AutomationTechnology则预测到2035年，人工智能对制造业增值占比可达2.2% ，排名社会16个主要行业之首。
在千亿市场蛋糕的诱惑下，工业智能市场一片繁荣，大大小小的工业技术、AI技术、IT技术供应商挤满了这条赛道。截止目前，中国工业互联网产业联盟已有的会员单位超过1600家，国内工业智能平台和应用数量在全球范围均占比颇高。
很多企业认为IoT、大数据、人工智能这些背后的逻辑就是数据分析， ToC也好， ToB也好，工业也好，消费品也好，都是数据驱动技术，只要把数据采集和分析做好，就能得到放之四海皆准的「技术公式」。然而，工业智能与互联网的智能有着本质的区别。