智能制造是工業(yè)界當(dāng)下最關(guān)注的發(fā)展方向之一：對(duì)制造全過(guò)程全面感知形成數(shù)據(jù)，由數(shù)據(jù)反映制造過(guò)程實(shí)際情況，基于實(shí)際情況全面分析做出相應(yīng)決策，進(jìn)一步將決策轉(zhuǎn)化為及時(shí)有效的反饋。智能制造著眼于這一“閉環(huán)”過(guò)程在制造全流程層面的實(shí)現(xiàn)。與自動(dòng)化生產(chǎn)相比，智能制造通過(guò)智能化的感知、人機(jī)交互、決策和執(zhí)行技術(shù)，實(shí)現(xiàn)設(shè)計(jì)過(guò)程、制造過(guò)程和制造裝備智能化，是信息技術(shù)、智能技術(shù)與裝備制造技術(shù)的融合與集成，更多地結(jié)合了當(dāng)下新興的數(shù)據(jù)驅(qū)動(dòng)技術(shù)和人工智能技術(shù)，并且需要此類(lèi)新興技術(shù)與機(jī)理技術(shù)的深度融合。
然而，當(dāng)前有大量可用于智能制造領(lǐng)域的算法、分析方法、機(jī)理知識(shí)等存在于高校和研究院所科研人員、企業(yè)研發(fā)與工藝技術(shù)人員的實(shí)驗(yàn)環(huán)境中甚至個(gè)人電腦中。這些成果中富集了科研人員與一線生產(chǎn)者所積累的知識(shí)與智慧，具有非常巨大的應(yīng)用價(jià)值。但由于各種現(xiàn)實(shí)原因，使得這些珍貴的知識(shí)成果就如散落在海灘上的珍珠，存在著難以快捷實(shí)現(xiàn)提取利用以及持續(xù)創(chuàng)新協(xié)同改進(jìn)，不斷有效落地的問(wèn)題。
因此，如何匯聚高價(jià)值資源，構(gòu)筑一體化模型構(gòu)建與管理平臺(tái)，便捷高效地集成匯總、轉(zhuǎn)化應(yīng)用高價(jià)值機(jī)理算法、行業(yè)知識(shí)與新興人工智能算法，推動(dòng)工業(yè)知識(shí)復(fù)用，是工業(yè)智能制造推進(jìn)及升級(jí)的核心痛點(diǎn)之一。
為什么存在工業(yè)知識(shí)難以復(fù)用的問(wèn)題
具體而言，在智能制造領(lǐng)域，對(duì)工業(yè)機(jī)理算法、機(jī)器學(xué)習(xí)算法的研究及成果落地過(guò)程中，存在以下幾個(gè)方面的問(wèn)題：
01、開(kāi)發(fā)工具不統(tǒng)一
工業(yè)領(lǐng)域發(fā)展至今，已經(jīng)具備了一定程度的信息化技術(shù)能力，并已經(jīng)完成了大量的軟件、算法及模型的構(gòu)建。但這些信息化建設(shè)的成果總是難以全面協(xié)同使用，原因之一是此類(lèi)成果的開(kāi)發(fā)工具并不統(tǒng)一。目前在工業(yè)界常用的開(kāi)發(fā)語(yǔ)言主要有以下幾種：
(1)Matlab
作為一門(mén)強(qiáng)大的科學(xué)計(jì)算語(yǔ)言，Matlab可以實(shí)現(xiàn)矩陣運(yùn)算、繪制函數(shù)和數(shù)據(jù)、算法開(kāi)發(fā)等功能，其強(qiáng)大的工具箱、函數(shù)庫(kù)和繪圖功能，對(duì)科學(xué)研究者而言非常便利友好，因此是高校和研究院所中科研人員進(jìn)行算法實(shí)現(xiàn)的常用工具。
(2)Java
作為一種靜態(tài)面向?qū)ο缶幊陶Z(yǔ)言的代表，Java極好地實(shí)現(xiàn)了面向?qū)ο罄碚?，能夠方便的?shí)現(xiàn)業(yè)務(wù)工作建模，因此是企業(yè)各類(lèi)流程信息化管理系統(tǒng)如PDM、ERP、MES、CRM等構(gòu)建的主要開(kāi)發(fā)語(yǔ)言。
(3)Python
