我们非常重视您的个人隐私,当您访问我们的网站时,请同意使用的所有cookie。有关个人数据处理的更多信息可访问《使用条款》

鲁邦通带你解读工业智能热门科技——大数据、边缘计算、CPS

2023.04.21 鲁邦通编辑部

阅读量:403

分享:

8月3日,在2017中国大数据产业生态大会中的中美大数据产业对瞰论坛中,北京天泽智云科技有限公司研发副总裁、美国国家科学基金会(NSF)智能维护系统(IMS)产学合作中心博士研究员刘宗长发表了“CPS、云计算、边缘计算在工业智能中的应用探索”的主题演讲。

刘宗长在演讲中,从多个维度分析了工业大数据的概念与含义,解读了边缘计算、云计算、工业互联网、CPS人工智能与大数据的关系,通过分享风场智能运维系统和轨道交通智能运维系统的应用案例,提出融合边缘计算和云计算的“信息-物理系统”(CPS)架构是实现工业智能化升级和价值转型的根基。


智能维护系统 (IMS) 中心

在2000年IMS中心成立时期,人工智能、大数据以及机器学习等都是当时非常前沿的技术,那时IMS就开始探索怎么通过机器的数据来分析判断发生故障前衰退的痕迹,以及预测未来的生命周期表现。目标是将设备纠错式维修变成预测性维护,结合生产维护排程,在资源效率最优、成本最小的情况下排除故障,最终实现近零停机的智能维护系统。

工业中的忧虑


工业环境当中会遇到很多的问题,无论是质量问题、设备的停机问题还是产生次品问题等,这些都是在冰山上面可见的部分,而冰山下面不可见的问题才是最重要的挑战。在生产场景当中,这些不可见的问题包括设备的衰退、过程参数的偏移、还有人员操作的不稳定性等;使用场景当中,如一台风机或者船舶的经济性、安全性、功能性状态变化都是不可见的。可见的问题都是在不可见的问题累计到一定程度之后才产生的结果。我们能够用数据分析的手段把不可见的问题显性化,最终实现:零停机、零次品、零浪费,实现了这三个零,才能让工业变得无忧。

工业互联网与工业大数据


今天会议的主题是工业大数据,2011年GE提出工业互联网和工业大数据的概念,当初是怎么提出的?GE是怎么认识这个问题的?起初GE画了这样一个圈,作为工业互联网整个技术和应用的综合性架构图。数据从设备当中输出并没有直接送到云端,而是放在机器端的算法上,这需要和边缘计算结合在一起。去年GE提出了工业互联网的十个先行的解决方案,这其中许多案例都用到硬件Predix-Ready Box,它能够与Predix随时相连,大量数据在设备端被预先定义好的流程和方法进行相对重复的初步分析,云端则使用更先进的算法做大数据的挖掘、关联性挖掘,甚至是具有认知性的迁移学习等。云端还有一个非常重要的作用,要把数据中的洞察进行分享和分忧;并且当数据被需要时,无论何时何地都可见可得,这样就可以实现整个决策过程的实时性和协同性。目前对于一个公司来讲,它的决策水平,主要体现在如何快速精准地做决策,就需要结合运行方面的模型。分析后的数据变成有用的决策,决策再反馈到设备当中,无论是指导它的生产、维护还是设计,最终形成闭环的数据驱动决策流程。

工业互联网需要具备三个智能,即智能设备、智能分析、智能决策,如何体现?包含几个重要的技术层次,连接、监控、分析、预测和优化,在这五个方面中,数据起到非常重要的作用。

大数据是很早就提出的概念,最早的大数据出现在互联网,现在工业大数据和互联网大数据是不同的。区别在于:第一,工业大数据由于每一个设备工况的复杂和个性化,需要高度的定制化;第二,是需要非常多的洞察。过去大数据挖掘的是相关性,从相关性就可以转变成决策,而工业大数据最重要的是因果性,那么找到因果性的关键是什么?是对这个设备本身的领域知识和对设备机理的认知;第三,是在做分析的时候,传统的互联网大数据的特点更多是发散性,比如给我一组数据,可以没有明确的目标,通过数据挖掘出相关性,再去定义服务模式和商业模式,但是工业大数据是收敛的,从收集数据开始就要了解目标是什么,故障的预测、设备寿命的预测、质量风险的预测还是维护排程优化。具备了明确的目标后,再定义需要什么样的数据和采用什么样的分析方法。

工业大数据的价值体现

工业大数据怎么体现价值?李杰教授提出的煎蛋模型可以给出很好地解释。传统工业价值指的是蛋黄的部分,即5个M,包括它的材料、设备、方法、维护和测量。用传统的视角看,无论是工业大数据还是工业互联网,价值的核心是蛋白的部分,即6个C,建立互联互动的环境(Connection)、IoT的基础架构以及在云端随时随地按需获取的计算与存储的能力(Cloud),在赛博空间(Cyber)建立数字孪生模型,建立设备全生命周期的数据档案的记忆(Contents/Context),结合带有场景化的数据分析,提供对数据深刻的洞察,最后这些数据能够在社群当(Community)中进行分享,在用户群体或整个供应链和生态链当中分享数据,最终在整个社群当中每一个人都能从中获得个性化的服务(Customization),这是互联网和大数据提供的6个C的价值,怎么与我们传统的工业价值相结合?中间一个最重要的桥梁就是第六个M:建模(Modeling)。这个过程当中需要用数据通过建模的方式对前面的五个M进行管理重构和优化,这其实是绝大多数企业面临的瓶颈,或者说目前工业大数据的价值缺失的部分就是在第六个M上。

