陆薇：领域知识驱动工业生产系统数智化

来源：水木工业数智化
  本文为约3478字，建议阅读7分钟
本文介绍了陆薇老师带来的领域知识驱动工业生产系统数智化主题分享。

本文整理自清华校友工业数智化高峰论坛

工业互联网、数智化的核心是业务驱动，需要把工业业务场景、领域知识、经验和数字技术紧密结合在一起，所以工业大数据的本质是工业引领。

      

工业的不同业务环节都有数字化需求，但数据类型和业务场景的差异很大，昆仑数据在工业领域比较专注在生产环节，这是工业数智化的深水区。要做好这个环节，需要把生产现场的人机料法环测等各种数据有效收集管理在一起，同时通过智能算法结合工业领域知识，帮助工业企业实现生产提质、增效、降耗、控险等业务目标。

    

要把数字化技术应用到现场去解决特定场景下的问题，有两个很重要的桥梁，一方面现场需要有足够的数据基础，数据要完整、要连续；另一方面，还需要结合这个场景下相关的领域知识比如说设备机理、生产工艺等等，才能做好。这两者在现实环境中挑战都很大。

生产环节工业数智化的两大核心挑战

数据方面，数据的采集、治理和组织，在现场都会面临很多问题。从采集的角度，虽然说现在工业企业对数据采集的意识比以前有了非常大的提高，但是数据到底应该在哪里采？以什么样的频率采？这个非常有讲究。

例如在煤化工行业，研究最关键的煤粉气化过程，就需要知道气化炉内温度，但是炉内温度不能直接被采集，只能在炉壁上安装温度传感器，根据气化炉温度场反算炉内温度，那么在炉壁上的温度传感器怎么布、布多少、如何换算成炉内温度，就有讲究，要结合热力相关原理。

我们也见过传感器分布的问题，比如在化工行业要做管道破裂预警，结果安了传感器的地方没有破裂，其他地方破裂，是因为装传感器时不了解管道中流体流动规律，没有装在管道受力最大位置。

数据采集起来之后，由于现场数据非常多，有设备传感器数据，还有原料的、质检的、环境的各种参数等等，如果只是散放在不同数据库里，使用起来会非常复杂，很难在同一时空下对齐。而这些数据在物理空间内，彼此之间是有逻辑关联的。如果能够把这些数据有机的组织在一起，能够反映其物理时空的逻辑关系，就会更利于数据消费。

   

当然还有数据治理的挑战。怎么保证数据的完整性、准确性，以及标准化问题：不同的厂商制定的规范，不同版本控制系统下的测点名称，差异都非常大。还有怎么做数据的全生命周期管理的问题，例如十年以上的运行数据，怎么能够最高效、最经济保存起来，区分冷、热、温数据，都是从数据治理的角度要考虑的问题。

我们要解决工业现场的问题，意味着在采集数据、管理数据的时候，必须要结合对工业系统的整个机理和结构等方面的认知，需要先理解该领域下的工业知识。工业领域知识有一部分是已经沉淀下来的理论知识，但还有一大部分的知识没有被很好的形式化描述，是现场工业专家脑中的一些生产规律。

我们要做好生产系统的数智化，需要把理论模型、机理能够跟专家经验有机结合在一起，我们的经验来看，大概百分之六七十是机理，另外百分之三四十是现场经验。

 

但是很多的现场经验，是定性不定量、模糊不确定的知识。我们如何能够把这些知识从隐性变成显性，从定性变成定量，能够用数据化的表达，变成软件，变成算法，这也是一个非常大的挑战。

生产系统的数字孪生--化整为零

面临上述挑战，在我们面对一个非常复杂的工业生产系统的时候，怎么做数字化呢？

刚刚讲两个核心的挑战，第一个挑战是如何有序采集和组织数据，建立起生产系统的数字孪生模型？关键就一个字——拆，再复杂的工艺系统都可以拆解成很多单元设备的组合。

比如水泥生产系统，主要工艺过程是“两磨一烧”，水泥生料先磨成粉，经过烧制成熟料，熟料最后磨成水泥粉。因此，水泥厂拆开，就是生料磨、熟料磨、煅烧窑，如果说我们再把磨、窑炉这些主力生产设备再拆开，就会有电机等通用设备单元。

而不同行业中看起来各不相同的工艺生产系统，拆解开之后其实都会有一些通用设备，当然还会有一些行业专用设备。比如风力发电机，拆开之后有电机、轴承这样的通用部件，还有像叶片、塔筒、机箱盖等专业部件。比如煤矿综采系统，把采煤机、刮板运输机等拆开来看，也有电机、像齿轮箱等通用组件，还有行业专用部件。