Python語(yǔ)言提供高效的高級(jí)數(shù)據(jù)結(jié)構(gòu)和面向?qū)ο缶幊?，具有非常?qiáng)大的第三方庫(kù)，很大程度上提高了開(kāi)發(fā)效率，且隨著人工智能技術(shù)的興起，Python成為數(shù)據(jù)驅(qū)動(dòng)算法與人工智能模型構(gòu)建的主要工具，也因此成為智能制造領(lǐng)域算法開(kāi)發(fā)構(gòu)建所不可缺少的核心工具。
除此之外，還存在大量使用其它語(yǔ)言和開(kāi)發(fā)環(huán)境完成的富集知識(shí)的軟件成果。在智能制造領(lǐng)域，普遍存在著多種語(yǔ)言混合開(kāi)發(fā)的現(xiàn)象，由不同語(yǔ)言開(kāi)發(fā)的軟件通常難以充分協(xié)作，它們往往無(wú)法共享內(nèi)存空間，具有不同定義的數(shù)據(jù)結(jié)構(gòu)和類(lèi)型，依賴(lài)復(fù)雜的環(huán)境設(shè)置，并且各自對(duì)輸入輸出的參數(shù)結(jié)構(gòu)具有各自獨(dú)特的定義等，種種情形對(duì)于各類(lèi)工業(yè)智能知識(shí)/算法的復(fù)用和工程化應(yīng)用提出了極大的挑戰(zhàn)。
02、成果共享難
在智能制造領(lǐng)域所積累的大量算法和模型等研究成果大多分散在各自的應(yīng)用系統(tǒng)中，出于自身業(yè)務(wù)、數(shù)據(jù)等保密性和安全性要求，導(dǎo)致成果難以推廣和復(fù)用。此外，由于開(kāi)發(fā)者的水平參差不齊，導(dǎo)致開(kāi)發(fā)的程序無(wú)法保證標(biāo)準(zhǔn)化或規(guī)范性一致，阻礙了各積累成果的融合與集成。相關(guān)成果分散割裂，也無(wú)法實(shí)現(xiàn)便捷查詢(xún)和知識(shí)共享復(fù)用。
03、集成應(yīng)用難
當(dāng)前工業(yè)智能制造領(lǐng)域的算法創(chuàng)新工作主要是由各大高校、機(jī)構(gòu)、科研院所擔(dān)任，企業(yè)與高校之間缺少直接鏈條式的聯(lián)系，無(wú)法直接實(shí)現(xiàn)科技創(chuàng)新成果到生產(chǎn)力的轉(zhuǎn)化，導(dǎo)致高校的創(chuàng)新成果難以適應(yīng)企業(yè)的信息化系統(tǒng)建設(shè)需求，集成應(yīng)用較為困難。具體表現(xiàn)在：由于企業(yè)的信息化系統(tǒng)類(lèi)別多樣，標(biāo)準(zhǔn)不一，導(dǎo)致算法和模型難以在各系統(tǒng)間快速實(shí)現(xiàn)工程化應(yīng)用；算法和模型依賴(lài)的開(kāi)發(fā)環(huán)境復(fù)雜，難以對(duì)接現(xiàn)有生產(chǎn)系統(tǒng)，也無(wú)法動(dòng)態(tài)應(yīng)用數(shù)據(jù)分析工具。
綜上所述，智能制造領(lǐng)域的算法模型創(chuàng)新成果應(yīng)用過(guò)程中存在著難以快捷實(shí)現(xiàn)工業(yè)知識(shí)復(fù)用的限制。為解決此問(wèn)題，推動(dòng)智能制造領(lǐng)域工業(yè)知識(shí)復(fù)用，美林?jǐn)?shù)據(jù)在Tempo AI平臺(tái)中引入適合于工業(yè)知識(shí)遷移與復(fù)用的自定義算法模塊，該模塊支持多種開(kāi)發(fā)語(yǔ)言，包括Matlab、Java、Scala和Python等，通過(guò)規(guī)范化算法節(jié)點(diǎn)，實(shí)現(xiàn)拖拉拽一鍵式數(shù)據(jù)分析與機(jī)理算法開(kāi)發(fā)流程應(yīng)用，并支持多種API調(diào)用方式。
如何應(yīng)對(duì)工業(yè)知識(shí)復(fù)用的難題