云计算+边缘计算

大数据是一种现象而不是一项技术,所以会涌现出很多技术来解决大数据造成的问题,包括边缘计算、云计算、IoT以及人工智能,他们之间是什么关系呢?在李杰教授的《云上工业智能》一书中,边缘计算的核心就是要产生数据的生态,因为工业里面数据不会自发形成,它不像互联网一样本身在线,每一次点击的消费行为都会产生一个数据。工业的设备数据很难在线,需要通过边缘计算和IoT架构把数据生态建立起来,包括传感器、物联网平台、嵌入式智能都是在边缘端要解决的技术的问题。



另一方面在云端做什么?包含两个部分,第一是知识的生态,工业界的数据本身具备很强的专业化和碎片化,这需要很多专家贡献他们的知识,无论是特别有经验的行业专家,还是像我们这种能够提供机器PHM建模技术的团队,或者对于用户画像或供应链等各方面的分析专家,这些能够形成一个知识的生态。然后怎样把知识迅速地用低门槛的方式去服务于所有的产业也是我们考虑的问题。这就是另一方面,即怎样建立一个服务生态,包括产业链上下游、第三方的专业服务以及如何让有经验的人实现知识的变现。这些全部完成之后,制造的核心知识可以迅速地传承和应用,同时制造的服务价值也会被迅速扩大。用李杰教授在书中的比喻,数据创造价值要经过分类、分割、分解、分析、分享和分忧。前三个主要在边缘计算中完成;分析的部分中重复性和内生性的分析在边缘端完成,而创造性和外延性的分析在云端完成;最终在云端的社区中分享信息和知识,在协同中实现分忧。

支持云端与边缘端跨平台部署的工业AI算法引擎

IMS中心过去17年以来,重点解决了一个问题,就是如何建模,即如何实现第六个M,我们过去研发了Watchdog Agent®算法工具包,2011年在美国国家仪器(NI)的LabView上面正式的把这个工具包进行了商业化,经常用到不同的面向机器分析的模型、机器数据分析的模型等都被模块化了。LabView结合它的硬件平台CompactRIO可以通过拖拽的方式迅速地利用这些模块搭建一个模型,嵌入到边缘端。比如面向一个轴承,振动分析该怎样去找到故障的特征?怎样去做故障诊断?能够形成在平台上迅速搭建边缘计算的能力。

天泽智云基于Watchdog Agent®算法工具包开发了我们的工业智能算法引擎,建立了智能算法库。现在我们与微软的Azure进行合作,将智能算法引擎部署到云端,一方面利用云计算的环境建立模型,做数据的挖掘、知识的产生。另一方面在云端做边缘计算节点的管理与部署。实现这样的部署之后,比如平时监控十个节点,这些节点的数采管理、模型版本的管理、远程分发部署等,都可以在云端通过节点的服务去完成。最终实现的这些模型,如果是可以重复使用的,比如不需要运算、不需要与外界的信息相连,或者是数据重复性在做的,这样的模型一旦建立好,数据进来,在云计算环境进行计算,部署好再了放到边缘端上去。运算的结果也可以通过传输到用户端,以Machine Apps这样的方式实现客制化的软件服务发布。

案例分享 – 风场智能运维系统

给大家举几个例子以及工业大数据几个核心的应用场景。第一个应用场景是智能风场运维系统,风电的装备在过去几年中发展得越来越庞大且难以维护,每停机一次造成功率的损失、维护成本也越来越高,风机在运行时能否实现在远端平台上实时监控相应的状态指标?从风场级别上看,整个风场运行的KPI,每台风机的分布都可以一目了然,哪台风机存在隐患时,我们可以得到历史数据,通过嵌入了很多故障预测和异常监测的模型,能够判断具体哪一个部件有什么样的风险,甚至是接下来会出现怎样的故障模式。在这个过程中,状态被透明化后,再以预测性的视角进行排程,同时对风速进行实时预测,可以选择在风小的时候停下来进行维护,风大的时候尽量保持发电。通过结合维护排程优化的模型能够把整个维护过程当中的损失大幅降低。

这个系统目前能够解决的三方面问题,在生产管理方面,结合风功率预测技术和每个风机的管理技术,可以实现每一台风机发电的精准预测,精准率达90%以上;健康管理方面,结合远程监测和故障预测性诊断技术,对超过30多种关键部件建立故障预测的模型,针对核心部件的故障我们可以至少提前28天预测出来;运维管理方面,实现维护的排程优化,一方面优化排程,一方面优化资源的调度,能够把整个维护过程当中的费用降低30%以上。

