SIEMENS广西省贵港市 西门子驱动、电机代理商——西门子华南总代理

吴文超

西门子（中国）有限公司数字化工业集团

过程自动化事业部

数字化研发中心总监

伴随数字化浪潮汹涌而至，作为核心驱动力的人工智能迎来飞速发展，从赋能千行百业到追逐星辰大海，人工智能已悄然融入世界的方方面面。相比商业应用的深度和广度，目前人工智能在工业领域的潜力仍需持续挖掘。随着人工智能步入发展新阶段，推进人工智能与工业场景融合以释放巨大潜能，将成为产业关注的重点。

工业人工智能的起点是客户痛点和需求

站在新一轮工业科技革命和中国加快转变经济发展方式的历史性交汇处，工业人工智能已经成为当代工业企业迈向未来、实现工业高质量发展的必答题，人工智能也成为了越来越多行业提升竞争力的选择。
那么，什么是工业人工智能？工业人工智能是实现工业大数据转化为有效信息、抽象为模型、辅助人类进行精准决策、高效执行的过程，它基于算法与模型挖掘工业世界中的“隐性知识”。
尽管人工智能已经被热议多年，但人工智能在工业领域一直面临“落地难”的窘境，究其原因还是在于其落地过程常常容易走入一个误区，那就是一谈到工业数据赋能就会想成是大平台，而往往忽略了数据能为客户创造哪些切实的价值。数据是人工智能的基础，但工业人工智能的出发点并不是数据，而是客户痛点和需求。这正是工业人工智能和泛化人工智能之间Zui核心的区别所在。
工业向智能化转型升级是跨领域多学科的系统工程，而工业各领域都经过了长达数十年乃至数百年的发展，因此工业人工智能技术之于工业，绝不应该是“颠覆者”，而应是“融入者”，因此以工业客户的痛点和需求作为切入点，将智能化技术导入工业生产过程才是行之有效的手段。SiePA从工业用户痛点出发，充分融入工厂检维修实际需求，为工业用户真正解决痛点问题
以设备预测性维护为例，我们需要结合领域经验，用结果倒推的方式来设计整个技术方案：首先根据客户需要，选取合适的目标故障设备和故障类型，要知道不同的故障类型开展预测性维护的价值也不同，因此不同的行业、不同的企业、不同的时间阶段，客户的痛点和需求都不尽相同。而后，提取与痛点相关的数据，而不是全量数据，比如关键设备的关键故障类型的相关数据，同时需要充分结合生产运行过程中环境干扰以及复杂工况等影响因素，建立有效的预测预警模型。同时针对识别到的潜在故障风险，进行相应诊断，并为现场工程师提供检维修方案或措施建议，只有这样才能为工业客户真正解决实际问题。

工业人工智能构建“蕴含知识”的模型

近年来，工业领域中依赖专家经验代代传承的模式正遭遇巨大挑战，利用人工智能将核心经验与知识固化下来变为可传承的资产，将成为大势所趋。而在此过程中，关键问题在于如何将数据特征和机理特征（行业经验）深度融合在一起，将制造知识和“老师傅”的经验转换为能够被数字世界理解的“蕴含知识“的模型，从而捕捉那些难以规则化但“老师傅”或xingyezhuanjia能够感性认知的复杂特征，进而洞察并预测制造过程中还未发生的不可见问题，帮助企业规避潜在风险、实现降本增效。
以某流程行业典型设备故障预警功能的实现为例，通过实验我们发现，采用纯数据驱动的方式建模，训练数据需要至少3-6个月，且生成的模型仍会较大地受到环境影响，易出现误报。而采用结合经验与机理的建模方式，通过谱峭度、机械特征参数、环境参数等机理输入，并引入工况经验，对人工智能技术进行有效引导，构建设备健康状态预警模型，而这种方式将所需训练数据量降低达1个月左右，其Zui终的预测效果也更为理想。

人工智能落地需要人与技术的结合

虽然我们对人工智能赋能工业充满期待，但必须承认人工智能黑盒式的“一键美颜”解决方案很多时候并不适用于工业场景。技术落地过程中的可信任度和安全性对于企业非常重要，因此人工智能在工业落地的重点在于人与技术相结合，即通过客户的参与，共创适合企业的蕴含知识的模型，由此将人工智能在计算和记忆力、感知方面的优势，以及人类在认知、推理方面的独特能力有机结合起来，左右脑互用，提供一种透明的“理解”算法，让工业人工智能切实发挥其作用。
预测性运维系统SiePA就是西门子与客户让人工智能在工业落地的一次积极探索。SiePA基于工业人工智能技术和西门子深耕工业积淀的行业知识，通过预测预警模块与智能排查诊断模块，对设备运行风险、故障诊断及维护策略进行判断，并给出推荐方案。对于客户，SiePA相当于提供了一个分析模板，在此基础上客户将工厂的实际状态和行业知识映射到模板中固化成模型，然后应用到具体业务场景。此外，SiePA还可以随着新需求不断升级迭代，实现对人工智能模型的全生命周期管理，形成持续优化的闭环。SiePA体现的这种人工智能+人类智能的“白盒”特征已在包括石油化工、水泥、城市供水、冶金等多个行业落地，并得到了xingyezhuanjia的高度认可，目前西门子也在积极探索与设备生产厂商及设备服务商等企业的合作模式。