论文部分内容阅读
本文首先指出了当前工业互联网在发展过程中遇到的问题，以及数据驱动的人工智能技术对于工业设备和系统运营维护的巨大应用价值。在工業大数据的时代背景下，传统装备故障诊断和健康管理技术与人工智能技术结合的过程中得以大幅度拓展，从而使预测性维护、智能运营和智能调度成为现实。通过深入阐释数字孪生体的概念，及其与工业互联网、工业领域专业知识和信息物理系统之间的联系，说明了以数字孪生体为核心的智能运维技术的意义。同时指出了智能维护技术应用中的问题和挑战，并展望了未来技术发展。
近年来，由大数据驱动的人工智能技术取得了飞速发展，工业互联网可以为工业领域的智能应用提供充足的数据基础设施支撑。在已有PHM技术基础之上，工业互联网与人工智能密切结合，将机械装备、过程、监控和维修一体化。这将促进人-机-过程-环境之间的和谐关系，是实现机械装备系统本质可靠的重要举措。人工自愈能改变传统设计理念，让未来的机器装备、制造系统更自主健康，驱动新一轮工业革命。
现代设备诊断技术要求具有状态监测、故障诊断和预测等能力，可以预测重要和关键零部件的可靠工作寿命，通过状态监测可以提前发现异常状态，科学评估设备健康状态，预测故障发生，比起传统的对损坏的设备进行失效分析的方法更有利于超前预防。基于工业互联网的应用设备状态监测及诊断技术，通过大数据分析可对故障征兆信息进行采集、处理、分析，对故障进行早期诊断、预测，在机器没损坏之前查明故障原因并适时采取修复、预防和改进对策，成为信息、监控、通信、计算机和人工智能等集成技术，并逐步发展成为一个多学科交叉的新学科。
数字孪生体以数据和模型为主要元素构建，用于物理实体的状态监控、控制，虚实融合下的数据处理、仿真分析、虚拟验证及运行决策，具体体现了“信息物理系统”（CPS）的自动化流程，以此为基础构建设备数字化的应用，用于故障预测、健康管理及预测性维护，并反馈运行信息给设计人员以优化设计以改善产品性能，形成人—赛博—物理智能运维系统，如图1所示。
图1 人—赛博—物理智能运维系统
数据质量，高质量的大数据采集和管理是监测诊断的基础。 优质的数据才能建立优质的模型，数据的质量直接影响到信息识别和知识的获取，而工业大数据具有多样性、多模态、高通量和强关联等特性。对数据监控和后台数据存储提出了很高的要求。但实际情况中许多动力装备传感器、数据采集系统非常落后，有的采用便携式仪器进行实时监测，工况和状态参数各自采集，形成信息孤岛。因此不仅需要高精度的采集设备、高效的存储优化，还需要能够通过元数据、索引、查询推理，支持高效便捷的数据读取，实现多源异构数据的一体化管理。
信息认知，数据挖掘、信号处理和掌握基于大数据分析的因果和关联规律是必要条件。工业是一个强机理、高知识密度的技术领域，很多监测数据只是复杂系统运行的部分表征。工业领域通常有大量的机理模型、专家经验的深厚积累，可以缩小数据分析参数空间、提供有用的特征变量，工业数据分析通常隐性或显性利用大量的行业知识，体现在问题定义、数据筛选、特征工程和模型调优等过程中。工业大数据分析通常需要机器学习算法与机理领域模型算法的融合，为智能决策提供科学依据，以期创造更大的价值。
专业人才培养体系亟需建立和完善。通用电气早在发布工业互联网之初就提出未来工程人才应是数据科学、软件和工业知识领域的复合型人才。软件开发人员虽然善于编程开发，但缺乏工程实践，对机器—过程复杂系统和不同行业不同设备实际运行状态不了解。工业大数据的分析者既需要掌握大数据相关知识，又需要深刻理解各种典型工业应用场景，更高层次的应用还涉及产品、用户需求、企业管理决策、商业模式等方面， 工业大数据产业对跨界复合型人才的能力需求不断增强。
工业中一些实际场景需要满足更高的运营智能化、管理数字化和数据保密性的要求，而这是更深入地运用人工智能领域前沿技术成果的机会。
（一）深度强化学习
DeepMind基于深度强化学习技术开发的AlphaGo深受人们关注，之后该技术又用于管理Google的数据中心冷却系统，节省能耗30%以上。理论上，强化学习原理与最优控制一致，且适用于解决博弈论等领域的问题。传统的控制技术虽然能满足大部分场景的需求，但对于大型复杂工业系统，无法处理高纬度、非线性系统的实时优化控制，也很难满足日益增长的智能化需求。大规模的强化学习技术可实现分布式系统的智能控制，助力于智慧交通、智能电网的建设。
（二）联邦学习
相当一部分工业领域通常对数据的保密性要求极高，不愿透露运行过程中的敏感信息， 例如航空发动机的健康运维。这对一般的数据模型开发过程造成极大困难。而联邦学习的机制解决了保密性问题，有望成为下一代人工智能协同算法和协作网络的基础。