在这个系统中,我们将很多模型部署在边缘端。在建模的过程中,很多数据有相关性,用模式识别等算法将许多数据的相关性建立起来之后,模型基本上可以被固化下来。每台风机根据自己的数据建立模型,可以对风机自身问题的表征具备较高的客制化功能。这个模型建立起来之后部署在边缘端,每次数据传输进来后与模型进行匹配,可以实现基于相似度的评估,如目前风机和正常状态偏离了多少,可以追溯这些多维的数据中到底是哪一个测点有偏移造成了整体的变化。

云端做什么?用机器学习的技术挖掘产生的知识。这个领域里,我们曾经对数十万个振动信号做过大数据挖掘。首先定义了很多的特征,这些特征来自于专家的经验知识,比如分析师判断在整个振动链上面是否有问题,这些特征用机器学习的建模技术,对它进行批量处理,之后找到一些规律和其中的一些现象,用这样的规律可以对整个集群建立更加可视化的模型。模型建立起来以后,可以直接被分发到面向每台风机具体执行的计算当中去,包括对机位的管理、故障的定位,再到详细的过程分析,整个过程中把有问题的风机从数十万个风机当中迅速地挖掘出来。这样的建模一旦产生,就产生了一个新的知识,这个模型就可以被用到全世界所有的风机上。这就是用机器学习迅速挖掘知识并且利用知识的过程。

案例分享 – 轨道交通智能运维系统

阿尔斯通的案例向我们展示了怎样运用数据去产生商业价值。它在轨道交通方面是全球非常领先的OEM生产商,早在2006年就开始探索怎么利用运行当中产生的数据为用户提供更好的服务。阿尔斯通的技术布局包括建立一些边缘端的系统,如Train Tracer、Track Tracer、Train Scanner等,这些系统即便离开云端,部署的嵌入式模型依然能够解决90%的问题。同时很多辆的列车和基础设施相关数据分析完之后产生了跟状态相关的洞察,会被传到云端,在远程云端可以实现实时评估关键部件健康状态、预测运行风向和剩余寿命、以及维护计划排程优化。

目前HealthHub的应用使维护成本降低15%,维护时间降低85%。同时由于有这样一套系统,ALSTOM轨道交通部门的服务型收入占总收入超过35%,利润占比超过50%,其对智能轨道交通产品发展的重视体现了ALSTOM进一步向服务型制造转型的决心。


技术实现的过程是在连接层和边缘端进行实时的数据分析,到网络层进行计算,包括如何做决策,如何做维护的排程,再反馈到最后的执行端,是一套完整的技术架构。IMS在2010年开始与阿尔斯通合作,开发了很多轨道交通的典型应用,比如高铁的在线监控,每个车辆里面的详细部件,如轴承牵引系统等健康状态的诊断等。针对轨道的基础设施,如道岔机、铁轨的健康状态,我们也做了一个系统,在载客状态下,实时判断铁轨是否有问题。

CPS(信息-物理系统)的意义

今年3月份李杰教授出了一本新书《CPS新一代工业智能》,在这本书里定义了CPS的5C技术体系架构,即Connection智能连接层、Conversion智能分析层、Cyber智能网络层、 Cognition智能认知层、Configuration智能配置与执行层。CPS也是今年工信部推广的一项重要的技术架构,于3月1日正式发布了CPS信息物理系统白皮书,将CPS定义为支撑工业和信息化深度融合的一套综合技术体系,对于实现中国制造2025和推进我国工业产业的价值转型与升级具有重大的意义。李杰教授基于5C架构的CPS理论被收录于白皮书中,也是经过落地实践(中国船舶工业集团船舶智能运行与维护系统SOMS)验证成功的CPS指导框架和技术体系。

天泽智云的工业智能化解决方案以CPS为基础,将CPS的5C架构作为指导框架,融合DT数据处理技术、AT分析软件技术、PT平台接口技术和OT运营技术,对工业大数据进行分析、预测和优化,转换成高价值生产力。第一个数据处理技术DT,包括信息的感知层以及边缘计算;第二个分析软件技术AT,是将数据转化成有用的信息;再往上第三个层次的赛博(Cyber)代表平台技术(PT),平台和分析技术融合产生一些认知和洞察后,要反馈到运营技术OT去进行有效的协同优化与配置。5个C的架构,从数据获取到最终价值的交付是一个非常完整的体系,它打通了从原始数据到业务应用的通道,实现了从数据库到模型库最终产生应用库的价值升级。

关于天泽智云

天泽智云是工业智能实践引领者。提供以先进算法引擎和全球领先算法库为核心的端到端工业智能解决方案。我们以服务为驱动,以实现企业最终价值为导向,提升资产的经济效益,加速产业的智能化升级和价值转型。

天泽智云的工业资产智能运维解决方案以“信息-物理系统”(CPS)技术为构架,结合对工业场景的深度理解,为客户提供从方案的咨询到实施以及持续的能力交付的整体解决方案。通过交付从产品到能力的赋能服务,真正地帮助客户提升整体竞争力,实现价值转型。

最后,欢迎关注天泽智云的官方微信,里面有很多工业智能化成功应用案例,以及工业智能相关的技术资讯可供参考。