得益于物聯(lián)網(wǎng)和工業(yè)4.0的興起，最近幾年，不少企業(yè)已經(jīng)通過物聯(lián)網(wǎng)的手段，建立起了數(shù)據(jù)采集，監(jiān)控和展示的平臺(tái)。對(duì)于數(shù)據(jù)的深層次應(yīng)用，例如利用最新的機(jī)器學(xué)習(xí)算法，對(duì)數(shù)據(jù)進(jìn)行智能化提升，則是目前工業(yè)用戶進(jìn)行數(shù)字化轉(zhuǎn)型的必由之路。

從現(xiàn)在的趨勢(shì)來看，人工智能的熱點(diǎn)領(lǐng)域都集中在語言、圖像交互類， 或者商業(yè)應(yīng)用類。對(duì)于工業(yè)領(lǐng)域，基于物聯(lián)網(wǎng)獲取的流式數(shù)據(jù)，如何通過人工智能來實(shí)現(xiàn)效率提升？在使用這些數(shù)據(jù)的過程中，如何避免踩坑，順利進(jìn)行方案的部署？這是工業(yè)界需要解決的問題。為此，本期硬創(chuàng)公開課，雷鋒網(wǎng)邀請(qǐng)了覺云科技CEO常偉來為大家講解如何用物聯(lián)網(wǎng)數(shù)據(jù)來構(gòu)建工業(yè)智能。

嘉賓介紹

常偉先生是覺云科技的的創(chuàng)始人及CEO，在成立覺云科技前，他來自于微軟上海，是物聯(lián)網(wǎng)方案部門負(fù)責(zé)人，負(fù)責(zé)基于云端的物聯(lián)網(wǎng)的服務(wù)組件設(shè)計(jì)和推廣，包括了Azure的PaaS和SasS的服務(wù)在中國(guó)的落地，提供云端的數(shù)據(jù)接入，協(xié)議轉(zhuǎn)換，服務(wù)分配，平臺(tái)集成，分析和展示。主要客戶包括上海觀致，中國(guó)福特、中國(guó)通用等企業(yè)。

以下內(nèi)容整理自本期公開課，雷鋒網(wǎng)做了不改變?cè)敢獾木庉嫞?/em>

整個(gè)互聯(lián)網(wǎng)到物聯(lián)網(wǎng)走到現(xiàn)在是可以通過數(shù)據(jù)其解決一些問題的。

在信息化時(shí)代，我們經(jīng)歷了從數(shù)據(jù)到信息到知識(shí)再到智能的過程，我們也相信在商業(yè)、工業(yè)領(lǐng)域都有大量的信息或者數(shù)據(jù)，而這些數(shù)據(jù)的價(jià)值就需要業(yè)界來挖掘，最后才會(huì)走到金字塔頂端智能所要解決的問題。

大家常見的是交互類的智能，例如語音識(shí)別、圖像識(shí)別等，毋庸置疑，這是現(xiàn)在很熱門的一類課題，但今天講的內(nèi)容主要聚焦工業(yè)領(lǐng)域，怎么利用工業(yè)智能解決工業(yè)領(lǐng)域的問題。

算法是基礎(chǔ)

這張圖片列舉了常見的幾種算法，分類、回歸、推薦、異常點(diǎn)檢測(cè)、聚類。分類主要是用來區(qū)分不同的群體，回歸主要用來預(yù)測(cè)，例如預(yù)測(cè)一臺(tái)設(shè)備什么時(shí)候發(fā)生故障；推薦主要解決的是，用戶買了商品A之后，可以推薦商品B或者C；異常點(diǎn)檢測(cè)主要針對(duì)沒有歷史記錄如何在一個(gè)矢量集來找出異常點(diǎn)。

現(xiàn)在這些算法都已經(jīng)存在，我們的任務(wù)主要是利用這些算法來應(yīng)用到商業(yè)應(yīng)用或者工業(yè)應(yīng)用當(dāng)中。

工業(yè)物聯(lián)網(wǎng)的范圍很大，包括數(shù)據(jù)傳輸、采集、通信以及平臺(tái)的展示等。覺云目前做的是工業(yè)算法和模塊。這處于工業(yè)物聯(lián)網(wǎng)中游的位置，即拿到工業(yè)領(lǐng)域的流失數(shù)據(jù)后，再進(jìn)行智能分析得出結(jié)果后在跟企業(yè)應(yīng)用系統(tǒng)做集成。