工业互联网和人工智能技术将机械装备、过程、监控和维修一体化，这将促进人-机-过程-环境之间的和谐关系，是实现机械装备系统本质可靠的重要举措。人工智能改变传统运维理念，让未来的机器装备、制造系统乃至所有人造系统更自主健康，驱动新一轮工业革命，迈进工业智能时代。
作者单位：上海电气集团数字科技有限公司
一、前言
近年来，由大数据驱动的人工智能技术取得了飞速发展，工业互联网可以为工业领域的智能应用提供充足的数据基础设施支撑。在已有PHM技术基础之上，工业互联网与人工智能密切结合，将机械装备、过程、监控和维修一体化。这将促进人-机-过程-环境之间的和谐关系，是实现机械装备系统本质可靠的重要举措。人工自愈能改变传统设计理念，让未来的机器装备、制造系统更自主健康，驱动新一轮工业革命。
二、智能运维技术
现代设备诊断技术要求具有状态监测、故障诊断和预测等能力，可以预测重要和关键零部件的可靠工作寿命，通过状态监测可以提前发现异常状态，科学评估设备健康状态，预测故障发生，比起传统的对损坏的设备进行失效分析的方法更有利于超前预防。基于工业互联网的应用设备状态监测及诊断技术，通过大数据分析可对故障征兆信息进行采集、处理、分析，对故障进行早期诊断、预测，在机器没损坏之前查明故障原因并适时采取修复、预防和改进对策，成为信息、监控、通信、计算机和人工智能等集成技术，并逐步发展成为一个多学科交叉的新学科。
数字孪生体以数据和模型为主要元素构建，用于物理实体的状态监控、控制，虚实融合下的数据处理、仿真分析、虚拟验证及运行决策，具体体现了“信息物理系统”（CPS）的自动化流程，以此为基础构建设备数字化的应用，用于故障预测、健康管理及预测性维护，并反馈运行信息给设计人员以优化设计以改善产品性能，形成人—赛博—物理智能运维系统，如图1所示。
三、智能维护技术应用中的问题和挑战
数据质量，高质量的大数据采集和管理是监测诊断的基础。 优质的数据才能建立优质的模型，数据的质量直接影响到信息识别和知识的获取，而工业大数据具有多样性、多模态、高通量和强关联等特性。对数据监控和后台数据存储提出了很高的要求。但实际情况中许多动力装备传感器、数据采集系统非常落后，有的采用便携式仪器进行实时监测，工况和状态参数各自采集，形成信息孤岛。因此不仅需要高精度的采集设备、高效的存储优化，还需要能够通过元数据、索引、查询推理，支持高效便捷的数据读取，实现多源异构数据的一体化管理。
信息认知，数据挖掘、信号处理和掌握基于大数据分析的因果和关联规律是必要条件。工业是一个强机理、高知识密度的技术领域，很多监测数据只是复杂系统运行的部分表征。工业领域通常有大量的机理模型、专家经验的深厚积累，可以缩小数据分析参数空间、提供有用的特征变量，工业数据分析通常隐性或显性利用大量的行业知识，体现在问题定义、数据筛选、特征工程和模型调优等过程中。工业大数据分析通常需要机器学习算法与机理领域模型算法的融合，为智能决策提供科学依据，以期创造更大的价值。
专业人才培养体系亟需建立和完善。通用电气早在发布工业互联网之初就提出未来工程人才应是数据科学、软件和工业知识领域的复合型人才。软件开发人员虽然善于编程开发，但缺乏工程实践，对机器—过程复杂系统和不同行业不同设备实际运行状态不了解。工业大数据的分析者既需要掌握大数据相关知识，又需要深刻理解各种典型工业应用场景，更高层次的应用还涉及产品、用户需求、企业管理决策、商业模式等方面， 工业大数据产业对跨界复合型人才的能力需求不断增强。
四、未来技术展望
工业中一些实际场景需要满足更高的运营智能化、管理数字化和数据保密性的要求，而这是更深入地运用人工智能领域前沿技术成果的机会。
（一）深度强化学习
DeepMind基于深度强化学习技术开发的AlphaGo深受人们关注，之后该技术又用于管理Google的数据中心冷却系统，节省能耗30%以上。理论上，强化学习原理与最优控制一致，且适用于解决博弈论等领域的问题。传统的控制技术虽然能满足大部分场景的需求，但对于大型复杂工业系统，无法处理高纬度、非线性系统的实时优化控制，也很难满足日益增长的智能化需求。大规模的强化学习技术可实现分布式系统的智能控制，助力于智慧交通、智能电网的建设。
（二）联邦学习
相当一部分工业领域通常对数据的保密性要求极高，不愿透露运行过程中的敏感信息， 例如航空发动机的健康运维。这对一般的数据模型开发过程造成极大困难。而联邦学习的机制解决了保密性问题，有望成为下一代人工智能协同算法和协作网络的基础。
五、总结
工业互联网和人工智能技术将机械装备、过程、监控和维修一体化，这将促进人-机-过程-环境之间的和谐关系，是实现机械装备系统本质可靠的重要举措。人工智能改变传统运维理念，让未来的机器装备、制造系统乃至所有人造系统更自主健康，驱动新一轮工业革命，迈进工业智能时代。
作者单位：上海电气集团数字科技有限公司