Tempo 平臺(tái)支持制造全流程建模，實(shí)現(xiàn)了自定義算法管理+大數(shù)據(jù)分析平臺(tái)結(jié)合應(yīng)用的統(tǒng)一模式，解決了工業(yè)領(lǐng)域各類(lèi)算法和模型在協(xié)同集成應(yīng)用和統(tǒng)一管理層面共享難的問(wèn)題，支持不同行業(yè)用戶(hù)面向工程化應(yīng)用的分析工具及應(yīng)用系統(tǒng)建設(shè)，推動(dòng)工業(yè)知識(shí)復(fù)用。
準(zhǔn)確來(lái)說(shuō)，工業(yè)制造領(lǐng)域的數(shù)據(jù)來(lái)源于各類(lèi)業(yè)務(wù)系統(tǒng)，經(jīng)常分散在不同的應(yīng)用系統(tǒng)中，通過(guò)Tempo平臺(tái)提供的數(shù)據(jù)庫(kù)接口，實(shí)時(shí)接入業(yè)務(wù)系統(tǒng)的數(shù)據(jù)；采用Tempo AI 平臺(tái)中的自定義算法模塊，封裝業(yè)務(wù)機(jī)理算法和數(shù)據(jù)驅(qū)動(dòng)類(lèi)算法，形成可復(fù)用的算法節(jié)點(diǎn)，通過(guò)拖拽式圖形化建模，構(gòu)建面向典型業(yè)務(wù)的分析流程。最后，將數(shù)據(jù)分析結(jié)果存儲(chǔ)到數(shù)據(jù)庫(kù)中，并支持實(shí)時(shí)推送結(jié)果信息，及時(shí)、有效地賦能領(lǐng)導(dǎo)層決策。
Tempo AI 算法統(tǒng)一管理與協(xié)同集成應(yīng)用模式如何使用Tempo AI實(shí)現(xiàn)工業(yè)知識(shí)復(fù)用
以某新能源發(fā)電企業(yè)的生產(chǎn)運(yùn)維為例：為確保電廠運(yùn)行狀態(tài)滿(mǎn)足相關(guān)技術(shù)要求，需對(duì)廠內(nèi)的發(fā)電機(jī)組運(yùn)行相關(guān)的多個(gè)參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。然而，在面對(duì)海量運(yùn)行監(jiān)測(cè)數(shù)據(jù)時(shí)，人工極難準(zhǔn)確識(shí)別其中存在的尚未有明顯可視特征的異常信息，易導(dǎo)致誤判漏判；況且，在監(jiān)測(cè)出機(jī)組的異常狀態(tài)信息后，需盡早評(píng)估相關(guān)異?？赡軐?duì)機(jī)組安全性和經(jīng)濟(jì)性所造成的影響，并依據(jù)影響情況擬定運(yùn)行策略。然而，由于電廠的系統(tǒng)規(guī)模龐大，運(yùn)行工況復(fù)雜，運(yùn)行狀態(tài)參數(shù)眾多，使得人的知識(shí)、經(jīng)驗(yàn)和識(shí)別可靠度，難以滿(mǎn)足機(jī)組運(yùn)行對(duì)于異常發(fā)展趨勢(shì)評(píng)價(jià)的準(zhǔn)確性和時(shí)效性要求。
現(xiàn)有以下需求：優(yōu)化目前電廠基于DCS系統(tǒng)的異常檢測(cè)方法，基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)與健康管理PHM技術(shù)架構(gòu)，實(shí)現(xiàn)全功率范圍內(nèi)的系統(tǒng)級(jí)狀態(tài)估計(jì)、異常檢測(cè)、健康評(píng)估、故障診斷和故障預(yù)測(cè)等功能。
01、數(shù)據(jù)采集