工業(yè)智能怎么做？

在工業(yè)智能里面，一般使用的數(shù)據(jù)是流式數(shù)據(jù)，采集的數(shù)據(jù)大部分來自設(shè)備端的數(shù)據(jù)，例如，泵、變速箱和機(jī)床這些和設(shè)備相關(guān)的變量。

在采集完數(shù)據(jù)后，可以通過算法模型進(jìn)行建模評(píng)估，評(píng)估完之后就可以給客戶提供預(yù)測(cè)性維護(hù)、能效管理以及質(zhì)量管理等。

針對(duì)不同業(yè)務(wù)領(lǐng)域提供算法模型，這些算法模型還會(huì)推送出一些結(jié)果。最后還會(huì)有不同的部署方式。有兩種，一種是結(jié)果會(huì)嵌入到現(xiàn)有的設(shè)備管理系統(tǒng)平臺(tái)，第二種是會(huì)構(gòu)建SaaS服務(wù)平臺(tái)，例如機(jī)床診斷模塊。

大數(shù)據(jù)分析項(xiàng)目的基本流程

工業(yè)大數(shù)據(jù)分析是最近一兩年有了工業(yè)物聯(lián)網(wǎng)后才興起的。目前覺云是基于既有經(jīng)驗(yàn)，已經(jīng)有行業(yè)的know how，可以在8周的時(shí)間里進(jìn)行部署。

在這期間，主要做兩大工作：第一階段是數(shù)據(jù)的準(zhǔn)備，包括數(shù)據(jù)導(dǎo)入、數(shù)據(jù)清洗和基本的可視化；第二部分是數(shù)據(jù)建模，包括特征和算法的選擇、模型測(cè)試和評(píng)估。這兩大工作后面會(huì)結(jié)合實(shí)際案例作分析。

在這兩部分工作做完后，就是數(shù)據(jù)運(yùn)營(yíng)了。上述模型通過可視化之后會(huì)部署到現(xiàn)有的平臺(tái)或者是SaaS服務(wù)云。在這部分，需要有日常的運(yùn)營(yíng)工作，例如應(yīng)用端的部署、分值計(jì)量和衡量指標(biāo)，到最后還會(huì)反饋到第一個(gè)階段，算法不是一成不變的，隨著數(shù)據(jù)的積累、故障調(diào)優(yōu)，會(huì)重新反饋到第一階段。所以實(shí)際上，算法是在云端或者在本地的自學(xué)習(xí)的算法，隨著數(shù)據(jù)的積累，也會(huì)更加智能。

案例分享

一、電梯預(yù)測(cè)性維護(hù)

電梯是量很大的設(shè)備，對(duì)安全質(zhì)量要求很高。在電梯的智能化轉(zhuǎn)型過程中，有三個(gè)階段。

第一階段以安全監(jiān)控為主，主要是東芝、日立這些日系企業(yè)通過總線系統(tǒng)收集電梯運(yùn)行的實(shí)時(shí)數(shù)據(jù)，根據(jù)預(yù)先定義的閾值(例如最高速度)進(jìn)行報(bào)警。

第二階段就是三菱電梯通過歷史數(shù)據(jù)進(jìn)行存儲(chǔ)，然后對(duì)地洞次數(shù)、運(yùn)行時(shí)間做統(tǒng)計(jì)。統(tǒng)計(jì)指的是數(shù)據(jù)分析來預(yù)測(cè)電梯的健康狀況。第一階段和第二階段主要用的是歷史數(shù)據(jù)或者是人工統(tǒng)計(jì)的方式來做分析。

第三階段就是智能預(yù)測(cè)了，這一階段可以通過電機(jī)總線和外加傳感器的方式來收集實(shí)時(shí)數(shù)據(jù)，這些數(shù)據(jù)可以從系統(tǒng)層面來分析故障、能耗等。與此同時(shí)，隨著這些數(shù)據(jù)的積累，還可以建立一個(gè)回修專家系統(tǒng)，像OTIS、蒂森克虜伯這些公司已經(jīng)在做這部分工作。

Gartner曾對(duì)蒂森克虜伯的方案做出這樣評(píng)價(jià)，它是電梯預(yù)測(cè)性維護(hù)的第一個(gè)方案，它可以告訴技術(shù)工人怎么去維護(hù)。蒂森是一家德國(guó)高端電梯公司，在北美一共有一百萬的電梯在運(yùn)行。蒂森和微軟、CGI合作，通過物聯(lián)網(wǎng)監(jiān)控平臺(tái)BlueBox，可以把數(shù)據(jù)實(shí)時(shí)上傳到云端，在云端進(jìn)行數(shù)據(jù)存儲(chǔ)分析，最后把結(jié)果展現(xiàn)到終端，所以售后團(tuán)隊(duì)就可以提前知道電梯的情況，這樣就可以實(shí)現(xiàn)停機(jī)時(shí)間縮短一半。

