當(dāng)前，我國新能源產(chǎn)業(yè)正在逐漸推進(jìn)能源生產(chǎn)和消費(fèi)方式革命，構(gòu)建清潔低碳、安全高效的能源體系成為我國經(jīng)濟(jì)社會轉(zhuǎn)型發(fā)展的迫切需要。

　　

　　“工業(yè)智能技術(shù)正在加速風(fēng)電行業(yè)智能化建設(shè)。”日前，北京天澤智云科技有限公司技術(shù)研發(fā)副總裁金超博士在接受科技日報(bào)記者的采訪時(shí)表示，風(fēng)電智能化有三個(gè)重要的參考要素。

　　

　　

　　金超強(qiáng)調(diào)，要結(jié)合風(fēng)電領(lǐng)域知識，對數(shù)據(jù)的來源跟質(zhì)量進(jìn)行管理，選擇那些對工業(yè)智能建模有作用的數(shù)據(jù)，才是最有價(jià)值的。

　　

　　“這不僅僅適用于風(fēng)電，任何一個(gè)做智能化轉(zhuǎn)型的行業(yè)，采用數(shù)據(jù)驅(qū)動(dòng)的方式，最終目的都是要將人的決策過程自動(dòng)化。也就是說，我們所理解的數(shù)據(jù)驅(qū)動(dòng)的工業(yè)智能，是要將‘以前要靠人去不同的數(shù)據(jù)系統(tǒng)里整合信息、內(nèi)化成知識、最后形成決策’這樣一條鏈路自動(dòng)化。”金超說。

　　

　　除了對數(shù)據(jù)的量和來源進(jìn)行管理之外，對數(shù)據(jù)質(zhì)量的管理也很重要。金超認(rèn)為，數(shù)據(jù)的質(zhì)量，大概可以分為三類問題：第一類是通用的數(shù)據(jù)質(zhì)量問題，比如奇異值、缺失值、超限值等。第二類是跟行業(yè)相關(guān)的，比如有的工況不滿足分析目標(biāo)，要對工況做修正。第三類是跟建模相關(guān)的，如樣本不平衡、標(biāo)簽缺乏等。

　　

　　數(shù)據(jù)質(zhì)量對數(shù)據(jù)驅(qū)動(dòng)的模型效果非常重要，提前獲得足量、高質(zhì)量、能代表所建模型對象行為的數(shù)據(jù)，是保證模型效果的必要條件。但是，在現(xiàn)場獲取的數(shù)據(jù)的質(zhì)量，通常都達(dá)不到理想狀態(tài)。而利用數(shù)據(jù)質(zhì)量不佳的數(shù)據(jù)訓(xùn)練得到的模型，效果也不會很好。

　　

　　金超舉例說：“在做發(fā)電機(jī)軸承溫度異常預(yù)警功能時(shí)，我們并沒有大量的有標(biāo)簽的歷史數(shù)據(jù)。根據(jù)我們能獲取的軸承溫度、環(huán)境溫度、功率、風(fēng)速等信號，利用能量守恒建立微分方程，通過估計(jì)參數(shù)來建立‘正常行為’模型，再與當(dāng)下的狀態(tài)做比對，根據(jù)殘差的分布偏移來判斷異常，以此來彌補(bǔ)歷史數(shù)據(jù)標(biāo)簽的不足。這就是我們通常采用的一個(gè)原則‘數(shù)據(jù)不夠，機(jī)理來湊’。當(dāng)融入機(jī)理之后，一是不需要大量的訓(xùn)練數(shù)據(jù)，原來一個(gè)月的訓(xùn)練數(shù)據(jù)，現(xiàn)在7天就夠了；二是對外部環(huán)境的敏感度有所降低，受工況影響也變小；三是根據(jù)機(jī)理設(shè)計(jì)的被估計(jì)參數(shù)，讓整個(gè)模型的可解釋性也變得更強(qiáng)。”

　　

　　

　　“因此在工業(yè)智能建模的時(shí)候，模型的選擇不一定只用數(shù)據(jù)驅(qū)動(dòng)的模型。考慮選擇什么樣的建模方式，應(yīng)從數(shù)據(jù)和機(jī)理兩個(gè)角度來考慮。”金超說。

　　