基于Tempo DF平臺(tái)OPC-UA標(biāo)準(zhǔn)協(xié)議進(jìn)行數(shù)據(jù)采集，實(shí)時(shí)讀取DCS系統(tǒng)的設(shè)備運(yùn)行數(shù)據(jù)，通過(guò)Kafka接入數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)采集；同時(shí)提供了各類(lèi)常見(jiàn)的數(shù)據(jù)庫(kù)接入?yún)f(xié)議，可以實(shí)時(shí)接入業(yè)務(wù)系統(tǒng)數(shù)據(jù)。
用戶(hù)根據(jù)電廠多年實(shí)際運(yùn)行情況，結(jié)合歷史經(jīng)驗(yàn)和國(guó)內(nèi)外的技術(shù)文獻(xiàn)，實(shí)現(xiàn)了大量的自主算法設(shè)計(jì)和模型構(gòu)建。然而，這些算法和模型都是以文件或代碼的方式存儲(chǔ)，難以實(shí)現(xiàn)算法和模型的遷移和復(fù)用。為解決以上問(wèn)題，利用Tempo AI 平臺(tái)的自定義算法模塊將此類(lèi)算法和模型封裝成可支持拖拽式的自定義算法節(jié)點(diǎn)，直接融入平臺(tái)所提供的模型管理與服務(wù)調(diào)用機(jī)制中，實(shí)現(xiàn)了算法和模型的統(tǒng)一管理與快速?gòu)?fù)用；此外，這些自定義節(jié)點(diǎn)可以與平臺(tái)上的其他節(jié)點(diǎn)相互配合，完成深度數(shù)據(jù)分析流程的搭建，支撐各業(yè)務(wù)系統(tǒng)應(yīng)用。
03、業(yè)務(wù)系統(tǒng)構(gòu)建
構(gòu)建最優(yōu)狀態(tài)估計(jì)模型、不確定度分析模型和可靠性模型，利用電廠離線數(shù)據(jù)或設(shè)備試驗(yàn)臺(tái)架數(shù)據(jù)對(duì)最優(yōu)狀態(tài)估計(jì)模型進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)對(duì)實(shí)時(shí)采集數(shù)據(jù)的最優(yōu)狀態(tài)估計(jì)，以及對(duì)最優(yōu)狀態(tài)估計(jì)模型開(kāi)展不確定度分析、可靠性分析，為后續(xù)的異常檢測(cè)、健康評(píng)估和故障診斷等奠定基礎(chǔ)。
04、數(shù)據(jù)可視化展示
通過(guò)Tempo平臺(tái)的BI可視化功能, 根據(jù)最優(yōu)狀態(tài)估計(jì)結(jié)果實(shí)現(xiàn)儀表的健康狀態(tài)評(píng)估, 并實(shí)時(shí)顯示其性能退化趨勢(shì)。
隨著Tempo AI平臺(tái)通過(guò)融合自定義算法模塊，實(shí)現(xiàn)各類(lèi)典型工業(yè)知識(shí)和第三方算法的嵌入、復(fù)用落地，在試驗(yàn)數(shù)據(jù)分析、設(shè)備智能運(yùn)維與健康管理等領(lǐng)域已帶來(lái)非常便捷高效的應(yīng)用體現(xiàn)。然而，依舊存在著許多待改進(jìn)的地方，例如：未來(lái)，我們將繼續(xù)著力提升算法嵌入后的執(zhí)行性能，滿(mǎn)足不同業(yè)務(wù)領(lǐng)域工程化應(yīng)用的訴求；考慮為多方聯(lián)合開(kāi)發(fā)的算法組件提供授權(quán)機(jī)制，孵化平臺(tái)在行業(yè)應(yīng)用的生態(tài)及運(yùn)營(yíng)模式等。
服務(wù)工業(yè)智能化進(jìn)程推進(jìn)，我們一直在路上！
Tempo商業(yè)智能平臺(tái)
Tempo人工智能平臺(tái)
Tempo數(shù)據(jù)工廠平臺(tái)
Tempo指標(biāo)平臺(tái)
Tempo數(shù)據(jù)治理平臺(tái)
Tempo主數(shù)據(jù)管理平臺(tái)
首頁(yè)
美林?jǐn)?shù)據(jù)
美林新聞
陜公網(wǎng)安備 61019002000171號(hào)