雖然很多都能做到實(shí)時(shí)監(jiān)控，但大數(shù)據(jù)需要做的是用云來做實(shí)時(shí)的分析。

這張圖顯示了某臺(tái)電梯在某個(gè)位置的健康狀況。從圖中可以看到，這臺(tái)設(shè)備的健康指數(shù)是70%，這其中采集了溫度、電梯速度高速、電梯門關(guān)門時(shí)間等，通過這些數(shù)值的綜合評(píng)估來給電梯做健康值的打分。

下一步就是實(shí)時(shí)性預(yù)測(cè)。采集這些電梯變量之后，通過分析就可以得出預(yù)測(cè)，再對(duì)工作人員進(jìn)行通知，設(shè)備在幾天之后會(huì)出現(xiàn)故障。

這是蒂森電梯的應(yīng)用架構(gòu)

從圖中可以看出，BlueBox獲取數(shù)據(jù)后，進(jìn)行前端處理并做存儲(chǔ)。事實(shí)上，在這一階段，做存儲(chǔ)并不容易，流式數(shù)據(jù)的采集、展示和分析，對(duì)數(shù)據(jù)質(zhì)量要求很高。此外，還可以利用機(jī)器學(xué)習(xí)來對(duì)實(shí)時(shí)監(jiān)控做評(píng)判。

做大數(shù)據(jù)分析出發(fā)點(diǎn)是解決用戶痛點(diǎn)，工業(yè)物聯(lián)網(wǎng)和傳統(tǒng)交互體驗(yàn)的人工智能相比，最大的區(qū)別就是工業(yè)智能解決的是顯示存在的問題。預(yù)測(cè)維護(hù)可以幫助客戶進(jìn)行提前預(yù)警、備貨，減少人力成本；創(chuàng)建新的可靠性標(biāo)準(zhǔn)；實(shí)時(shí)監(jiān)控，可以給電梯提供商、業(yè)務(wù)和用戶帶來安全保障。

二、變速箱預(yù)測(cè)性維護(hù)

和電梯一樣，變速箱也是一臺(tái)成套設(shè)備，由電機(jī)、減速箱、驅(qū)動(dòng)器、鋼絲繩等部分組成。而對(duì)成套設(shè)備做預(yù)測(cè)性維護(hù)并非是預(yù)測(cè)成套設(shè)別的生命周期，最終都是對(duì)系統(tǒng)的組成單元做預(yù)測(cè)性維護(hù)，把問題聚焦。

這是整體的分析框架

數(shù)據(jù)源來自客戶，包括報(bào)警數(shù)據(jù)、模擬數(shù)據(jù)（電流電壓溫度等）、數(shù)字?jǐn)?shù)據(jù)（開關(guān)位置）、標(biāo)簽描述。拿到這些數(shù)據(jù)后，就要做相應(yīng)的數(shù)據(jù)存儲(chǔ)和分析。這里主要做兩部分工作：1.可視化，主要目的發(fā)現(xiàn)問題的時(shí)間分布在哪，從該圖可以看出，我們收集到的數(shù)據(jù)量非常大，模擬數(shù)據(jù)175M，數(shù)字?jǐn)?shù)據(jù)10M，報(bào)警歷史記錄有1740條。。

然后再通過機(jī)器學(xué)習(xí)進(jìn)行建模，對(duì)故障模型進(jìn)行分析，分析后把故障預(yù)測(cè)的結(jié)果推送到可視化工具。

在之前的案例中我們發(fā)現(xiàn)，每個(gè)這些問題發(fā)生的頻率是不同的。變速箱過熱是常態(tài)問題，5個(gè)月一共發(fā)生了1340起，占到了整個(gè)故障的77%，如果能準(zhǔn)確預(yù)測(cè)這類問題，那么就能結(jié)局大部分問題。

除此之外，需要注意的是，有些問題之間也存在關(guān)聯(lián)，例如變速箱過熱會(huì)產(chǎn)生其它的問題。當(dāng)某天變速箱過熱問題特別集中，我們要分析這其中的原因，這對(duì)數(shù)據(jù)建模、特征分析、特征工程非常有幫助。