　　當(dāng)數(shù)據(jù)比較少，同時(shí)對建模對象理解不夠深時(shí)，更多依賴于經(jīng)驗(yàn)或者需要做一些實(shí)驗(yàn)。在數(shù)據(jù)比較少，機(jī)理很強(qiáng)時(shí)，比如典型旋轉(zhuǎn)類設(shè)備的智能診斷，可以基于機(jī)理來做分析，并且基于規(guī)則來做到預(yù)警。對于機(jī)理比較弱，但是數(shù)據(jù)很多的情況，就可以發(fā)揮數(shù)據(jù)驅(qū)動(dòng)的模型優(yōu)勢，去彌補(bǔ)對機(jī)理認(rèn)知的不足。當(dāng)數(shù)據(jù)足夠，并且機(jī)理也很強(qiáng)時(shí)，我們更傾向于去做機(jī)理跟數(shù)據(jù)融合的模型，因?yàn)橥@樣的模型可解釋性更強(qiáng)，對于外部環(huán)境的變化也更加不敏感。

　　

　　“通過我們和信通院合作舉辦的工業(yè)大數(shù)據(jù)創(chuàng)新競賽來看，也印證了這樣的思維方式。在第三屆工業(yè)大數(shù)據(jù)創(chuàng)新競賽的化工設(shè)備故障程度預(yù)測問題，第一名利用了傳統(tǒng)的振動(dòng)分析，加上LightGBM機(jī)器學(xué)習(xí)，取得了非常高的分?jǐn)?shù)。我們后來得知，第一名的選手是機(jī)械工程背景，對旋轉(zhuǎn)類設(shè)備的分析很在行。但第二名利用GAN這樣的非監(jiān)督式深度學(xué)習(xí)方法，也達(dá)到了類似的效果。第二名采用的思路尤其引起我們的興趣：將振動(dòng)信號的分析轉(zhuǎn)化為類圖像問題，利用計(jì)算機(jī)科學(xué)在圖像領(lǐng)域的突破性技術(shù)和思想，來解決工業(yè)里面的非圖像數(shù)據(jù)問題。這個(gè)提醒我們，在數(shù)據(jù)量足夠的時(shí)候，數(shù)據(jù)驅(qū)動(dòng)的方法，是可能彌補(bǔ)一些我們對機(jī)理了解的不充分的。”金超說，“無論是哪次競賽，我們發(fā)現(xiàn)與我們的經(jīng)驗(yàn)一致，機(jī)理和數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的方式，效果往往都比較好。”

　　

　　一個(gè)模型的誕生就像嬰兒一樣，成長的過程中需要接受教育、做練習(xí)題，最終畢業(yè)，成人。模型類似，也要通過不斷的跟領(lǐng)域知識磨合和融入，在能夠采集更多樣本的情況下不斷迭代，最終才能形成一個(gè)比較成熟的模型。

　　

　　“因此，我們需要一個(gè)基礎(chǔ)設(shè)施，能夠?qū)δＰ偷娜芷谶M(jìn)行管理。基于這樣的理念，我們開發(fā)了一套完整的工業(yè)智能模型研發(fā)平臺，從算法的設(shè)計(jì)、探索、驗(yàn)證，以及監(jiān)控和部署，形成一套完整的閉環(huán)。通過這樣的一個(gè)工業(yè)智能模型研發(fā)平臺，有效地解決了工業(yè)領(lǐng)域常常談到的‘建模難、用模難、管模難’的問題，極大提升了模型的研發(fā)效率、降低了維護(hù)成本。” 金超說。

　　

　　

　　在落地工業(yè)智能的時(shí)候，除了數(shù)據(jù)跟模型這兩個(gè)要素之外，還有系統(tǒng)工程能力。也就是，如何能夠把分析技術(shù)（AT），數(shù)據(jù)技術(shù)（DT），平臺技術(shù)（PT）以及運(yùn)維技術(shù)（OT）這四類整合起來。

　　

　　“在DT層，即數(shù)據(jù)技術(shù)這一端，要能實(shí)現(xiàn)設(shè)備的物聯(lián)以及邊緣計(jì)算，將孤島系統(tǒng)中的數(shù)據(jù)統(tǒng)一管理。在AT層，需要對模型的建立、管理、部署和服務(wù)化都進(jìn)行全面的管控。最后跟信息系統(tǒng)以及運(yùn)維系統(tǒng)形成融合。從DT到OT的工業(yè)智能系統(tǒng)，模型只是AT層的一小部分。系統(tǒng)建立起來，才是工業(yè)智能服務(wù)的開始。從數(shù)據(jù)到業(yè)務(wù)的閉環(huán)、不斷積累企業(yè)自己的知識資產(chǎn)，才是運(yùn)營一個(gè)工業(yè)智能系統(tǒng)最需要關(guān)注的，而非僅僅建模。”金超說。