人工智能在工业领域的应用( 二 ) 风机叶片是由复合材料制造而

在工业场景中IT与OT ，机械与电器、工艺之间，存在很深的鸿沟。例如，工业数据与商业AI的大数据不同，大多是模拟信号，并非数字信号，每个信号都有其背后的机理含义，收集数据以后要对数据进行处理才能应用。
「我曾经接触过一个企业，他的核心设备是一个0.5秒每次的往复机构，但企业最初建立的大数据系统收集的数据都是以1秒为单位的，这样的数据对于工业智能来说很难起到实际作用。」天泽智云CEO孙昕说，工业中要做精确的故障诊断往往要用到高频数据，包括声学信号、振动加速度等。通常采样频率足够高了以后，尤其针对旋转类机械部件，才能识别到故障早期的细微变化。而如果故障的早期没有细微变化表现，通常是无法诊断的。这样的场景，只用通用的AI分析思路和数据采集方法很难给客户创造实际价值。
此外，对于工业AI来说大数据并非需要绝对的「大」。无论是预测性维护还是缺陷检测，只有出现「不正常」情况时的数据才是有效数据，因此工业界应用的大数据常被称为「BigSmallData」。
风机发电机轴承的温度传感器显示温度过高时，工程师不能马上拆机检查；核电设备的主泵、管路振动故障，也很难实现停机深入探查。这意味着，算法建立之初拿到的训练数据，很难有准确而高质量的故障标签。在这些有效数据有限的场景中，就需要更多蕴含机理的数据。「强机理弱标签，弱机理多标签」，工业AI训练的过程中，更需要的是结合场景Know-How ，根据目标要识别的故障模式，采集与这些目标故障相关的数据。这些数据可能是高频振动、声音，也可能需要结合工况数据如转速、温度等针对实际问题的多维数据。
为了给风机叶片做一套可行的、可规模化应用的预测性维护系统，作为工业智能公司老板的孙昕就专门招募了一群专注风电领域的产品经理、流体力学博士和叶片设计与运维专家。
在风电专家和算法工程师的共同努力下，天泽智云推出了针对风电行业的智能化健康管理解决方案，并自主研发了融合智能算法的软硬一体化产品「叶片卫士?」。通过外加传感器监测叶片扫风声噪、本体振动、与结构应力数据，经过融合机理特征增强的AI分析判断结构开裂、前缘腐蚀、螺栓断裂等风险因子，利用专家知识融合各个因子判断不同故障类型，并及时进行预警。

文章图片

文章图片
把风电叶片运维从依靠工人经验去「定性」分析转变成了依靠数据的「定量」分析，包括故障模式、故障等级、设备损耗风险程度等，为用户决策维修时机、制定维修策略提供量化依据，真正打通数据与决策之间的鸿沟，帮助用户降低运维成本。
工艺经验沉淀与智能化升级
优化能源管理是工业人工智能的另一个重点应用领域。据不完全统计，大型工业系统正消耗着全球能源的54％。冶炼企业是能源消耗大户，也是AI能源管理见效最快速的行业。
钢铁联合企业构成非常复杂，能效提升的推动过程会遇到各种困难。典型问题之一是煤气产用不平衡，而且每个工序的突发异常，都将影响整个管网压力的波动。
产用的不均衡可能影响正常的生产运营乃至不必要的浪费。比如说，煤气波动过大时造成燃烧效率降低，即使已投用自动燃烧系统的炉窑也很难达到经济区间。而煤气管网压力过高则导致煤气放散白白浪费，煤气压力过低会造成末端工序因生产条件无法满足而临时停产。这样不仅会造成巨大的经济损失，也会造成环境污染。