拿到數(shù)據(jù)做完分析之后，下一個(gè)工作是要工程處理。

工業(yè)智能數(shù)據(jù)有個(gè)特點(diǎn)：低維高頻，維度不多（相比購(gòu)買行為預(yù)測(cè)的變量很少），但是頻次很高，每秒都在采集。所以，我們需要有相應(yīng)的處理辦法：對(duì)傳感器的數(shù)據(jù)做聚合，最大、最小、中值、標(biāo)準(zhǔn)方差等，主要目的是讓初始變量更加豐富，變量越多預(yù)測(cè)的準(zhǔn)確性也越高。

然后是數(shù)據(jù)建模。對(duì)于故障預(yù)測(cè)，我們進(jìn)行了多個(gè)模型的選擇，尤其是在分類和異常檢測(cè)方面。分類是要告訴設(shè)備是否會(huì)壞，這會(huì)用到二元分類、回歸、多元分類和異常點(diǎn)檢測(cè)。

建模后要進(jìn)行模型評(píng)估

這張圖顯示的是，在自由的算法包中進(jìn)行評(píng)估來預(yù)測(cè)下5個(gè)小時(shí)內(nèi)發(fā)生變速箱過熱的概率。右下角是預(yù)測(cè)的對(duì)比值（邏輯回歸、增強(qiáng)決策樹、決策樹、支持向量機(jī)）：

最終評(píng)估下來，增強(qiáng)決策樹算法在準(zhǔn)確性、精準(zhǔn)度等擁有很好的表現(xiàn)，所以最后選擇用這個(gè)算來作為變速箱過熱的預(yù)測(cè)。

最后是模型部署。做完模型之后，輸出的結(jié)果是一條記錄，例如變速箱在未來5個(gè)小時(shí)發(fā)生過熱的概率是多少。這之后有三種選擇：第一是和現(xiàn)場(chǎng)維修工單系統(tǒng)對(duì)接，第二是把結(jié)果推送到系統(tǒng)監(jiān)控平臺(tái)，另外也會(huì)發(fā)郵件提醒給管理人員。

從目前來看，能做數(shù)據(jù)采集的公司一般都具備這樣的維修工單系統(tǒng)平臺(tái)。

變速箱智能化主要給客戶帶來了四個(gè)方面的價(jià)值：提升設(shè)備、人員的生產(chǎn)力；減少故障停機(jī)，提高客戶滿意度；建立智能碼頭；構(gòu)建新的價(jià)值體系。

另外，這個(gè)案例還得出了一個(gè)結(jié)論：如果要做成套設(shè)備的話，一定要從組件開始做預(yù)測(cè)。

三、通過預(yù)測(cè)性模型進(jìn)行刀具故障預(yù)測(cè)

在工業(yè)制造里面，機(jī)床最核心的問題就是刀具問題。實(shí)際上，刀具之于機(jī)床就如牙齒之于人類，如果刀具發(fā)生問題能提前感知，才能第一時(shí)間修復(fù)。

如果問題發(fā)生之后，再去修復(fù)就已經(jīng)產(chǎn)生了廢品，這也會(huì)造成更大的損失。

上圖顯示的是某公司通過控制器收集了不同機(jī)床運(yùn)行的數(shù)據(jù)，包括電流、電壓等。這里有幾個(gè)原則：因?yàn)橛绊懙毒邏勖淖兞亢芏?，所以需要人工智能算法來預(yù)測(cè)；另外，可以和多年經(jīng)驗(yàn)曲線進(jìn)行結(jié)合；刀具壽命是非線性關(guān)系，一定要通過實(shí)時(shí)數(shù)據(jù)進(jìn)行在線學(xué)習(xí)。

應(yīng)用大數(shù)據(jù)算法形成智能化機(jī)床設(shè)備管理體系之后，會(huì)根據(jù)數(shù)據(jù)建模分為兩大問題：第一類，刀具會(huì)不會(huì)發(fā)生故障，第二類是多久發(fā)生故障。

針對(duì)第一類問題，用分類模型來解決，例如選擇用邏輯回歸、決策樹還是神經(jīng)網(wǎng)絡(luò)來告訴我們會(huì)不會(huì)壞，如果會(huì)壞，就來到下一個(gè)問題。預(yù)測(cè)多久發(fā)生故障，則主要用決策樹、泊松回歸、神經(jīng)網(wǎng)絡(luò)回歸等來告訴設(shè)備提供商設(shè)備多久會(huì)壞。

總結(jié)

之前，我們看到的智能算法主要聚焦在商業(yè)或者交互領(lǐng)域，現(xiàn)在我們正在嘗試把智能算法帶到工業(yè)領(lǐng)域。

工業(yè)智能，解決問題的算法體系主要分為三大類：第一是預(yù)測(cè)性維護(hù)，這對(duì)于基于物理損耗為主的設(shè)備是最行之有效的算法；第二類是能效管理；第三類是質(zhì)量管理。

