當前，我國新能源產(chǎn)業(yè)正在逐漸推進(jìn)能源生產(chǎn)和消費方式革命，構建清潔低碳、安全高效的能源體系成為我國經(jīng)濟社會(huì )轉型發(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?！比涨?，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記者的采訪(fǎng)時(shí)表示，風(fēng)電智能化有三個(gè)重要的參考要素。

數據來(lái)源與質(zhì)量管理

金超強調，要結合風(fēng)電領(lǐng)域知識，對數據的來(lái)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據，才是最有價(jià)值的。

“這不僅僅適用于風(fēng)電，任何一個(gè)做智能化轉型的行業(yè)，采用數據驅動(dòng)的方式，最終目的都是要將人的決策過(guò)程自動(dòng)化。也就是說(shuō)，我們所理解的數據驅動(dòng)的工業(yè)智能，是要將‘以前要靠人去不同的數據系統里整合信息、內化成知識、最后形成決策’這樣一條鏈路自動(dòng)化?！苯鸪f(shuō)。

除了對數據的量和來(lái)源進(jìn)行管理之外，對數據質(zhì)量的管理也很重要。金超認為，數據的質(zhì)量，大概可以分為三類(lèi)問(wèn)題：第一類(lèi)是通用的數據質(zhì)量問(wèn)題，比如奇異值、缺失值、超限值等。第二類(lèi)是跟行業(yè)相關(guān)的，比如有的工況不滿(mǎn)足分析目標，要對工況做修正。第三類(lèi)是跟建模相關(guān)的，如樣本不平衡、標簽缺乏等。

數據質(zhì)量對數據驅動(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據，是保證模型效果的必要條件。但是，在現場(chǎng)獲取的數據的質(zhì)量，通常都達不到理想狀態(tài)。而利用數據質(zhì)量不佳的數據訓練得到的模型，效果也不會(huì )很好。

金超舉例說(shuō)：“在做發(fā)電機軸承溫度異常預警功能時(shí)，我們并沒(méi)有大量的有標簽的歷史數據。根據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(guò)估計參數來(lái)建立‘正常行為’模型，再與當下的狀態(tài)做比對，根據殘差的分布偏移來(lái)判斷異常，以此來(lái)彌補歷史數據標簽的不足。這就是我們通常采用的一個(gè)原則‘數據不夠，機理來(lái)湊’。當融入機理之后，一是不需要大量的訓練數據，原來(lái)一個(gè)月的訓練數據，現在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??；三是根據機理設計的被估計參數，讓整個(gè)模型的可解釋性也變得更強?！?/p>

模型也需要全生命周期管理

“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據驅動(dòng)的模型?？紤]選擇什么樣的建模方式，應從數據和機理兩個(gè)角度來(lái)考慮?！苯鸪f(shuō)。

當數據比較少，同時(shí)對建模對象理解不夠深時(shí)，更多依賴(lài)于經(jīng)驗或者需要做一些實(shí)驗。在數據比較少，機理很強時(shí)，比如典型旋轉類(lèi)設備的智能診斷，可以基于機理來(lái)做分析，并且基于規則來(lái)做到預警。對于機理比較弱，但是數據很多的情況，就可以發(fā)揮數據驅動(dòng)的模型優(yōu)勢，去彌補對機理認知的不足。當數據足夠，并且機理也很強時(shí)，我們更傾向于去做機理跟數據融合的模型，因為往往這樣的模型可解釋性更強，對于外部環(huán)境的變化也更加不敏感。

“通過(guò)我們和信通院合作舉辦的工業(yè)大數據創(chuàng )新競賽來(lái)看，也印證了這樣的思維方式。在第三屆工業(yè)大數據創(chuàng )新競賽的化工設備故障程度預測問(wèn)題，第一名利用了傳統的振動(dòng)分析，加上LightGBM機器學(xué)習，取得了非常高的分數。我們后來(lái)得知，第一名的選手是機械工程背景，對旋轉類(lèi)設備的分析很在行。但第二名利用GAN這樣的非監督式深度學(xué)習方法，也達到了類(lèi)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)信號的分析轉化為類(lèi)圖像問(wèn)題，利用計算機科學(xué)在圖像領(lǐng)域的突破性技術(shù)和思想，來(lái)解決工業(yè)里面的非圖像數據問(wèn)題。這個(gè)提醒我們，在數據量足夠的時(shí)候，數據驅動(dòng)的方法，是可能彌補一些我們對機理了解的不充分的?！苯鸪f(shuō)，“無(wú)論是哪次競賽，我們發(fā)現與我們的經(jīng)驗一致，機理和數據驅動(dòng)相結合的方式，效果往往都比較好?！?/p>

一個(gè)模型的誕生就像嬰兒一樣，成長(cháng)的過(guò)程中需要接受教育、做練習題，最終畢業(yè)，成人。模型類(lèi)似，也要通過(guò)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)基礎設施，能夠對模型的全生命周期進(jìn)行管理?；谶@樣的理念，我們開(kāi)發(fā)了一套完整的工業(yè)智能模型研發(fā)平臺，從算法的設計、探索、驗證，以及監控和部署，形成一套完整的閉環(huán)。通過(guò)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(wèn)題，極大提升了模型的研發(fā)效率、降低了維護成本?！?金超說(shuō)。

智能化落地是跨領(lǐng)域跨技術(shù)的系統工程

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

“在DT層，即數據技術(shù)這一端，要能實(shí)現設備的物聯(lián)以及邊緣計算，將孤島系統中的數據統一管理。在A(yíng)T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。最后跟信息系統以及運維系統形成融合。從DT到OT的工業(yè)智能系統，模型只是AT層的一小部分。系統建立起來(lái)，才是工業(yè)智能服務(wù)的開(kāi)始。從數據到業(yè)務(wù)的閉環(huán)、不斷積累企業(yè)自己的知識資產(chǎn)，才是運營(yíng)一個(gè)工業(yè)智能系統最需要關(guān)注的，而非僅僅建模?！苯鸪f(shuō)。