工业生产系统都是人工设计的物理系统，物理系统总是满足机械论、还原论，我们可以这种方法把大的复杂系统拆开之后，先研究它的组成部件，再组合起来去理解大系统的运行。因此，基础是做好每一个单体系统的参数化。

以电机这个常见单体设备的参数化为例：要研究一个电机，从电机专业的角度就知道需要看运行参数，包括电流电压等电气参数，以及转速、转距等机械参数，另外还有一些跟运行无关，但是对表征设备健康非常重要的参数，比如振动、温度，温升过高或者是振动过速一定是电机出现了异常。这些都是电机专业领域已经建立起来的专业知识，利用它们可以帮助我们更顺利地建立电机参数化模型，继而做相应的运行分析和健康分析。

 

依此延伸一下，要解一个复杂系统的问题，可以通过设备参数化模板的方式，形成通用设备模板和行业设备模板，方便快速设备建模。具体到一个企业，比如一个风电厂，就是由若干风力发电机再加上一些辅助设备如测风塔、升压站等组成，这些组合在一起就成为一个风电行业的通用行业模板，为该行业奠定了很好的数字化建模的基础。

昆仑数据已经把这件事情做成产品，内置了电机等通用设备模型模板，以及一些风电场、水泥厂等行业模板。所以在我们进到一个具体行业的时候，我们不是提供一套通用的技术建模工具，而是有类似设备行业的模板可以复用，而这些模板的建立其实带着大量对于这个领域的专业认知。

专家知识沉淀--用数据从定性到定量

另外一个挑战是怎么解决专家知识沉淀难的问题。在工业现场，我们不仅要靠工业理论模型，也要靠现场专家知识。专家知识的沉淀以前传统做法是什么呢？靠访谈，让知识工程师去访谈专家，访谈完之后把他的经验记录下来，形成知识库。最早的知识库以文本的方式描述知识，再往后发展到使用知识图谱，但本质上知识图谱也是一种文本，只是更加结构化的表达，其中还是用关联规则来表达，表达能力相对来说就会比较受限，一些很复杂的知识，没有办法做精确表达。那有什么办法能够比现在知识图谱做得更好一点呢？经过这些年的一些实践，我们发现还是有机会的。

  

在工业分析，尤其是跟工业的物理系统、生产系统相关的分析领域里面，有非常多的共性场景，这些共性场景在工业现场专家看来，有一些所谓的“套路”。比如说要做故障诊断，就跟人看病相似，比如说要看心脏是否异常，心电图就是原始数据，先看原始数据有没有什么特征，再结合工作生活习惯等等，综合研判是否患病。

做设备故障诊断和人看病过程非常像，只是更复杂。比如风力发电机有500个测点，就类似有500条心电图，要在500个心电图中找关联特征，结合医生的研判规则，最后能出结论。而如何将专家经验、规则和数据深度结合，短时间内在五百个心电图中找出关联关系，并能够判断出这是何种特征，靠人力计算是不现实的，一定是要靠计算机，靠大数据算法来挖掘相关性。通过这样的方式把专家经验变成一个可以用数据精确描述的算法，变成一个软件，到平台上运行。

 

当然工业知识的沉淀有一个逐步完善的过程，我们已经做了一些工作，但还是远远不够，所以我们也提供了一套低代码开发的环境，支持工业现场的工程师可以自主持续地去发现和沉淀更多经验，形成更多行业分析模板，推动生产过程的数智化进程。

过去我们已经把这样一套领域知识驱动工业数智化的方法和产品，应用到了新能源、工程机械、半导体、高端电子制造等不同行业的龙头企业，帮助他们做核心产品和业务的数字化转型，证实是行之有效的，甚至我们能够做到授人以渔，把这样方法教给企业，让企业内部有效自主开发解决自身的问题。

   

由于时间关系，案例不能展开，下次有机会再跟大家分享。

专家简介

陆薇博士，昆仑数据创始人&CEO，北京工业大数据创新中心主任。曾任IBM物联网重大研发专项(Big Bet)全球技术负责人，兼任清华大学工业大数据中心副主任，《中国制造2025》路线图编写组成员，中关村高聚人才。近年来，推动工业大数据及人工智能技术在中国工业领域的创新与应用，在能源电力、半导体、显示面板、电子制造、工程机械、钢铁冶金等领域有业界领先的探索实践。

受篇幅所限，未能详尽展开的内容，点击原文观看视频回放

——END——