精彩問答

Q：對(duì)于流程工業(yè)生產(chǎn)環(huán)境下的生產(chǎn)設(shè)備故障預(yù)測(cè)，在數(shù)據(jù)采集匯總階段，需要考慮哪些因素？或者需要哪些數(shù)據(jù)輸入呢？

A：這里面有兩個(gè)層次的問題：第一個(gè)是自上而下來做，現(xiàn)在流程工業(yè)里面，DCS（雷鋒網(wǎng)注：分布式控制系統(tǒng)，Distributed Control System）已經(jīng)采取了很多數(shù)據(jù)，現(xiàn)在我們用這些DCS數(shù)據(jù)，我們可以做一些基本預(yù)測(cè)性維護(hù)；

第二種是自下而上，以泵為例，DCS有些數(shù)據(jù)是關(guān)于泵的，但是有些數(shù)據(jù)是沒有的，在這種情況下，一定是前裝+后裝的方式。前裝就是利用DCS固有的數(shù)據(jù)，后裝就是加裝一些沒有的數(shù)據(jù)，這樣配合才能準(zhǔn)確預(yù)測(cè)泵或者管道的預(yù)測(cè)性維護(hù)的點(diǎn)。

我認(rèn)為前裝方式所拿到的數(shù)據(jù)是最好的，后裝則更具挑戰(zhàn)。

Q：阿里云正式發(fā)布了ET工業(yè)大腦。這個(gè)大腦目前已經(jīng)被用在了協(xié)鑫光伏工廠里，可以提高1%的生產(chǎn)良品率。常偉老師如何看待這個(gè)產(chǎn)品？對(duì)傳統(tǒng)工廠來說，怎么選擇？

A：阿里云這個(gè)是上文提到的第三類解決方案，質(zhì)量管理方案。對(duì)于生產(chǎn)良品率來說，每個(gè)工廠都要case by case做分析，對(duì)傳統(tǒng)工廠肯定需要找一個(gè)比較靠譜的方案。

Q：小型工廠缺乏數(shù)據(jù)的積累，以您的經(jīng)驗(yàn)來看，對(duì)我們來說接入大數(shù)據(jù)方案需要考慮哪些問題？

A：小型工廠我建議采用SaaS解決方案，現(xiàn)在很多服務(wù)商提供一些現(xiàn)成的SaaS解決方案，幫助現(xiàn)有的工廠機(jī)床、泵等做到云端，然后再來根據(jù)數(shù)據(jù)做分析，對(duì)小型工廠來說，這種方案還是比較靠譜可行的。

Q：國(guó)內(nèi)政府一直在喊數(shù)字化轉(zhuǎn)型，從目前來看，國(guó)內(nèi)技術(shù)是否成熟了？

A：從現(xiàn)在來看，尤其是對(duì)制造企業(yè)而言，技術(shù)是比較成熟了，數(shù)字化轉(zhuǎn)型無非是數(shù)據(jù)采集、傳輸、存儲(chǔ)和分析這幾塊。目前的企業(yè)在幾部分都有比較成熟的解決方案，不過有些企業(yè)的管理水平有待提高。

大家一直在談我們的工業(yè)水平比較低，現(xiàn)在有一個(gè)問題是我們的管理能力是否能支持中國(guó)制造2020。

Q：工業(yè)化轉(zhuǎn)型最大的挑戰(zhàn)是什么？怎么去克服這些問題？

A：最大的挑戰(zhàn)我們認(rèn)為有兩個(gè)方面：一個(gè)是人的管理水平；第二個(gè)是技術(shù)方面的問題。

覺云有一個(gè)客戶是做刀具的，通過傳統(tǒng)的方式他認(rèn)為沒有法提升了。他們希望通過數(shù)字化的方式來提取數(shù)據(jù)，來告訴他這種刀具在加工哪種材料和工藝是最佳的，這就可以幫助他去挑戰(zhàn)國(guó)外一些企業(yè)。

目前來看，數(shù)字化轉(zhuǎn)型是解決技術(shù)問題的主要方式。做數(shù)字化平臺(tái)第一步是建立數(shù)字化預(yù)測(cè)，第二步是數(shù)字化工單系統(tǒng)，第三步建立和工藝之間的關(guān)系，這幾步下來最少要2-3年，所以工廠要對(duì)這個(gè)周期有一個(gè)認(rèn)知。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。